Kaip žmogaus ir mašinos proto derinys gali padaryti robotus protingesnius

Ši roboto ranka retkarčiais paliečia žmogaus valdymą, nes išmoksta suvokti skirtingus objektus.

Slaptas Kanados startuolis, pavadintas Kindred AI, moko robotus, kaip atlikti sudėtingas vikrias užduotis viršžmogišku greičiu, suporuodamas juos su pilotais, dėvinčiais virtualios realybės ausines ir laikančius judesio sekimo valdiklius.

Ši technologija suteikia nuostabų žvilgsnį į tai, kaip žmonės gali dirbti sinchronizuodami su mašinomis ateityje, ir parodo, kaip žmogaus galimybių panaudojimas gali sustiprinti automatizuotų sistemų galimybes. Nepaisant visų rūpesčių dėl robotų ir dirbtinio intelekto, panaikinančių darbo vietas, yra daugybė dalykų, kurių mašinos vis dar negali padaryti. Įmonė demonstravo aparatūrą MIT technologijų apžvalga praėjusią savaitę ir teigia, kad artimiausiais mėnesiais planuoja pristatyti prekybininkams skirtą produktą. Ilgalaikės ambicijos kur kas didingesnės. Giminės tikisi, kad šis žmogaus padedamas mokymasis paskatins iš esmės naują ir galingesnę dirbtinio intelekto rūšį.

Kindred sukūrė keli žmonės iš D-Wave, kvantinių skaičiavimų įmonės, įsikūrusios Burnaby mieste, Kanadoje. Kindred šiuo metu bando įprastas pramonines robotų rankas, galinčias sugriebti ir padėti daiktus, kuriuos gali būti nepatogu valdyti, pavyzdžiui, mažus drabužius, greičiau ir patikimiau, nei būtų įprastai įmanoma. Ginklai tai daro retkarčiais prašydami pagalbos iš žmonių komandos, kuri naudoja virtualios realybės aparatinę įrangą, kad peržiūrėtų iššūkį ir laikinai perimtų rankos valdymą.

Pilotas gali matyti, girdėti ir jausti, ką mato, girdi ir jaučia robotas. Kai pilotas veikia, šie veiksmai pajudina robotą, sako Geordie Rose, kuris yra „Kindred“ įkūrėjas ir generalinis direktorius, kuris anksčiau buvo „D-Wave“ įkūrėjas. Tai leidžia mums parodyti robotams, kaip elgtis kaip žmonės. Žmonės nėra greičiausi ar geriausi visais roboto valdymo aspektais, pavyzdžiui, padėti daiktus tam tikrose vietose, tačiau žmonės vis tiek geriausiai supranta sudėtingas ar nenumatytas situacijas.

Kindred sistema naudoja kelis mašininio mokymosi algoritmus ir bando numatyti, ar vienas iš jų duos norimą rezultatą, pvz., daikto suvokimą. Jei nė vienas neatrodo didelės sėkmės tikimybės, reikia žmogaus pagalbos. Svarbiausia, kad algoritmai mokosi iš žmogaus valdiklio veiksmų. Kad tai pasiektų, įmonė naudoja mokymosi sustiprinimo formą – metodą, apimantį eksperimentavimą ir elgesio stiprinimą, vedantį į tam tikrą tikslą (žr. 10 Breakthrough Technologies 2017: Inforcement Learning).

Rose sako, kad sistema gali sugriebti mažus drabužius maždaug dvigubai greičiau nei žmogus, dirbantis savarankiškai, o savarankiškai dirbantis robotas būtų pernelyg nepatikimas. Vienas žmogus taip pat gali valdyti kelis robotus vienu metu.

Rose priduria, kad „Kindred“ tiria visas „žmogaus kilpoje“ sistemas – nuo ​​tų, kuriose žmogus tiesiog spustelėja paveikslėlį, kad parodytų robotui, kur ką nors sučiupti, iki viso kūno egzoskeletų, kurie leidžia valdyti humanoidinį robotą. Jis sako, kad pilotai dažniausiai išmoksta efektyviai valdyti nuotolinę robotų sistemą. Kai naudojate valdymo aparatą, iš pradžių tai labai erzina, bet žmonių mintys yra labai plastiškos, ir jūs prisitaikote, sako Rose.

