Aizmirstiet ažiotāžu — noslēpums gudrākiem robotiem ir cilvēks ar austiņām

Lai gan populāri naratīvi liecina, ka humanoīdie roboti drīz nonāks pie mūsu namdurvīm, pateicoties masīviem superdatoriem, realitāte ir daudz piezemētāka. Klusā noliktavā Sanleandro, Kalifornijā, fiziskā mākslīgā intelekta (MI) nākotne izskatās mazāk pēc gludas laboratorijas un vairāk pēc Jenga spēles. Endrū Ceha (Andrew Ceja), tehnoloģiju firmas Encord speciālists-treneris, pavada savas dienas, uzmanīgi velkot koka blokus no torņa, valkājot austiņas, kas aprīkotas ar kamerām un smadzeņu uztveršanas elektrodiem. Šis neparastais uzstādījums atklāj fundamentālu patiesību par mūsdienu tehnoloģijām: mums ir beigusies digitālā degviela, kas nepieciešama, lai padarītu robotus gudrus.

Silīcija ieleja pēdējo desmitgadi ir pavadījusi, pārmeklējot katru interneta stūri, lai apmācītu tērzēšanas robotus. Ja ierakstāt jautājumu MI, sistēma atbild, balstoties uz miljardiem lapu teksta, ko sarakstījuši cilvēki. Tomēr fiziskiem uzdevumiem nav līdzvērtīga "kustību interneta". Robots nevar iemācīties salocīt kreklu vai sakraut paleti, izlasot Vikipēdijas ierakstu. Tam ir nepieciešami dati, kas parāda, kā spēki, leņķi un nodomi mijiedarbojas trīsdimensiju pasaulē. Šis fiziskās informācijas trūkums ir galvenais iemesls, kāpēc jūsu mājās joprojām trūkst uzticama automatizēta sulaiņa.

Lielais fizisko datu sausums

Ģeneratīvā MI loģika ir vienkārša: vairāk datu nodrošina labākus rezultātus. Tas darbojās lielajiem valodas modeļiem, jo tīmeklis ir bezgalīga cilvēka domas bibliotēka. Robotiem nav šādas greznības. Uzņēmumi, piemēram, Encord, tagad pāriet no esošo datu pārvaldības uz jaunu datu ražošanu no nulles. Tie būtībā būvē digitālu rūpnīcu cilvēka pieredzei.

Vinīts Velmurugans (Vineeth Velmurugan), kurš vada robotu apmācību Encord, ir veterāns no tādām nozīmīgām laboratorijām kā OpenAI. Viņš skaidro, ka pat masīva video bibliotēka, piemēram, YouTube, ir nepietiekama, lai robots iemācītos sarežģītas manipulācijas. Noskatīties video, kā cilvēks lej kafiju, nav tas pats, kas sajust kannas svaru vai šķidruma šļakstēšanu. Velmurugans lēš, ka nozarei ir nepieciešama datu kopa, kas ir aptuveni piecas reizes lielāka par YouTube, lai sasniegtu izrāvienu fiziskajā intelektā. Tas rada milzīgu sastrēguma punktu, jo šīs informācijas vākšanai ir nepieciešami reāli cilvēki, kas veic reālus uzdevumus reālajā laikā. Tas ir lēns, manuāls process nozarē, kas parasti pārvietojas gaismas ātrumā.

Domu lasīšana, lai mācītu mašīnas

Eksperimentālākā šīs datu ražošanas daļa ietver neirotehnoloģijas. Encord pašlaik testē Vācijas jaunuzņēmuma Zander Labs austiņas, lai reģistrētu, kas notiek cilvēka smadzenēs manuāla darba laikā. Kad tāds treneris kā Ceha spēlē Jenga, austiņas izseko viņa smadzeņu viļņus, lai noteiktu mentālos stāvokļus. Sensori meklē pārsteiguma, kļūdas vai intensīvas koncentrēšanās signālus.

Lūkass Gērke (Lucas Gehrke), neirozinātnieks no Zander Labs, atzīmē, ka šie signāli sniedz norādes, ko videokameras palaiž garām. Ja cilvēks-treneris izjūt panikas mirkli, jo tornis tūlīt nogāzīsies, šī iekšējā reakcija ir vērtīgs datu punkts. Tas pasaka MI modelim, ka šis konkrētais brīdis ir kritisks. Marķējot video datus ar smadzeņu darbību, izstrādātāji var iemācīt robotiem ne tikai to, ko darīt, bet arī to, kuri mirkļi prasa vislielāko piesardzību. Tas ir tāpat kā iedot praktikantam mentoru, kurš var dalīties ar saviem instinktiem, nevis tikai ar instrukciju rokasgrāmatu.

