Ξεχάστε τον θόρυβο — το μυστικό για εξυπνότερα ρομπότ είναι ένας άνθρωπος με ακουστικά

Ενώ οι δημοφιλείς αφηγήσεις υποδηλώνουν ότι τα ανθρωποειδή ρομπότ θα φτάσουν σύντομα στα κατώφλια μας χάρη σε τεράστιους υπερυπολογιστές, η πραγματικότητα είναι πολύ πιο προσγειωμένη. Σε μια ήσυχη αποθήκη στο San Leandro της Καλιφόρνια, το μέλλον της φυσικής Τεχνητής Νοημοσύνης (AI) μοιάζει λιγότερο με ένα κομψό εργαστήριο και περισσότερο με ένα παιχνίδι Jenga. Ο Andrew Ceja, ειδικός εκπαιδευτής στην τεχνολογική εταιρεία Encord, περνά τις μέρες του τραβώντας προσεκτικά ξύλινα τουβλάκια από έναν πύργο, φορώντας ένα σετ κεφαλής εξοπλισμένο με κάμερες και ηλεκτρόδια ανίχνευσης εγκεφάλου. Αυτή η ασυνήθιστη εγκατάσταση αποκαλύπτει μια θεμελιώδη αλήθεια για τη σύγχρονη τεχνολογία: μας τελείωσαν τα ψηφιακά καύσιμα που χρειάζονται για να γίνουν τα ρομπότ έξυπνα.

Η Silicon Valley πέρασε την τελευταία δεκαετία «ξύνοντας» κάθε γωνιά του διαδικτύου για να εκπαιδεύσει chatbots. Εάν πληκτρολογήσετε μια ερώτηση σε μια AI, το σύστημα απαντά με βάση δισεκατομμύρια σελίδες κειμένου που έχουν γραφτεί από ανθρώπους. Ωστόσο, δεν υπάρχει αντίστοιχο «διαδίκτυο κίνησης» για φυσικές εργασίες. Ένα ρομπότ δεν μπορεί να μάθει πώς να διπλώνει ένα πουκάμισο ή να στοιβάζει μια παλέτα διαβάζοντας ένα λήμμα στη Wikipedia. Χρειάζεται δεδομένα που δείχνουν πώς αλληλεπιδρούν οι δυνάμεις, οι γωνίες και οι προθέσεις στον τρισδιάστατο κόσμο. Αυτή η έλλειψη φυσικών πληροφοριών είναι ο κύριος λόγος που το σπίτι σας εξακολουθεί να στερείται ενός αξιόπιστου αυτοματοποιημένου μπάτλερ.

Η μεγάλη ξηρασία φυσικών δεδομένων

Η λογική πίσω από τη γεννητική AI είναι απλή: περισσότερα δεδομένα οδηγούν σε καλύτερα αποτελέσματα. Αυτό λειτούργησε για τα Μεγάλα Γλωσσικά Μοντέλα επειδή ο ιστός είναι μια ατελείωτη βιβλιοθήκη ανθρώπινης σκέψης. Τα ρομπότ δεν έχουν αυτή την πολυτέλεια. Εταιρείες όπως η Encord στρέφονται τώρα από τη διαχείριση υπαρχόντων δεδομένων στην κατασκευή νέων δεδομένων από το μηδέν. Ουσιαστικά χτίζουν ένα ψηφιακό εργοστάσιο για την ανθρώπινη εμπειρία.

Ο Vineeth Velmurugan, ο οποίος ηγείται της εκμάθησης ρομπότ στην Encord, είναι βετεράνος μεγάλων εργαστηρίων όπως το OpenAI. Εξηγεί ότι ακόμη και μια τεράστια βιβλιοθήκη βίντεο όπως το YouTube είναι ανεπαρκής για να μάθει ένα ρομπότ σύνθετους χειρισμούς. Το να βλέπεις ένα βίντεο με ένα άτομο να σερβίρει καφέ δεν είναι το ίδιο με το να νιώθεις το βάρος της κανάτας ή το παφλασμό του υγρού. Ο Velmurugan εκτιμά ότι ο κλάδος χρειάζεται ένα σύνολο δεδομένων περίπου πέντε φορές το μέγεθος του YouTube για να επιτύχει μια σημαντική πρόοδο στη φυσική νοημοσύνη. Αυτό δημιουργεί ένα τεράστιο εμπόδιο, επειδή η συλλογή αυτών των πληροφοριών απαιτεί πραγματικούς ανθρώπους να εκτελούν πραγματικές εργασίες σε πραγματικό χρόνο. Είναι μια αργή, χειροκίνητη διαδικασία σε έναν κλάδο που συνήθως κινείται με την ταχύτητα του φωτός.

