Революция в роботиката: Новите ИИ модели на DeepMind позволяват на роботите да изпълняват задачи без предварително обучение (видео)

Google DeepMind представи Gemini Robotics – два нови ИИ модела, които ще дадат възможност на роботите да взаимодействат по-добре със света. Демонстрационни видеоклипове показват роботи, които изпълняват гласови команди: сгъват оригами, поставят очила в калъф и хвърлят топка в мрежа, без предварително да са им обяснени правилата на играта. Благодарение на обучението, базирано на Gemini, роботите разбират контекста, обобщават знанията си и се адаптират към новите задачи. Специално внимание се обръща на безопасността: устройствата не само избягват сблъсъците, но и оценяват безопасността на своите действия.

И двата модела са базирани на Google Gemini – мултимодалната система, която обработва текст, глас и изображения, за да отговаря на въпроси и да помага на потребителите. Първият модел, Gemini Robotics, е способен не само да анализира данните, но и да подава инструкции за физическите действия на робота. Макар че моделите са съвместими с всякакъв хардуер, те бяха тествани най-вече върху двуръката система Aloha 2, представена от DeepMind миналата година.

В демонстрационния видеоклип се подават гласови команди: „Вземи една баскетболна топка и направи забивка“. Роботизирана ръка внимателно вдига миниатюрната топка и я хвърля в мрежата. По същество роботът никога преди не се е сблъсквал с баскетбола, но базовият му модел разбира правилата на играта, знае как изглежда мрежата и какво означава „slam dunk“. Благодарение на това устройството успява да свърже понятията и да изпълни задачата в реалния свят.

Ръководителят на отдела по роботика на Google DeepMind Каролин Парада заяви, че новите модели превъзхождат предишните в три ключови аспекта: генерализация, адаптивност и сръчност. Според нея тези подобрения са необходими за създаването на „ново поколение полезни роботи“.

Обобщаването позволява на робота да прилага научените концепции в нови ситуации. Изследователите са тествали визуалната генерализация (например как роботът реагира на промяна в цвета на обекта или фона), генерализацията на командите (разбиране на различните формулировки) и генерализацията на действията (изпълнение на задачи, с които роботът не се е сблъсквал преди).

Роботите, базирани на Gemini, са по-способни да се справят с променящите се инструкции и условия. В друг видеоклип изследователят нарежда на манипулатора да постави пластмасово грозде в прозрачен контейнер, след което започва да премества три контейнера по масата, подобно на игра с напръстници. Роботът следи отблизо правилния контейнер, докато не изпълни задачата. Що се отнася до сръчността, роботизираните ръце сгъват оригами и изпълняват други деликатни задачи. Но тези резултати бяха постигнати с тесен набор от висококачествени данни, върху които роботът е бил обучен за конкретни задачи. Така че тези способности не могат да бъдат пренасяни в други ситуации.

Вторият представен модел, Gemini Robotics-ER (embodied reasoning), имитира интуитивното разбиране на физическия свят, което хората придобиват с опита си. Само като погледнем даден обект, ние можем да разберем как да взаимодействаме с него. DeepMind има за цел да научи на това изкуствения интелект.

Така например Gemini Robotics-ER идентифицира дръжката като оптималната точка за хващане на чаша за кафе – подобно на начина, по който го правят хората. Но тук има един нюанс: фокусирането върху „човешките“ данни може да бъде неефективно. За един робот, особено ако държи чаша с горещо кафе, тънката дръжка е по-малко надежден вариант, отколкото захващането на самата чаша с „пръстите“ му. В крайна сметка устройството, за разлика от човека, няма да се изгори.