Денешните роботи изгледаат и се однесуваат многу посложени од нивните претходници од фабриките, но сепак не се на нивото на човечките способности во извршувањето на секојдневните задачи. Иако можат да трчаат, скокаат или дури и да одржуваат основни разговори, дури и најнапредните роботи имаат проблем да прават едноставни работи како што се диплење алишта или наоѓање шолја во неуредна просторија. Иронично, она што е лесно за луѓето е често тешко за роботите.
Роботите станаа сеприсутни. Во производството, роботските раце помагаат во индивидуалните задачи со децении, а во логистиката, компаниите како Amazon и Walmart користат роботи за преместување товар и сортирање пакети. Boston Dynamics развива роботи кои можат да преместуваат кутии во магацини, додека рестораните експериментираат со роботи за испорака за да служат храна. Amazon, на пример, веќе има имплементирано повеќе од 750.000 роботи во своите операции.
Но, и покрај нивните импресивни способности, роботите сè уште не им се дораснати на луѓето кога станува збор за извршување на „обични“ задачи. Напредниот софтвер може да биде одличен во шахот, но кога станува збор за препознавање и подигање на само една шаховска фигура од нередот, роботите се соочуваат со неочекувано голем предизвик. Слично на тоа, роботот за подготовка на кафе може да работи брзо, но би имал многу проблеми со лоцирање и повторно загревање стара шолја кафе.
Иако роботите постигнаа неверојатни успеси, како што е патувањето на Марс, тие сепак имаат проблем со извршување на едноставни задачи, како што е собирањето намирници. Ова се нарекува Моравецов парадокс – концепт кој вели дека роботите се добри во тешки работи што се предизвик за луѓето, но лоши во секојдневните задачи кои на луѓето им се лесни. Овој парадокс, првпат опишан во 1988 година, сè уште ги збунува експертите денес.
За TEDTalk, професорот Кен Голдберг од Универзитетот во Беркли истакна три клучни предизвици за роботите: перцепција, контрола и физика.
Предизвикот на перцепцијата: Како роботите го „гледаат“ светот
Роботите користат камери и сензори како што е лидар за навигација во вселената, но овие алатки не се толку сигурни како човечката визија. Автономните автомобили, на пример, можат да направат грешки кога се изложени на силни светла или неочекувани пречки како автомобили со конуси на покривот. Во магацините, роботите за сортирање како што е Sparrow на Amazon се успешни во прецизно дефинирани рамки, но се мачат кога треба да извлечат различни предмети.
Предизвикот на контролата: Поврзување на видот и движењето
Човечката визија и движење еволуирале во текот на милиони години за да работат во совршена хармонија, но роботите ја немаат таа предност. Камерите и сензорите на роботите честопати не се целосно усогласени со нивните раце или држачи, што доведува до несмасност, како што е паѓање на предмети. Затоа, на пример, роботите за достава во рестораните можат да донесат чинија на масата, но сепак не можат да му ја предадат на гостинот - таа задача е препуштена на луѓето.
Предизвикот на физиката: Неизбежни варијации
Роботите исто така имаат проблем да се прилагодат на малите варијации во физичките услови. Пример е робот кој турка шише преку маса - иако ја користи истата сила и движења, шишето секогаш завршува на малку поинакво место поради микроскопски неправилности на површината на масата. Луѓето природно се прилагодуваат на таквите варијации, но роботите тешко се справуваат со тоа.
Роботите се одлични во контролирани услови, но кога се соочуваат со непредвидливи ситуации често се заглавуваат. На пример, додека човекот лесно ќе најде излез од непозната просторија, роботот може да бара врата на таванот или подот. Овие мали нијанси, како маневрирање на предмети или мешање пијалаци, се попредизвикувачки од импресивни подвизи како вселенските мисии.
„Роботите можат да стигнат до Марс, но не можат да соберат намирници“, сликовито заклучува професорката Фумија Иида.
Роботиката се соочува со голем предизвик – како да се создадат роботи кои можат да учат од различни ситуации и да се прилагодат на новите задачи, наместо да бидат ограничени на одредени улоги. Истражувачите сега се обидуваат да го решат овој проблем со развивање на т.н на „општи мозоци на роботи“, кои користат лекции научени од големи јазични модели како GPT. Целта е да се создадат роботи кои можат да учат од широк опсег на податоци и да станат поразновидни.
Развојот на големи јазични модели беше возможен благодарение на трилиони параметри собрани од текстови, слики и видеа од интернет. Но, во светот на роботиката не постои „интернет со податоци“ за обука на роботи. На роботите им се потребни реални, физички услови за собирање податоци, процес кој одзема многу време и најчесто се одвива во лаборатории. Дополнително, роботите често се специјализирани за одредени задачи, така што податоците од еден робот, како што е оној за товарење товар, не се корисни за друг што вадење предмети од контејнер.
За да се премости тој јаз, истражувачите од Google, UC Berkeley и 32 други лаборатории го развиваат проектот RT-X. Тие ја создадоа најголемата отворена база на податоци за акции на роботи, која содржи реални искуства на роботи кои имаат завршено околу 500 различни задачи. Оваа база на податоци им овозможува на роботите да се обучуваат користејќи длабоко учење во симулирани средини.
Процесот е опишан како роботите да „сонуваат“ – користат податоци релевантни за нивните цели, како што се подобрување на механичките краци и прилагодување на тие информации. Истражувачите го споредуваат овој концепт со луѓето кои учат различни вештини, како што се возење велосипед или возење автомобил, користејќи ист мозок.
Boston Dynamics веќе покажува што можат да постигнат ваквите напредни системи. Нивниот хуманоиден робот Atlas неодамна успешно ги лоцираше, подигна и поместуваше капаците на мотор во демо-соба - сето тоа целосно автономно, без претходно поставени движења или далечински управувач. Демото покажа и како Atlas ги открива грешките и се прилагодува во реално време, што е клучен чекор кон пофлексибилни и разновидни роботи.
Додека роботите како Atlas сè уште не се подготвени за секојдневните задачи како што се правење коктели или диплење алишта, овие достигнувања укажуваат на насоката во која се движи индустријата. Со сè поголемите бази на податоци и подобрените методи на учење, „општите роботски мозоци“ би можеле да ја отворат вратата за новата генерација на разновидни роботи кои се прилагодуваат на светот околу нив.
