Hvordan en Human-Machine Mind-Meld kunne gøre robotter smartere

Denne robotarm udnytter af og til menneskelig kontrol, mens den lærer at gribe forskellige objekter.

En hemmelighedsfuld canadisk startup kaldet Kindred AI lærer robotter, hvordan de udfører svære behændige opgaver ved overmenneskelige hastigheder ved at parre dem med menneskelige piloter, der bærer virtual-reality-headset og holder motion-tracking-controllere.

Teknologien giver et fascinerende indblik i, hvordan mennesker kan arbejde i synkronisering med maskiner i fremtiden, og den viser, hvordan udnyttelse af menneskelige evner kan forstærke de automatiserede systemers muligheder. På trods af al bekymringen over, at robotter og kunstig intelligens eliminerer job, er der masser af ting, som maskiner stadig ikke kan gøre. Virksomheden demonstrerede hardwaren til MIT Technology Review i sidste uge og siger, at de planlægger at lancere et produkt rettet mod detailhandlere i de kommende måneder. De langsigtede ambitioner er langt større. Kindred håber, at denne menneskestøttede læring vil fremme en fundamentalt ny og mere kraftfuld form for kunstig intelligens.



Kindred blev skabt af flere personer fra D-Wave, et kvantecomputerfirma med base i Burnaby, Canada. Kindred tester i øjeblikket konventionelle industrirobotarme, der er i stand til at gribe og placere genstande, der kan være besværlige at håndtere, såsom små tøjgenstande, hurtigere og mere pålideligt, end det normalt ville være muligt. Armene gør dette ved lejlighedsvis at bede om hjælp fra et hold af mennesker, som bruger virtual reality-hardware til at se udfordringen og midlertidigt tage kontrol over en arm.

En pilot kan se, høre og føle, hvad robotten ser, hører og føler. Når piloten handler, flytter disse handlinger robotten, siger Geordie Rose, der er medstifter og administrerende direktør for Kindred, og som tidligere var medstifter af D-Wave. Dette giver os mulighed for at vise robotter, hvordan man opfører sig som mennesker. Mennesker er ikke de hurtigste eller bedste til alle aspekter af robotstyring, som at placere ting på bestemte steder, men mennesker er stadig bedst til at give mening i vanskelige eller uforudsete situationer.

Kindreds system bruger adskillige maskinlæringsalgoritmer og forsøger at forudsige, om en af ​​disse ville give det ønskede resultat, såsom at gribe et emne. Hvis ingen synes at give en høj sandsynlighed for succes, kræver det menneskelig assistance. Det vigtigste er, at algoritmerne lærer af en menneskelig controllers handlinger. For at opnå dette anvender virksomheden en form for forstærkende læring, en tilgang, der involverer eksperimentering og styrkende adfærd, der fører til et bestemt mål (se 10 Breakthrough Technologies 2017: Reinforcement Learning ).

Rose siger, at systemet kan gribe små beklædningsgenstande omkring dobbelt så hurtigt som en person, der arbejder på sin egen dåse, mens en robot, der arbejder uafhængigt, ville være for upålidelig at implementere. En person kan også betjene flere robotter på én gang.

Rose tilføjer, at Kindred udforsker alle mulige menneske-i-løkken-systemer, lige fra dem, hvor en person blot klikker på et billede for at vise en robot, hvor den skal gribe noget, til helkrops-eksoskeletter, der giver kontrol over en humanoid robot. Han siger, at piloter normalt lærer at styre et fjerntliggende robotsystem effektivt. Når du bruger kontrolapparatet, er det i starten meget frustrerende, men folks sind er meget plastisk, og du justerer, siger Rose.

Den tekniske inspiration til teknologien kommer fra Suzanne Gildert, som tidligere var seniorforsker ved D-Wave, og som er Kindreds videnskabelige chef. Virksomheden har kørt i stealth mode i flere år, men tiltrak sig opmærksomhed, da detaljer om et patent indgivet af Gildert dukkede op på nettet . Patentet beskriver et skema til at kombinere forskellige teleoperationssystemer med maskinlæring. Faktisk ser Kindreds vision for sin teknologi ud til at strække sig langt ud over at bygge robotter, der er mere dygtige til at sortere.

Tanken var, hvis man kunne gøre det længe nok, og hvis man havde en form for AI-system i baggrundsindlæringen, så kunne man måske prøve mange forskellige AI-modeller og se, hvilke der trænede bedst, siger Gildert. Til sidst var min tanke, hvis du kan få et menneske til at demonstrere noget via en robot, så er der ingen grund til, at robotten ikke kunne lære at være meget menneskelig.

Mest iøjnefaldende beskrev Kindreds patent endda muligheden for at have sådanne systemer styret af dyr såsom aber. Gildert siger, at dette var en spekulativ idé, og ingen aber er i øjeblikket ansat i virksomheden. Hun siger dog, at virksomheden har en robotkat, trænet ved hjælp af forstærkningslæring, der vandrer rundt på kontoret.

Kindred er også lidt usædvanlig, idet dens grundlæggere er fysikere snarere end robotikere eller computerforskere af uddannelse. Men Rose hævder, at dette giver et unikt og værdifuldt perspektiv. For dataloger er grænsen mellem en simulering og den virkelige verden nogle gange sløret, siger han. Vi foretrækker at gøre den slags ting, vi gør i rigtige robotter i den virkelige verden.

Den tilgang, Kindred forfølger, ser ud til at have et stort potentiale. Ken Goldberg , en professor ved University of California, Berkeley, som har specialiseret sig i maskinlæring og robotteknologi, siger, at at udnytte menneskelige færdigheder vil accelerere robotindlæring dramatisk. Goldberg, der blandt andet arbejder på en lignende tilgang til robotkirurgi, tilføjer, at det er et meget aktivt forskningsområde at lade robotter lære af mennesker. Det er kernen i, hvad jeg mener er en stor mulighed inden for robotteknologi, siger Goldberg. Der er en kæmpe fordel ved at have menneskelig demonstration.

Men de tekniske udfordringer forbundet med læring gennem menneskelig teledrift er ikke ubetydelige. Sangbae Kim , en lektor ved MIT, der arbejder på telestyrede humanoide robotter, siger at kortlægning af menneskelig kontrol til maskinhandling er utrolig kompliceret. Den første udfordring er at spore menneskelig bevægelse ved at fastgøre stive led til den menneskelige hud. Det er ekstremt svært, fordi vi er endoskeletdyr, siger Kim. En større udfordring er virkelig at forstå alle detaljerne i beslutningstagningstrin hos mennesker, hvoraf de fleste sker ubevidst.

Grundlæggerne af Kindred virker dog næppe forskrækkede. Vores mål er at dekonstruere kognition, siger Rose. Alle levende væsener følger bestemte adfærds- og handlingsmønstre. Vi forsøger at bygge maskiner, der har samme slags principper.

skjule