Üretken yapay zeka, robotları genel amaca bir adım daha yaklaştırıyor

İnsansı robotik kapsamının çoğu anlaşılır bir şekilde donanım tasarımına odaklanmıştır. Geliştiricilerinin “genel amaçlı insansılar” ifadesini ne kadar sık ​​kullandığı göz önüne alındığında, ilk kısma daha fazla dikkat edilmesi gerekiyor. Onlarca yıl süren tek amaçlı sistemlerden sonra, daha genelleştirilmiş sistemlere geçiş büyük olacak. Henüz orada değiliz.

İki ayaklı insansı tasarımın sunduğu geniş hareket yelpazesinden tam olarak yararlanabilecek bir robotik zeka üretme çabası, araştırmacılar için önemli bir konu olmuştur. Üretken yapay zekanın robot biliminde kullanımı da son zamanlarda çok konuşulan bir konu. MIT’in yeni araştırması, ikincisinin ilkini nasıl derinden etkileyebileceğine işaret ediyor.

Genel amaçlı sistemlere giden yolda en büyük zorluklardan biri eğitimdir. İnsanlara farklı işleri nasıl yapacaklarını öğretmek için en iyi uygulamalar konusunda sağlam bir anlayışa sahibiz. Robotiğe yönelik yaklaşımlar umut verici olsa da parçalıdır. Takviye ve taklit öğrenme de dahil olmak üzere pek çok umut verici yöntem var, ancak gelecekteki çözümler büyük olasılıkla bu yöntemlerin üretken yapay zeka modelleriyle desteklenen kombinasyonlarını içerecektir.

MIT ekibinin önerdiği başlıca kullanım senaryolarından biri, bu küçük, göreve özel veri kümelerinden ilgili bilgileri derleme yeteneğidir. Yönteme Politika Bileşimi (PoCo) adı verildi. Görevler arasında çivi çakmak ve spatulayla eşyaları çevirmek gibi faydalı robot eylemleri yer alıyor.

“[Researchers] Belirli bir veri kümesini kullanarak bir görevi tamamlamak için bir strateji veya politika öğrenmek üzere ayrı bir yayılma modeli eğitin,” diye belirtiyor okul. “Daha sonra, yayılma modelleri tarafından öğrenilen politikaları, bir robotun çeşitli ortamlarda birden fazla görevi yerine getirmesini sağlayan genel bir politikada birleştiriyorlar.”

MIT’e göre yayılma modellerinin dahil edilmesi görev performansını %20 artırdı. Bu, birden fazla araç gerektiren görevleri yürütme yeteneğinin yanı sıra, alışılmadık görevleri öğrenme/adapte etme yeteneğini de içerir. Sistem, farklı veri kümelerinden gelen ilgili bilgileri, bir görevi gerçekleştirmek için gereken bir eylem zinciri halinde birleştirebilmektedir.

Makalenin baş yazarı Lirui Wang, “Bu yaklaşımın faydalarından biri, her iki dünyanın da en iyisini elde etmek için politikaları birleştirebilmemizdir” diyor. “Örneğin, gerçek dünya verileriyle eğitilmiş bir politika daha fazla beceri elde edebilirken, simülasyonla eğitilmiş bir politika daha fazla genelleme sağlayabilir.”

Bu özel çalışmanın amacı, robotların farklı görevleri gerçekleştirmek için farklı araçları değiştirmesine olanak tanıyan zeka sistemlerinin oluşturulmasıdır. Çok amaçlı sistemlerin yaygınlaşması, sektörü genel amaçlı hayallere bir adım daha yaklaştıracaktır.