Διαβάζοντας το μυαλό για τη διδασκαλία μηχανών

Το πιο πειραματικό μέρος αυτής της παραγωγής δεδομένων περιλαμβάνει τη νευροτεχνολογία. Η Encord δοκιμάζει επί του παρόντος σετ κεφαλής από τη Zander Labs, μια γερμανική startup, για να καταγράψει τι συμβαίνει μέσα σε έναν ανθρώπινο εγκέφαλο κατά τη διάρκεια της χειρωνακτικής εργασίας. Όταν ένας εκπαιδευτής όπως ο Ceja παίζει Jenga, το σετ κεφαλής παρακολουθεί τα εγκεφαλικά του κύματα για να ανιχνεύσει νοητικές καταστάσεις. Οι αισθητήρες αναζητούν σήματα έκπληξης, σφάλματος ή έντονης εστίασης.

Ο Lucas Gehrke, νευροεπιστήμονας στη Zander Labs, σημειώνει ότι αυτά τα σήματα προσφέρουν στοιχεία που οι κάμερες βίντεο χάνουν. Εάν ένας ανθρώπινος εκπαιδευτής νιώσει μια στιγμή πανικού επειδή ένας πύργος πρόκειται να πέσει, αυτή η εσωτερική αντίδραση είναι ένα πολύτιμο σημείο δεδομένων. Λέει στο μοντέλο AI ότι αυτή η συγκεκριμένη στιγμή είναι κρίσιμη. Επισημαίνοντας τα δεδομένα βίντεο με την εγκεφαλική δραστηριότητα, οι προγραμματιστές μπορούν να διδάξουν στα ρομπότ όχι μόνο τι να κάνουν, αλλά ποιες στιγμές απαιτούν τη μεγαλύτερη προσοχή. Αυτό είναι σαν να δίνεις σε έναν ασκούμενο έναν μέντορα που μπορεί να μοιραστεί τα ένστικτά του αντί για το εγχειρίδιο οδηγιών του.

Αυτή η προσέγγιση μετατρέπει κάθε ανθρώπινη κίνηση σε ένα πλούσιο, πολυεπίπεδο αρχείο. Τα δεδομένα περιλαμβάνουν το βίντεο της εργασίας, τη θέση των χεριών του εκπαιδευτή και την ηλεκτρική δραστηριότητα του εγκεφάλου του. Αυτός ο συνδυασμός δημιουργεί έναν χάρτη υψηλής πιστότητας της ανθρώπινης δεξιότητας που μια μηχανή μπορεί τελικά να μιμηθεί.

Γιατί ο χρόνος σας μπροστά στην οθόνη δεν μπορεί να εκπαιδεύσει ένα ρομπότ

Για τον μέσο καταναλωτή, είναι εύκολο να αναρωτηθεί γιατί δεν μπορούμε απλώς να χρησιμοποιήσουμε τα δισεκατομμύρια ώρες πλάνων από κουδούνια πόρτας και κάμερες ασφαλείας για να εκπαιδεύσουμε αυτές τις μηχανές. Το πρόβλημα έγκειται στην προοπτική. Τα περισσότερα υπάρχοντα βίντεο είναι «τρίτου προσώπου» και στερούνται των ακριβών χωρικών δεδομένων που χρειάζεται ένα ρομπότ για να κινήσει τα δικά του άκρα. Για να το λύσει αυτό, η Encord χρησιμοποιεί «εγωκεντρικό» βίντεο, το οποίο βιντεοσκοπείται από την οπτική γωνία του ατόμου που κάνει την εργασία.

Στο San Leandro, οι πιλότοι χρησιμοποιούν συστήματα «ηγέτη-ακόλουθου». Πρόκειται για ζευγαρωμένους ρομποτικούς βραχίονες όπου ένας άνθρωπος κινεί το ένα σετ και το ρομπότ μιμείται την κίνηση ακριβώς. Καθώς ο άνθρωπος συνδέει ένα καλώδιο ethernet σε έναν διακομιστή ή στοιβάζει μάρκες πόκερ, κάθε μικρο-ρύθμιση καταγράφεται. Αυτό είναι πολύ πιο ακριβές από ένα απλό βίντεο. Καταγράφει την προσπάθεια της εργασίας. Η Sofia Infante, μια άλλη πιλότος στην εγκατάσταση, επιδεικνύει τη δυσκολία σύνδεσης καλωδίων. Ακόμη και με προηγμένους αισθητήρες, οι ρομποτικές λαβίδες στερούνται τη δεξιοτεχνία των ανθρώπινων δακτύλων. Τα δεδομένα που συλλέγονται εδώ καταγράφουν αυτές τις αποτυχίες και επιτυχίες για να βοηθήσουν τα μελλοντικά μοντέλα να γεφυρώσουν αυτό το χάσμα.

