ربات های تویوتا با یادگیری از انسان ها، کارهای خانه را انجام می دهند

شرکت خودروسازی تویوتا در حال توسعه گونه ای از ربات هاست که با مشاهده نحوه انجام کارهای خانه توسط انسان ها یاد می گیرند که چگونه عمل کنند. این پروژه نمونه ای از صنعت رباتیک است که از هوش مصنوعی مولد بهره می برد.

من به عنوان کسی که از مرتب کردن لذت می برم، خیلی خوشحال بودم که در بازدید از آزمایشگاه تحقیقاتی تویوتا در کمبریج ماساچوست در سال گذشته برای گردگیری، یک قلم مو برداشتم و مقداری لوبیا را که روی یک میز ریخته شده بود جارو کردم. این کار چالش برانگیزتر از حد معمول بود، زیرا من مجبور بودم این کار را با استفاده از یک جفت بازوی رباتیک از راه دور با چنگک های دو انگشتی به جای دست ها انجام دهم.

همانطور که جلوی میز نشستم، با استفاده از یک جفت کنترل مانند دسته دوچرخه با دکمه‌ها و اهرم‌های اضافی، می‌توانستم حس گرفتن وسایل جامد را احساس کنم، و همچنین وقتی آنها را بلند می‌کردم سنگینی آن‌ها را حس می‌کردم، اما هنوز کمی طول کشید تا به آن عادت کنم.

پس از چند دقیقه، تمیز کردن با ربات را تمام کردم و به کاوش در آزمایشگاه ادامه دادم و دوره کوتاه خود به عنوان معلم ربات ها را فراموش کردم. چند روز بعد، تویوتا ویدیویی از رباتی که خودم در حال جارو کردن با آن بودم و در واقع آنرا هدایت می کردم برای من فرستاد، شگفت انگیز بود! ربات به خودی خود می توانست جارو کند. در واقع او اینکار را از حرکات من یاد گرفته بود و توانسته بود در یک دنیای شبیه سازی شده به خوبی از عهده عمل تمیزکاری برآید.

اغلب ربات ها – به خصوص آن هایی که در انبارها یا کارخانه ها کارهای ارزشمندی انجام می دهند – تنها می توانند روال های از پیش برنامه ریزی شده ای را دنبال کنند که برای برنامه ریزی به تخصص فنی نیاز دارند. این امر آن ها را بسیار دقیق و قابل اعتماد می کند اما برای انجام کارهایی که نیاز به سازگاری و انعطاف پذیری دارند – مانند جارو کردن یا بسیاری از کارهای دیگر در خانه – کاملا نامناسب هستند. اینکه ربات ها یاد بگیرند برای خودشان کارهایی انجام دهند، به دلیل پیچیدگی و تنوع دنیای فیزیکی و محیط های انسانی و دشواری به دست آوردن داده های آموزشی کافی برای آموزش به آن ها برای کنار آمدن با تمام احتمالات، چالش برانگیز است.

نشانه هایی وجود دارد که به ما می گوید این وضعیت می تواند تغییر کند. پیشرفت های چشمگیری که طی یک سال گذشته در چت بات های هوش مصنوعی دیده ایم، بسیاری از مهندسان رباتیک را به این فکر انداخته که آیا ممکن است جهش های مشابه در حوزه های مختلف دست یافتنی باشند یا خیر. همان الگوریتم هایی که به ما، چت بات ها و مولدهای تصویر شگرفی ارائه داده اند در حال حاضر به ربات ها در یادگیری موثرتر کمک می کنند.

ربات فراگیری که من آموزش دادم، از یک سیستم یادگیری ماشینی به نام سیاست انتشار استفاده می کند، شبیه به آن هایی که به برخی از مولدهای تصویر هوش مصنوعی قدرت می دهند، تا براساس احتمالات زیاد و منابع متعدد داده، اقدام درستی برای انجام کار بعدی در کسری از ثانیه انجام دهد. این تکنیک توسط تویوتا و با هم کاری محققان به رهبری شوران سانگ، استاد دانشگاه کلمبیا که اکنون رهبری یک آزمایشگاه ربات در استنفورد را بر عهده دارد، توسعه داده شده است.

