هوش مصنوعی می تواند به ربات ها کمک کند تا مهارت های جدید را بیاموزند و به سرعت با دنیای واقعی سازگار شوند.
سگ ربات مانند سوسکی خشمگین پاهایش را در هوا تکان می دهد. پس از 10 دقیقه تقلا، موفق می شود به جلوی خود بغلتد. نیم ساعت بعد، ربات در حال برداشتن اولین قدم های ناشیانه خود، مانند یک گوساله تازه متولد شده است. اما پس از یک ساعت، ربات با اطمینان در اطراف آزمایشگاه می چرخد.
چیزی که این ربات چهار پا را خاص می کند این است که یاد گرفت همه این کارها را به تنهایی انجام دهد، بدون اینکه در یک شبیه سازی کامپیوتری به او نشان داده شود که چه کاری باید انجام دهد.
دانیجار هافنر و همکارانش در دانشگاه کالیفرنیا، برکلی، از یک تکنیک هوش مصنوعی به نام یادگیری تقویتی استفاده کردند که الگوریتم‌ها را با پاداش دادن به آنها برای اقدامات دلخواه آموزش می‌دهد تا به ربات آموزش دهند تا از ابتدا در دنیای واقعی راه برود . این تیم از همین الگوریتم برای آموزش موفقیت آمیز سه روبات دیگر استفاده کرد، مانند ربات هایی که می توانست توپ ها را برداشته و آنها را از یک سینی به سینی دیگر منتقل کند.
به طور سنتی، ربات ها قبل از اینکه بخواهند کاری در دنیای واقعی انجام دهند، در یک شبیه ساز کامپیوتری آموزش می بینند. به عنوان مثال، یک جفت پای ربات به نام Cassie به خود آموخت که با استفاده از یادگیری تقویتی راه برود، اما تنها پس از انجام این کار در یک شبیه سازی.
مشکل این است که شبیه ساز شما هرگز به اندازه دنیای واقعی دقیق نخواهد بود. هافنر که با همکارانش الخاندرو اسکانترلا و فیلیپ وو در این پروژه کار کرده و اکنون کارآموز DeepMind است، می‌گوید: او می‌گوید تطبیق درس‌های شبیه‌ساز با دنیای واقعی نیز به مهندسی بیشتری نیاز دارد.
در عرض چند سال، هر کاری که قبلاً برای انجام آن نیاز به دست داشت، می‌تواند تا حدی یا به طور کامل خودکار شود.
الگوریتم این تیم که Dreamer نام دارد، از تجربیات گذشته برای ساختن مدلی از دنیای اطراف استفاده می کند. Dreamer همچنین به ربات اجازه می دهد تا محاسبات آزمون و خطا را در یک برنامه کامپیوتری بر خلاف دنیای واقعی، با پیش بینی نتایج بالقوه آینده اقدامات بالقوه خود انجام دهد. این به آن اجازه می دهد تا سریعتر از آنچه که صرفاً با انجام دادن می تواند یاد بگیرد. زمانی که ربات راه رفتن را یاد گرفت، به یادگیری سازگاری با موقعیت‌های غیرمنتظره مانند مقاومت در برابر واژگون شدن توسط چوب ادامه داد.
لرل پینتو، استادیار علوم کامپیوتر در دانشگاه نیویورک، که متخصص در رباتیک و یادگیری ماشینی است، می‌گوید: «آموزش ربات‌ها از طریق آزمون و خطا، مشکلی دشوار است، که به دلیل زمان‌های آموزشی طولانی که چنین آموزشی به آن نیاز دارد، سخت‌تر می‌شود. او می گوید که Dreamer نشان می دهد که یادگیری تقویتی عمیق و مدل های جهانی قادر به آموزش مهارت های جدید به روبات ها در مدت زمان بسیار کوتاهی هستند.
جاناتان هرست، استاد رباتیک در دانشگاه ایالتی اورگان، می‌گوید این یافته‌ها، که هنوز توسط همتایان مورد بررسی قرار نگرفته‌اند، روشن می‌سازد که "یادگیری تقویتی ابزاری سنگ بنای آینده در کنترل ربات خواهد بود."
حذف شبیه ساز از آموزش ربات مزایای زیادی دارد. هافنر می‌گوید این الگوریتم می‌تواند برای آموزش روبات‌ها برای یادگیری مهارت‌ها در دنیای واقعی و سازگاری با موقعیت‌هایی مانند خرابی‌های سخت‌افزاری مفید باشد – برای مثال، یک ربات می‌تواند راه رفتن با یک موتور معیوب را در یک پا یاد بگیرد.