Šī pieeja pārvērš katru cilvēka kustību bagātīgā, daudzslāņainā failā. Dati ietver uzdevuma video, trenera roku stāvokli un viņu smadzeņu elektrisko aktivitāti. Šī kombinācija izveido augstas precizitātes cilvēka prasmju karti, kuru mašīna galu galā var atdarināt.

Kāpēc jūsu ekrāna laiks nevar apmācīt robotu

Vidējam patērētājam ir viegli brīnīties, kāpēc mēs nevaram vienkārši izmantot miljardiem stundu materiālu no durvju zvaniem un drošības kamerām, lai apmācītu šīs mašīnas. Problēma slēpjas perspektīvā. Lielākā daļa esošo video ir "trešās personas" skatījumā, un tiem trūkst precīzu telpisko datu, kas robotam nepieciešami, lai kustinātu savas ekstremitātes. Lai to atrisinātu, Encord izmanto "egocentrisku" video, kas tiek filmēts no tās personas perspektīvas, kura veic darbu.

Sanleandro piloti izmanto "līderis-sekotājs" iekārtas. Tās ir sapārotas robotu rokas, kur cilvēks kustina vienu komplektu, un robots precīzi atdarina kustību. Kamēr cilvēks pievieno ethernet kabeli serverim vai kārto pokera žetonus, tiek reģistrēta katra mikrokorekcija. Tas ir daudz precīzāk nekā vienkāršs video. Tas fiksē uzdevuma grūtības. Sofija Infante, cita pilote šajā objektā, demonstrē kabeļu pievienošanas sarežģītību. Pat ar uzlabotiem sensoriem robotu spailēm trūkst cilvēka pirkstu veiklības. Šeit savāktie dati reģistrē šīs neveiksmes un panākumus, lai palīdzētu nākotnes modeļiem pārvarēt šo plaisu.

Ražotās intuīcijas augstās izmaksas

Šajā jaunajā pieejā MI ir būtisks ekonomisks šķērslis. Teksta iegūšana no tīmekļa ir praktiski bezmaksas, bet fizisko datu ražošana ir dārga. Encord saviem datiem pievieno blīvas anotācijas, piemēram, marķējot konkrētu kustību kā "labā roka pievelk skrūvi". Velmurugans atzīmē, ka šie augstas kvalitātes, anotētie dati ir 100 reizes vērtīgāki par neapstrādātu video specifisku prasmju apguvei. Tomēr to ražošana izmaksā 20 reizes dārgāk.

Šīs izmaiņas ekonomikā maina nozares trajektoriju. MI vairs nav tikai programmatūras problēma, ko var atrisināt ar vairāk elektrības un ātrākām mikroshēmām. Tagad tā ir loģistikas un darbaspēka problēma. Nākotnes humanoīdo robotu būvakmeņus noliktavās ar rokām veido specializēti darbinieki. Tas nozīmē, ka pāreja uz fizisko MI, visticamāk, būs dārgāka un lēnāka nekā pāreja uz digitālo MI. Nozares neredzamais mugurkauls vairs nav tikai silīcijs, bet gan cilvēku-treneru fiziskais darbs.

Ko tas nozīmē jūsu nākotnes mājai

Praktiski runājot, smadzeņu viļņu datu un manuālo apmācības iekārtu izmantošana liecina, ka specializēti roboti parādīsies krietni pirms vispārēja lietojuma robotiem. Mēs, visticamāk, redzēsim mašīnas, kas ir izcilas specifiskos, augstas vērtības uzdevumos — piemēram, datu centru pārvaldībā vai noliktavas inventāra šķirošanā —, pirms redzēsim robotu, kas spēj iztīrīt nekārtīgu virtuvi. Datus datu centriem ir vieglāk saražot un izdevīgāk savākt.

Raugoties uz kopējo ainu, šis pētījums uzsver atgriešanos pie cilvēka pieskāriena vērtības. Pat vismodernākie MI uzņēmumi saprot, ka tie nevar ignorēt cilvēka ķermeņa un prāta sarežģītību. Nākamās paaudzes ierīču "slepenā sastāvdaļa" nav jauns algoritms, bet gan dziļāka izpratne par to, kā cilvēki mijiedarbojas ar pasauli.

Galu galā fiziskā MI progress ir atkarīgs no tā, cik labi mēs spējam tulkot savus zemapziņas ieradumus kodā. Kad nākotnē redzēsiet robotu veiksmīgi izpildām uzdevumu, tas būs rezultāts tūkstošiem stundu, ko cilvēki-piloti pavadījuši, valkājot austiņas un spēlējot spēles. Ceļu uz automatizāciju, ironiskā kārtā, bruģē intensīvs cilvēka darbs. Patērētājiem tas nozīmē, ka, lai gan tehnoloģija parādās, tā joprojām ir premium produkts, ko definē tā izglītības augstās izmaksas.

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