تویوتا در تلاش است تا این رویکرد را با نوعی از مدل های زبانی که زیربنای ChatGPT و رقبایش هستند، ترکیب کند. هدف این است که ربات ها با تماشای ویدئو یاد بگیرند چگونه وظایف را انجام دهند و به طور بالقوه منابعی مانند یوتیوب را به منابع آموزشی قدرتمند ربات تبدیل کنند. احتمالا کلیپ هایی از افرادی که کارهای معقول انجام می دهند به آن ها نشان داده خواهد شد نه کلیپ های مشکوک یا خطرناک که اغلب در رسانه های اجتماعی یافت می شوند.

روس تِدراک، نایب رئیس تحقیقات رباتیک در موسسه تحقیقاتی تویوتا و استاد دانشگاه MIT می گوید: ” اگر هرگز چیزی را در دنیای واقعی لمس نکرده باشید، به دست آوردن این درک تنها از طریق تماشای ویدیوهای یوتیوب دشوار خواهد بود.” تِدراک می گوید: امید این است که درک پایه ای از جهان فیزیکی همراه با داده های تولید شده در شبیه سازی، ربات ها را قادر به یادگیری اقدامات فیزیکی از تماشای کلیپ های یوتیوب کند. او می گوید رویکرد انتشار قادر است داده ها را به روشی بسیار مقیاس پذیرتر جذب کند.

تویوتا در سال ۲۰۱۵ موسسه رباتیک کمبریج را به همراه دومین موسسه و مقر خود در پالو آلتو کالیفرنیا راه اندازی کرد. در خود کشور ژاپن – مانند آمریکا و دیگر کشورهای ثروتمند – جمعیت به سرعت در حال پیر شدن است. این شرکت امیدوار است ربات هایی بسازد که بتوانند به مردم در ادامه زندگی مستقل با افزایش سن کمک کنند.

آزمایشگاه کمبریج ده ها ربات دارد که روی کارهایی از جمله پوست کندن سبزیجات، استفاده از مخلوط کن های دستی، تهیه تنقلات و فعالیت های مشابه کار می کنند. مدل های زبانی به این دلیل مفید هستند که حاوی اطلاعاتی در مورد دنیای فیزیکی هستند و به ربات ها کمک می کنند تا اشیا مقابل خود و نحوه استفاده از آن ها را درک کنند.

ربات ها می توانند اشتباه کنند، اگرچه ممکن است بازدید کنندگان را با نسخه های نمایشی خود تحت تاثیر قرار دهند. برخی از ربات ها می توانند وظایف را به راحتی انجام دهند، مانند استفاده از میکسر دستی، در حالی که برخی حتی با کارهای ساده مانند باز کردن درب بطری با چالش مواجه می شوند.

تویوتا تنها شرکت بزرگ فن آوری نیست که امیدوار است از مدل های زبانی برای پیشبرد تحقیقات رباتیک استفاده کند. برای مثال، هفته گذشته تیمی در گوگل دیپ مایند (DeepMind) نرم افزار Auto-R را معرفی کردند که از یک مدل زبانی بزرگ برای کمک به ربات ها در تعیین وظایفی استفاده می کند که می توانند به صورت واقع گرایانه و ایمن در دنیای واقعی انجام دهند.

همچنین پیشرفت هایی در سخت افزار مورد نیاز برای پیشبرد یادگیری ربات در حال انجام است. هفته گذشته گروهی در دانشگاه استنفورد به رهبری چلسی فین، ویدیوهایی از یک سیستم رباتیک تلفن همراه ارزان قیمت به نام ALOHA منتشر کردند. آنها می‌گویند وجود قابلیت حرکت برای ربات اجازه می‌دهد تا با مجموعه گسترده‌ای از وظایف مواجه شود که این امر باعث می‌شود ربات تجربه‌های گوناگونی را بیاموزد و در حالی که به راحتی می توان با ویدیوهای نمایشی ربات خیره شد، تیم ALOHA به اندازه کافی خوب بود که یک حلقه برجسته از حالت های خرابکاری را ارسال کرد که نشان می دهد ربات در حال دست و پا زدن، شکستن و ریختن اشیا است. امیدواریم یک ربات دیگر یاد بگیرد که چگونه بعد از آن تمیزکاری کند!

منبع : wired-com