Pamirškite ažiotažą — išmanesnių robotų paslaptis yra žmogus su ausinėmis

Nors populiarūs pasakojimai teigia, kad humanoidiniai robotai netrukus pasirodys prie mūsų durų dėl galingų superkompiuterių, realybė yra kur kas paprastesnė. Tyliame sandėlyje San Leandre, Kalifornijoje, fizinio dirbtinio intelekto (DI) ateitis atrodo ne kaip aptaki laboratorija, o labiau kaip „Jenga“ žaidimas. Andrew Ceja, technologijų įmonės „Encord“ specialistų treneris, dienas leidžia atsargiai traukdamas medines kaladėles iš bokšto, dėvėdamas ausines su kameromis ir smegenų veiklą fiksuojančiais elektrodais. Ši neįprasta sąranka atskleidžia esminę tiesą apie šiuolaikines technologijas: mums pritrūko skaitmeninio kuro, reikalingo robotams paversti išmaniais.

„Silicio slėnis“ pastarąjį dešimtmetį praleido naršydamas po visus interneto kampelius, kad apmokytų pokalbių robotus. Jei į DI įvedate klausimą, sistema atsako remdamasi milijardais puslapių teksto, kurį parašė žmonės. Tačiau fizinėms užduotims nėra atitinkamo „judėjimo interneto“. Robotas negali išmokti sulankstyti marškinių ar sukrauti padėklo skaitydamas „Wikipedia“ įrašą. Jam reikia duomenų, rodančių, kaip jėgos, kampai ir ketinimai sąveikauja trimačiame pasaulyje. Šis fizinės informacijos trūkumas yra pagrindinė priežastis, kodėl jūsų namuose vis dar nėra patikimo automatinio liukajaus.

Didžioji fizinių duomenų sausra

Generatyvinio DI logika paprasta: daugiau duomenų lemia geresnius rezultatus. Tai pasiteisino didiesiems kalbos modeliams, nes saitynas yra begalinė žmonių minčių biblioteka. Robotai tokios prabangos neturi. Tokios įmonės kaip „Encord“ dabar pereina nuo esamų duomenų valdymo prie naujų duomenų kūrimo nuo nulio. Iš esmės jos stato skaitmeninį fabriką žmogaus patirčiai.

Vineethas Velmuruganas, vadovaujantis robotų mokymuisi „Encord“, yra didžiųjų laboratorijų, tokių kaip „OpenAI“, veteranas. Jis aiškina, kad net didžiulės vaizdo įrašų bibliotekos, tokios kaip „YouTube“, nepakanka, kad robotas išmoktų sudėtingų manipuliacijų. Žiūrėti vaizdo įrašą, kuriame žmogus pila kavą, nėra tas pats, kas jausti kavinuko svorį ar skysčio teliūškavimą. V. Velmuruganas skaičiuoja, kad pramonei reikia duomenų rinkinio, maždaug penkis kartus didesnio už „YouTube“, kad būtų pasiektas proveržis fizinio intelekto srityje. Tai sukuria didžiulę kliūtį, nes šios informacijos rinkimui reikia tikrų žmonių, atliekančių tikras užduotis realiuoju laiku. Tai lėtas, rankinis procesas pramonėje, kuri paprastai juda šviesos greičiu.

Smegenų skaitymas mokant mašinas

Eksperimentiškiausia šios duomenų gamybos dalis apima neurotechnologijas. „Encord“ šiuo metu bando Vokietijos startuolio „Zander Labs“ ausines, kad užfiksuotų, kas vyksta žmogaus smegenyse atliekant fizinį darbą. Kai toks treneris kaip A. Ceja žaidžia „Jenga“, ausinės stebi jo smegenų bangas, kad nustatytų psichines būsenas. Jutikliai ieško nuostabos, klaidos ar intensyvaus susikaupimo signalų.

Lucas Gehrke, „Zander Labs“ neuromokslininkas, pastebi, kad šie signalai suteikia užuominų, kurias vaizdo kameros praleidžia. Jei žmogus treneris pajunta akimirką trunkantį panikos jausmą, nes bokštas tuoj grius, ši vidinė reakcija yra vertingas duomenų taškas. Ji praneša DI modeliui, kad ši konkreti akimirka yra kritinė. Susiejant vaizdo duomenis su smegenų veikla, kūrėjai gali išmokyti robotus ne tik ką daryti, bet ir kurioms akimirkoms reikia didžiausio atsargumo. Tai tarsi suteikti praktikantui mentorių, kuris gali pasidalinti savo instinktais, o ne tik instrukcijų vadovu.

Šis požiūris kiekvieną žmogaus judesį paverčia turtingu, daugiasluoksniu failu. Duomenys apima užduoties vaizdo įrašą, trenerio rankų padėtį ir jų smegenų elektrinį aktyvumą. Šis derinys sukuria didelio tikslumo žmogaus įgūdžių žemėlapį, kurį mašina galiausiai gali imituoti.

