Краткое содержание статьи
Статья посвящена текущему состоянию развития антропоморфных роботов и технологий персонализированного интеллекта. Скорость производства роботов (один робот за 15 минут) и их способность к обучению движениям (обучение бегу за 12 часов) значительно улучшились, однако уровень интеллекта все еще недостаточен. Для достижения уровня интеллекта, сопоставимого с таким уровнем, как у ChatGPT, существуют серьезные препятствия, связанные с недостатком данных, моделей и вычислительных ресурсов, а также разнообразием технологических подходов и отсутствием единых стандартов в отрасли. Существуют два основных подхода к развитию: накопление большого количества данных и вычислительных ресурсов или понимание целей, стоящих за выполнением конкретных действий роботов. Для массового внедрения решаются проблемы, связанные с открытым исходным кодом, стандартизацией и коммерциализацией; ожидается, что процесс внедрения займет от 3 до 8 лет в зависимости от конкретных сценариев использования.
I. Быстрое производство и обучение, но интеллект все еще отстает
Скорость производства антропоморфных роботов уже впечатляет: более 20 лет назад для их создания требовалось 5 лет, теперь же один робот может быть изготовлен за 15 минут на фабрике рядом с выставочным залом. Обучение движениям также занимает всего 12 часов. Однако это лишь внешние показатели — роботы просто имитируют действия людей, не понимая их целей. Например, при нарезке хлеба разные люди используют разные методы, но роботы лишь копируют эти действия, не зная, для чего они предназначены (например, для приготовления сэндвича). Такой подход к обучению способствует быстрому развитию отрасли, но не позволяет роботам эффективно работать в различных условиях, поскольку им приходится заново учиться для каждой новой задачи. Таким образом, уровень их интеллекта ограничен способностью выполнять конкретные действия, а не пониманием их целей.
II. Почему персонализированный интеллект не достиг уровня ChatGPT? Три основных препятствия и проблемы с данными
Все задаются вопросом: когда персонализированный интеллект сможет достичь уровня ChatGPT? Ответ зависит от трех основных препятствий:
1. Малый размер моделей: современные модели персонализированного интеллекта имеют всего около 7 миллиардов параметров, в то время как модели ChatGPT содержат более триллиона параметров;
2. Недостаток вычислительных ресурсов: для обучения таких моделей достаточно нескольких GPU, тогда как для ChatGPT требуется тысячи GPU;
3. Недостаток данных: языковые модели могут использовать данные с Интернета, но роботам необходимы данные из реального мира (например, для работы с мягкими материалами или адаптации к различным условиям освещения); сбор таких данных затратен и не всегда возможен. Эксперты считают, что персонализированный интеллект отстает от языковых моделей как минимум на 5 лет из-за недостатка данных, крупных моделей и вычислительных ресурсов.
III. Два подхода к развитию: накопление данных и понимание целей
В отрасли существуют два основных подхода к преодолению этих препятствий:
1. Накопление данных и вычислительных ресурсов: увеличение объема данных и мощности вычислительных систем. Для этого используются синтетические данные (например, симуляции экстремальных условий с помощью GPU) для дополнения недостающей информации и увеличения размера моделей с целью достижения уровня интеллекта, сопоставимого с ChatGPT.
2. Понимание целей: роботы обучаются пониманию причин выполнения конкретных действий. Например, роботы команды Гордона Ченга после наблюдения за процессом нарезки хлеба учатся не конкретным движениям, а понимают, что нарезка хлеба нужна для приготовления сэндвича; это позволяет им эффективно выполнять задачи в разных условиях без необходимости занового обучения.
IV. Каковы препятствия на пути к массовому внедрению? Неединые стандарты и необходимость повторных исследований
Даже при преодолении технологических проблем для внедрения роботов в промышленность и быт необходимо решить ряд проблем, связанных с неединообразием технологических подходов и стандартов:
- Разнообразие технологий: оборудование и программное обеспечение разных компаний несовместимы, что приводит к повторному разработке одних и тех же решений;
- Изоляция данных: данные разных компаний несовместимы, что приводит к расточительству ресурсов;
- Трудности с коммерциализацией: многие роботы находятся на стадии демонстрационных моделей; их долгосрочная эксплуатация сопряжена с высокими затратами, а индивидуальные требования делают массовое производство сложным.
Поэтому в отрасли начинается работа над созданием открытых стандартов: создаются сообщества, занимающиеся разработкой антропоморфных роботов, а также открытые операционные системы и алгоритмы для общего использования, чтобы сократить количество повторных исследований.
V. Когда будет массовое внедрение? Время внедрения зависит от сценариев использования
Эксперты различаются в оценках времени внедрения, но в зависимости от сценариев:
- Полуструктурированные производственные условия: массовое внедрение возможно через 3–5 лет, поскольку задачи относительно предсказуемы; роботы могут сначала выполнять задачи с высоким уровнем точности, а затем постепенно совершенствоваться;
- Промышленность и быт: массовое внедрение займет 5–8 лет, особенно в бытовых условиях из-за сложности этических и безопасных аспектов, а также большого количества нестандартных требований;
- Чипы и программное обеспечение: чипы смогут достичь нужных характеристик через 3–5 лет, но созревание программного обеспечения потребует дополнительного времени.
В целом, для перехода роботов из лабораторий в реальный мир необходимо решить проблемы системной согласованности и единых стандартов, а не ограничиваться внешними показателями, такими как скорость движений.
Статья показывает, что, хотя технологии производства и обучения роботов развиваются быстро, ключевыми факторами для дальнейшего прогресса являются уровень их интеллекта и согласованность с потребностями промышленности и быта. Когда, по вашему мнению, дома появятся роботы, способные готовить еду и убирать? Вероятно, это произойдет только через несколько лет, но направление развития уже становится все более очевидным.