الذكاء الاصطناعي التوليدي يأخذ الروبوتات خطوة أقرب إلى الأغراض العامة

لقد ركزت معظم تغطية الروبوتات البشرية بشكل مفهوم على تصميم الأجهزة. نظرًا لتكرار طرح مطوريهم لعبارة “الكائنات البشرية للأغراض العامة”، يجب إيلاء المزيد من الاهتمام للجزء الأول. بعد عقود من الأنظمة ذات الغرض الواحد، ستكون القفزة إلى أنظمة أكثر عمومية كبيرة. نحن لم نصل إلى هناك بعد.

إن الدفع نحو إنتاج ذكاء آلي يمكنه الاستفادة بشكل كامل من النطاق الواسع من الحركات التي يفتحها التصميم البشري ذو القدمين كان موضوعًا رئيسيًا للباحثين. لقد كان استخدام الذكاء الاصطناعي التوليدي في مجال الروبوتات موضوعًا ساخنًا في الآونة الأخيرة أيضًا. يشير بحث جديد أجراه معهد ماساتشوستس للتكنولوجيا إلى كيفية تأثير الأخير بشكل عميق على الأول.

يعد التدريب أحد أكبر التحديات على طريق الأنظمة ذات الأغراض العامة. لدينا فهم قوي لأفضل الممارسات لتدريب البشر على كيفية القيام بوظائف مختلفة. ورغم أن الأساليب المتبعة في التعامل مع الروبوتات واعدة، إلا أنها مجزأة. هناك الكثير من الأساليب الواعدة، بما في ذلك التعلم المعزز والتقليد، ولكن من المرجح أن تتضمن الحلول المستقبلية مجموعات من هذه الأساليب، مدعومة بنماذج الذكاء الاصطناعي التوليدية.

إحدى حالات الاستخدام الرئيسية التي اقترحها فريق معهد ماساتشوستس للتكنولوجيا هي القدرة على جمع المعلومات ذات الصلة من مجموعات البيانات الصغيرة الخاصة بالمهام. وقد أطلق على هذه الطريقة اسم تكوين السياسة (PoCo). تتضمن المهام حركات روبوتية مفيدة مثل دق الظفر وقلب الأشياء بالملعقة.

“[Researchers] “تدريب نموذج نشر منفصل لتعلم استراتيجية أو سياسة لإكمال مهمة واحدة باستخدام مجموعة بيانات محددة واحدة”، كما تلاحظ المدرسة. “ثم يقومون بدمج السياسات التي تعلمتها نماذج الانتشار في سياسة عامة تمكن الروبوت من أداء مهام متعددة في إعدادات مختلفة.”

وفقًا لمعهد ماساتشوستس للتكنولوجيا، أدى دمج نماذج الانتشار إلى تحسين أداء المهام بنسبة 20%. يتضمن ذلك القدرة على تنفيذ المهام التي تتطلب أدوات متعددة، بالإضافة إلى التعلم/التكيف مع المهام غير المألوفة. النظام قادر على دمج المعلومات ذات الصلة من مجموعات البيانات المختلفة في سلسلة من الإجراءات المطلوبة لتنفيذ المهمة.

ويقول ليروي وانج، المؤلف الرئيسي للدراسة: “إن إحدى فوائد هذا النهج هي أننا نستطيع الجمع بين السياسات للحصول على أفضل ما في العالمين”. “على سبيل المثال، قد تكون السياسة المدربة على بيانات العالم الحقيقي قادرة على تحقيق المزيد من البراعة، في حين أن السياسة المدربة على المحاكاة قد تكون قادرة على تحقيق المزيد من التعميم”.

الهدف من هذا العمل المحدد هو إنشاء أنظمة ذكاء تسمح للروبوتات بتبادل أدوات مختلفة لأداء مهام مختلفة. إن انتشار الأنظمة متعددة الأغراض من شأنه أن يأخذ الصناعة خطوة أقرب إلى حلم الأغراض العامة.