استفانو آلبرشت، استادیار هوش مصنوعی در دانشگاه ادینبورگ، می‌گوید: این رویکرد همچنین می‌تواند پتانسیل زیادی برای چیزهای پیچیده‌تری مانند رانندگی خودکار داشته باشد که نیاز به شبیه‌سازهای پیچیده و گران قیمت دارد. آلبرشت می‌گوید: نسل جدیدی از الگوریتم‌های یادگیری تقویتی می‌توانند «به سرعت در دنیای واقعی نحوه عملکرد محیط را تشخیص دهند».
پینتو می‌گوید، اما برخی از مشکلات بزرگ حل نشده وجود دارد.
با یادگیری تقویتی، مهندسان باید در کد خود مشخص کنند که کدام رفتار خوب است و در نتیجه پاداش می گیرد و کدام رفتار نامطلوب است. در این صورت برگرداندن و راه رفتن خوب است در حالی که راه نرفتن بد است. پینتو می‌گوید: «یک متخصص رباتیک باید این کار را برای هر کار [یا] مشکلی که می‌خواهد ربات حل کند، انجام دهد. این کار بسیار وقت گیر است و برنامه ریزی رفتارها برای موقعیت های غیرمنتظره دشوار است.
آلبرشت می‌گوید در حالی که شبیه‌سازها می‌توانند نادرست باشند، مدل‌های جهانی نیز می‌توانند نادرست باشند. او می‌گوید: «مدل‌های جهانی از هیچ شروع می‌شوند، بنابراین در ابتدا پیش‌بینی‌های مدل‌ها کاملاً در همه جا انجام می‌شود. زمان می برد تا آنها داده های کافی برای درست کردن آنها به دست آورند.
هافنر می گوید در آینده، خوب است که به ربات یاد دهیم که دستورات گفتاری را بفهمد. هافنر می‌گوید این تیم همچنین می‌خواهد دوربین‌هایی را به سگ ربات متصل کند تا به او بینایی بدهد. این به آن امکان می‌دهد در موقعیت‌های پیچیده داخلی، مانند راه رفتن به اتاق، پیدا کردن اشیا، و – بله! – بازی کردن واکشی، حرکت کند.
یکی از پدرخوانده‌های یادگیری عمیق ایده‌های قدیمی را گرد هم می‌آورد تا مسیر جدیدی را برای هوش مصنوعی ترسیم کند، اما به همان اندازه که پاسخ می‌دهد سوالاتی را مطرح می‌کند.
Google Brain از هوش مصنوعی تصویرسازی خود به نام Imagen رونمایی کرد. اما انتظار نداشته باشید چیزی را ببینید که سالم نیست.
برخی نگرانند که صحبت در مورد این ابزارها به کل حوزه آسیب وارد کند.
گروهی متشکل از بیش از 1000 محقق هوش مصنوعی یک مدل زبان بزرگ چندزبانه بزرگتر از GPT-3 ایجاد کرده اند – و آن را به صورت رایگان ارائه می کنند.
پیشنهادهای ویژه، داستان های برتر، رویدادهای آینده و موارد دیگر را کشف کنید.
از اینکه ایمیل خود را ثبت کردید، متشکریم!
به نظر می رسد مشکلی پیش آمده است.
ما در ذخیره تنظیمات برگزیده شما با مشکل روبرو هستیم. سعی کنید این صفحه را بازخوانی کنید و یک بار دیگر آنها را به روز کنید. اگر همچنان این پیام را دریافت می‌کنید، با فهرستی از خبرنامه‌هایی که می‌خواهید دریافت کنید، از طریق customer-service@technologyreview.com با ما تماس بگیرید.
گزارش‌های عمیق ما نشان می‌دهد که در حال حاضر چه اتفاقی می‌افتد تا شما را برای اتفاقات بعدی آماده کند.
اشتراک در برای حمایت از روزنامه نگاری ما
© 2022 بررسی فناوری MIT
source
قیمت شینگل
موکت
پارکت
تکنولوژی خبری
جهان خبری
اتو خبری
فرهنگی خبری
سرگرمی خبری
ورزشی خبری
اقتصادی خبری
علمی خبری
سلامتی خبری
علمی خبری
ورزشی خبری
فرهنگی خبری
اقتصادی خبری
با افتخار قدرت گرفته از WordPress | Theme: Newsup by Themeansar.