Kodėl jūsų laikas prie ekrano negali apmokyti roboto

Vidutiniam vartotojui lengva susimąstyti, kodėl negalime tiesiog naudoti milijardų valandų filmuotos medžiagos iš durų skambučių ir apsaugos kamerų šioms mašinoms apmokyti. Problema slypi perspektyvoje. Dauguma esamų vaizdo įrašų yra „trečiojo asmens“ ir juose trūksta tikslių erdvinių duomenų, kurių robotui reikia norint judinti savo galūnes. Kad tai išspręstų, „Encord“ naudoja „egocentrinį“ vaizdo įrašą, nufilmuotą iš darbą atliekančio asmens perspektyvos.

San Leandre pilotai naudoja „lyderio-sekėjo“ įrenginius. Tai suporuotos robotų rankos, kur žmogus judina vieną rinkinį, o robotas tiksliai atkartoja judesį. Kai žmogus įjungia eterneto kabelį į serverį arba krauna pokerio žetonus, kiekvienas mikro-reguliavimas yra įrašomas. Tai kur kas tiksliau nei paprastas vaizdo įrašas. Tai užfiksuoja užduoties sudėtingumą. Sofia Infante, kita pilotė objekte, demonstruoja kabelių prijungimo sudėtingumą. Net ir su pažangiais jutikliais, robotų žnyplėms trūksta žmogaus pirštų miklumo. Čia surinkti duomenys fiksuoja tas nesėkmes ir sėkmes, kad padėtų būsimiems modeliams įveikti šią spragą.

Aukšta pagamintos intuicijos kaina

Šiame naujame požiūryje į DI egzistuoja didelė ekonominė kliūtis. Teksto rinkimas iš interneto yra praktiškai nemokamas, tačiau fizinių duomenų gamyba yra brangi. „Encord“ į savo duomenis prideda tankias anotacijas, pavyzdžiui, pažymėdami konkretų judesį kaip „dešinė ranka priveržia varžtą“. V. Velmuruganas pažymi, kad šie aukštos kokybės, anotuoti duomenys yra 100 kartų vertingesni nei neapdorotas vaizdo įrašas mokant specifinių įgūdžių. Tačiau jų gamyba kainuoja 20 kartų brangiau.

Šis ekonominis poslinkis keičia pramonės trajektoriją. DI nebėra tik programinės įrangos problema, kurią galima išspręsti pasitelkus daugiau elektros energijos ir greitesnius lustus. Dabar tai logistikos ir darbo jėgos problema. Būsimų humanoidinių robotų pagrindiniai elementai yra rankų darbo, kurį atlieka specializuoti darbuotojai sandėliuose. Tai reiškia, kad perėjimas prie fizinio DI greičiausiai bus brangesnis ir lėtesnis nei perėjimas prie skaitmeninio DI. Nematomas pramonės stuburas nebėra tik silicis, bet ir fizinės žmonių trenerių pastangos.

Ką tai reiškia jūsų ateities namams

Praktiškai kalbant, smegenų bangų duomenų ir rankinio mokymo įrenginių poreikis rodo, kad specializuoti robotai pasirodys gerokai anksčiau nei bendrosios paskirties robotai. Tikėtina, kad pamatysime mašinas, kurios puikiai atlieka specifines, didelės vertės užduotis — pavyzdžiui, valdo duomenų centrus ar rūšiuoja sandėlio atsargas — anksčiau nei pamatysime robotą, galintį sutvarkyti netvarkingą virtuvę. Duomenis duomenų centrams pagaminti lengviau ir pelningiau juos rinkti.

Žvelgiant į bendrą vaizdą, šie tyrimai pabrėžia žmogaus prisilietimo vertės sugrįžimą. Net pažangiausios DI įmonės supranta, kad negali ignoruoti žmogaus kūno ir proto sudėtingumo. Kitos kartos įrenginių „slaptasis ingredientas“ yra ne naujas algoritmas, o gilesnis supratimas, kaip žmonės sąveikauja su pasauliu.

Galiausiai, fizinio DI pažanga priklauso nuo to, kaip gerai galime perkelti savo pasąmoninius įpročius į kodą. Kai ateityje pamatysite robotą, sėkmingai atliekantį užduotį, tai bus tūkstančių valandų žmogaus pilotų, dėvinčių ausines ir žaidžiančių žaidimus, rezultatas. Kelias į automatizavimą, ironiška, yra grįstas intensyviu žmogaus darbu. Vartotojams tai reiškia, kad nors technologija atsiranda, ji išlieka prabangos produktu, kurį apibrėžia didelė jos „išsilavinimo“ kaina.

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