Techninio įkvėpimo technologijai suteikė Suzanne Gildert, kuri anksčiau buvo D-Wave vyresnioji mokslo darbuotoja ir yra Kindred vyriausioji mokslo pareigūnė. Bendrovė keletą metų veikė slaptu režimu, tačiau atkreipė dėmesį į Gilderto pateikto patento detales. pasirodė internete . Patente aprašoma skirtingų teleoperacijų sistemų ir mašininio mokymosi derinimo schema. Iš tiesų, atrodo, kad Kindred savo technologijos vizija neapsiriboja robotų, įgudusių rūšiuoti, kūrimu.

Idėja buvo tokia, kad jei galėtumėte tai daryti pakankamai ilgai ir jei mokydamiesi turėtumėte tam tikrą AI sistemą, galbūt galėtumėte išbandyti daugybę skirtingų AI modelių ir pamatyti, kurie iš jų treniruojasi geriau, sako Gildertas. Galiausiai maniau, kad jei žmogus gali ką nors demonstruoti per robotą, tai nėra jokios priežasties, kad robotas negalėtų išmokti būti labai panašus į žmogų.

Labiausiai akį traukia tai, kad Kindred patente netgi buvo aprašyta galimybė, kad tokias sistemas valdytų gyvūnai, pavyzdžiui, beždžionės. Gildertas sako, kad tai buvo spekuliatyvi idėja, ir šiuo metu įmonėje nėra įdarbinta beždžionių. Tačiau ji sako, kad įmonė turi robotą katę, išmokytą taikant sustiprinimo mokymąsi, klaidžiojančią po jos biurą.

Kindred taip pat yra šiek tiek neįprasta, nes jos įkūrėjai yra fizikai, o ne robotai ar kompiuterių mokslininkai. Tačiau Rose teigia, kad tai suteikia unikalią ir vertingą perspektyvą. Jis sako, kad kompiuterių mokslininkams riba tarp modeliavimo ir realaus pasaulio kartais būna neryški. Mes labai mėgstame daryti tokius dalykus, kuriuos darome tikruose robotuose realiame pasaulyje.

Panašu, kad „Kindred“ taikomas požiūris turi didžiulį potencialą. Kenas Goldbergas Kalifornijos universiteto Berklyje profesorius, besispecializuojantis mašininio mokymosi ir robotikos srityse, teigia, kad žmogaus įgūdžių panaudojimas žymiai pagreitins robotų mokymąsi. Goldbergas, kuris, be kita ko, dirba su panašiu robotų chirurgijos metodu, priduria, kad robotų mokymasis iš žmonių yra labai aktyvi tyrimų sritis. Goldbergas sako, kad tai yra esminė, mano manymu, didelė galimybė robotikoje. Žmonių demonstravimas yra labai naudingas.

Tačiau techniniai iššūkiai, susiję su mokymusi žmogaus nuotoliniu būdu, nėra nereikšmingi. Sangbae Kim MIT docentas, dirbantis su nuotoliniu būdu valdomais humanoidiniais robotais, sako, kad žmogaus valdymo susiejimas su mašinos veiksmais yra neįtikėtinai sudėtingas. Pirmasis iššūkis yra sekti žmogaus judesius, pritvirtinant standžius ryšius prie žmogaus odos. Tai labai sunku, nes esame endoskeleto gyvūnai, sako Kim. Didesnis iššūkis yra iš tikrųjų suprasti visas žmonių sprendimų priėmimo žingsnių detales, kurių dauguma vyksta nesąmoningai.

Vis dėlto „Kindred“ įkūrėjai neatrodo bauginantys. Mūsų tikslas yra dekonstruoti pažinimą, sako Rose. Visos gyvos būtybės laikosi tam tikrų elgesio ir veiksmų modelių. Mes stengiamės sukurti mašinas, kurių principai būtų tokie patys.

paslėpti