211service.com
Eine KI-gesteuerte Roboterhand hat hundert Jahre damit verbracht, sich selbst beizubringen, einen Würfel zu drehen
Daktylus
KI-Forscher demonstriert haben ein selbstlernender Algorithmus, der einer Roboterhand bemerkenswerte neue Geschicklichkeit verleiht. Ihre Kreation hat sich selbst beigebracht, einen Würfel mit unheimlicher Geschicklichkeit zu manipulieren, indem sie das Äquivalent von hundert Jahren in einer Computersimulation geübt haben (obwohl nur wenige Tage in Echtzeit).
Die Roboterhand ist noch lange nicht so agil wie die menschliche und viel zu ungeschickt, um in einer Fabrik oder einem Lager eingesetzt zu werden. Trotzdem zeigt die Forschung das Potenzial des maschinellen Lernens, um neue Roboterfähigkeiten zu erschließen. Es deutet auch darauf hin, dass sich Roboter eines Tages in virtuellen Welten selbst neue Fähigkeiten beibringen könnten, was den Prozess der Programmierung oder des Trainings erheblich beschleunigen könnte.
Das Robotersystem mit dem Namen Dactyl wurde von Forschern bei entwickelt OpenAI , eine gemeinnützige Organisation mit Sitz im Silicon Valley. Es verwendet eine handelsübliche Roboterhand von einer britischen Firma namens Shadow, eine gewöhnliche Kamera und einen Algorithmus, der bereits ein weitläufiges Multiplayer-Videospiel, DotA, gemeistert hat, und verwendet den gleichen selbstlernenden Ansatz (siehe Ein Team von KI-Algorithmen nur zermalmte Menschen in einem komplexen Computerspiel).
Der Algorithmus verwendet eine maschinelle Lerntechnik, die als Verstärkungslernen bekannt ist. Dactyl erhielt die Aufgabe, einen Würfel so zu manövrieren, dass eine andere Seite umgedreht wurde. Es blieb, durch Versuch und Irrtum herauszufinden, welche Bewegungen die gewünschten Ergebnisse erzielen würden.
Videos von Dactyl zeigen, wie er den Würfel mit beeindruckender Beweglichkeit dreht. Es hat automatisch mehrere Griffe herausgefunden, die Menschen üblicherweise verwenden. Die Forschung zeigte aber auch, wie weit die KI noch gehen muss: Nur 13 von 50 Mal konnte der Roboter den Würfel nach seiner hundertjährigen virtuellen Trainingszeit erfolgreich manipulieren – weit mehr, als ein menschliches Kind braucht.
Es wird so schnell nicht in einen industriellen Arbeitsablauf passen, sagt Rodney Brooks, emeritierter Professor am MIT und Gründer von Rethink Robotics, einem Startup, das intelligentere Industrieroboter herstellt. Aber das ist in Ordnung – Forschung ist eine gute Sache.
Reinforcement Learning ist inspiriert von der Art und Weise, wie Tiere durch positives Feedback zu lernen scheinen. Es wurde erstmals vor Jahrzehnten vorgeschlagen, hat sich aber erst in den letzten Jahren dank der Fortschritte bei künstlichen neuronalen Netzen als praktikabel erwiesen (siehe 10 Breakthrough Technologies 2017: Reinforcement Learning ). Die Alphabet-Tochter DeepMind verwendete Reinforcement Learning, um AlphaGo zu entwickeln, ein Computerprogramm, das sich selbst beibrachte, das teuflisch komplexe und subtile Brettspiel Go mit übermenschlichen Fähigkeiten zu spielen.
Andere Robotikforscher haben den Ansatz schon eine Weile getestet, waren aber durch die Schwierigkeit, die Komplexität und Unvorhersehbarkeit der realen Welt nachzuahmen, gelähmt. Die OpenAI-Forscher umgingen dies, indem sie zufällige Variationen in ihre virtuelle Welt einführten, sodass der Roboter lernen konnte, Beeinträchtigungen wie Reibung, Geräusche in der Roboterhardware und Momente zu berücksichtigen, in denen der Würfel teilweise unsichtbar ist.
Alex Ray, einer der Ingenieure hinter dem Roboter, sagt, dass Dactyl verbessert werden könnte, indem man ihm mehr Rechenleistung verleiht und mehr Randomisierung einführt. Ich glaube nicht, dass wir das Limit noch erreicht haben, sagt er. Ray fügt hinzu, dass es keinen Plan gibt, die Technologie zu kommerzialisieren. Sein Team konzentriert sich ausschließlich auf die Entwicklung möglichst leistungsfähiger generalisierter Lernansätze.
Das ist schwer gut zu machen, sagt Dmitri Berenson , ein Robotiker an der University of Michigan, der sich auf Maschinenmanipulation spezialisiert hat. Berenson sagt, es sei nicht ganz klar, wie weit uns die neuesten maschinellen Lernansätze bringen werden. Es sei viel menschlicher Aufwand erforderlich, um das richtige Netzwerk für eine bestimmte Aufgabe zu finden, sagt er. Er glaubt jedoch, dass sich simuliertes Lernen als sehr nützlich erweisen könnte: Wenn wir die „Realitätslücke“ zuverlässig überwinden können, erleichtert dies das Lernen exponentiell.