Το υψηλό κόστος της κατασκευασμένης διαίσθησης

Υπάρχει ένα σημαντικό οικονομικό εμπόδιο σε αυτή τη νέα προσέγγιση της AI. Η συλλογή κειμένου από τον ιστό είναι ουσιαστικά δωρεάν, αλλά η κατασκευή φυσικών δεδομένων είναι ακριβή. Η Encord προσθέτει πυκνές σημειώσεις στα δεδομένα της, όπως η επισήμανση μιας συγκεκριμένης κίνησης ως «το δεξί χέρι σφίγγει το μπουλόνι». Ο Velmurugan σημειώνει ότι αυτά τα υψηλής ποιότητας, σχολιασμένα δεδομένα είναι 100 φορές πιο πολύτιμα από το ακατέργαστο βίντεο για την εκπαίδευση συγκεκριμένων δεξιοτήτων. Ωστόσο, η παραγωγή τους κοστίζει 20 φορές περισσότερο.

Αυτή η μεταβολή στα οικονομικά αλλάζει την τροχιά του κλάδου. Η AI δεν είναι πλέον μόνο ένα πρόβλημα λογισμικού που μπορείτε να λύσετε με περισσότερο ηλεκτρισμό και ταχύτερα τσιπ. Είναι πλέον ένα πρόβλημα logistics και εργασίας. Τα δομικά στοιχεία των μελλοντικών ανθρωποειδών ρομπότ κατασκευάζονται στο χέρι από εξειδικευμένους εργάτες σε αποθήκες. Αυτό σημαίνει ότι η μετάβαση στη φυσική AI θα είναι πιθανότατα πιο ακριβή και πιο αργή από τη μετάβαση στην ψηφιακή AI. Η αόρατη ραχοκοκαλιά του κλάδου δεν είναι πλέον μόνο το πυρίτιο, αλλά η φυσική προσπάθεια των ανθρώπινων εκπαιδευτών.

Τι σημαίνει αυτό για το μελλοντικό σας σπίτι

Πρακτικά μιλώντας, η ώθηση για δεδομένα εγκεφαλικών κυμάτων και χειροκίνητα συστήματα εκπαίδευσης υποδηλώνει ότι τα εξειδικευμένα ρομπότ θα φτάσουν πολύ πριν από εκείνα γενικής χρήσης. Πιθανότατα θα δούμε μηχανές που είναι εξαιρετικές σε συγκεκριμένες εργασίες υψηλής αξίας —όπως η διαχείριση κέντρων δεδομένων ή η ταξινόμηση αποθεμάτων αποθήκης— πριν δούμε ένα ρομπότ που μπορεί να καθαρίσει μια ακατάστατη κουζίνα. Τα δεδομένα για τα κέντρα δεδομένων είναι ευκολότερο να κατασκευαστούν και πιο κερδοφόρο να συλλεχθούν.

Κοιτάζοντας τη μεγάλη εικόνα, αυτή η έρευνα υπογραμμίζει την επιστροφή στην αξία του ανθρώπινου αγγίγματος. Ακόμη και οι πιο προηγμένες εταιρείες AI συνειδητοποιούν ότι δεν μπορούν να αγνοήσουν την πολυπλοκότητα του ανθρώπινου σώματος και μυαλού. Το «μυστικό συστατικό» για την επόμενη γενιά συσκευών δεν είναι ένας νέος αλγόριθμος, αλλά μια βαθύτερη κατανόηση του πώς οι άνθρωποι αλληλεπιδρούν με τον κόσμο.

Τελικά, η πρόοδος της φυσικής AI εξαρτάται από το πόσο καλά μπορούμε να μεταφράσουμε τις δικές μας υποσυνείδητες συνήθειες σε κώδικα. Όταν δείτε ένα ρομπότ να εκτελεί με επιτυχία μια εργασία στο μέλλον, θα είναι το αποτέλεσμα χιλιάδων ωρών ανθρώπινων πιλότων που φορούσαν σετ κεφαλής και έπαιζαν παιχνίδια. Ο δρόμος προς τον αυτοματισμό είναι, ειρωνικά, στρωμένος με έντονη ανθρώπινη εργασία. Για τους καταναλωτές, αυτό σημαίνει ότι ενώ η τεχνολογία αναδύεται, παραμένει ένα premium προϊόν που καθορίζεται από το υψηλό κόστος της εκπαίδευσής του.

Πηγές: TechCrunch industrial reporting, Encord corporate briefings, Zander Labs technical documentation, OpenAI robotics research archives.