Sådan begynder robotoprøret endelig

De skyldige er Wintermeyer

Robotarmen udfører en ejendommelig slags sisyfisk opgave. Den svæver over en glinsende bunke kogte kyllingedele, dykker ned og henter et enkelt stykke. Et øjeblik senere svinger den rundt og placerer kyllingestykket, aldrig så forsigtigt, i en bento-kasse, der bevæger sig langs et transportbånd.

Denne robot, styret af software fra et San Francisco-baseret firma kaldet Osaro, er smartere end nogen, du har set før. Softwaren har lært den at plukke og placere kylling på cirka fem sekunder. Inden for året forventer Osaro, at deres robotter finder arbejde på en japansk fødevarefabrik.

Denne historie var en del af vores juli 2018-udgave

• Se resten af ​​problemet
• Abonner

Enhver, der er bekymret for et robotoprør, behøver kun at træde ind i en moderne fabrik for at se, hvor langt væk det er. De fleste robotter er kraftfulde og præcise, men kan ikke gøre noget, medmindre de er programmeret omhyggeligt. En almindelig robotarm mangler den forstand, der skal til for at samle en genstand op, hvis den flyttes en tomme. Den er fuldstændig håbløs til at gribe noget ukendt; den kender ikke forskel på en skumfidus og en blyterning. At samle uregelmæssigt formede stykker kylling op fra en tilfældig bunke er en genial handling.

Industrirobotter har stort set været uberørt af de seneste fremskridt inden for kunstig intelligens. I løbet af de sidste fem eller deromkring år er AI-software blevet dygtig til at identificere billeder, vinde brætspil og reagere på en persons stemme med praktisk talt ingen menneskelig indblanding. Det kan endda lære sig selv nye evner, givet nok tid til at øve sig. Alt dette mens AI's hardwarefætre, robotter, kæmper for at åbne en dør eller samle et æble op.

Det er ved at ændre sig. AI-softwaren, der styrer Osaros robot, lader den identificere objekterne foran den, studere, hvordan de opfører sig, når de prikkes, skubbes og gribes, og beslutter derefter, hvordan de skal håndteres. Som andre AI-algoritmer lærer den af ​​erfaring. Ved at bruge et hyldekamera kombineret med maskinlæringssoftware på en kraftfuld computer i nærheden, finder den ud af, hvordan man forstår tingene effektivt. Med nok forsøg og fejl kan armen lære at fatte næsten alt, den måtte støde på.

En robot henter produkter fra en skraldespand i Osaros hovedkvarter. Winni Wintermeyer

Arbejdspladsrobotter udstyret med AI vil lade automatisering krybe ind på mange flere arbejdsområder. De kunne erstatte folk overalt, hvor produkter skal sorteres, pakkes ud eller pakkes. I stand til at navigere på et kaotisk fabriksgulv kan de tage endnu flere job inden for fremstilling. Det er måske ikke et oprør, men det kan ikke desto mindre være en revolution. Vi ser en masse eksperimenter nu, og folk prøver mange forskellige ting, siger Willy Shih, der studerer tendenser inden for fremstilling på Harvard Business School. Der er en enorm mulighed for at [automatisere] gentagne opgaver.

Det er en revolution ikke kun for robotterne, men også for AI. Ved at sætte AI-software i en fysisk krop kan den bruge visuel genkendelse, tale og navigation ude i den virkelige verden. Kunstig intelligens bliver smartere, efterhånden som den lever af flere data. Så med hvert greb og hver placering vil softwaren bag disse robotter blive mere og mere dygtige til at give mening om verden, og hvordan den fungerer.

Dette kan føre til fremskridt, som ikke ville være muligt uden alle disse data, siger Pieter Abbeel, professor ved University of California, Berkeley, og grundlæggeren af ​​Covariant.ai (indtil for nylig kaldet Embodied Intelligence), en startup, der anvender maskinlæring og virtual reality til robotteknologi i fremstillingen.

Separeret ved fødslen

Denne æra har været længe undervejs. I 1954 patenterede George C. Devol, en opfinder, et design til en programmerbar mekanisk arm. I 1961 forvandlede en produktionsentreprenør ved navn Joseph Engelberger designet til Unimate, en uhåndterlig, akavet maskine, der først blev brugt på et General Motors samlebånd i New Jersey.

Fra begyndelsen var der en tendens til at romantisere intelligensen bag disse simple maskiner. Engelberger valgte navnet robot til Unimate til ære for de androider, som science fiction-forfatteren Isaac Asimov havde drømt om. Men hans maskiner var rå mekaniske enheder, der var rettet til at udføre en specifik opgave af relativt simpel software. Selv nutidens meget mere avancerede robotter forbliver lidt mere end mekaniske dunces, der skal programmeres til hver handling.

Kunstig intelligens fulgte en anden vej. I 1950'erne satte den sig for at bruge computerværktøjerne til at efterligne menneskelignende logik og fornuft. Nogle forskere søgte også at give disse systemer en fysisk tilstedeværelse. Allerede i 1948 og 1949 udviklede William Gray Walter, en neuroforsker i Bristol, Storbritannien, to små autonome maskiner, som han døbte Elsie og Elmer. Disse skildpadde-lignende enheder var udstyret med enkle, neurologisk inspirerede kredsløb, der lod dem følge en lyskilde på egen hånd. Walter byggede dem for at vise, hvordan forbindelserne mellem blot nogle få neuroner i hjernen kan resultere i relativt kompleks adfærd.

En medarbejder hos Embodied Intelligence bruger en virtual reality-rig til at træne en robot. Høflighed foto

Men at forstå og genskabe intelligens viste sig at være en byzantinsk udfordring, og kunstig intelligens gik ind i en lang periode med få gennembrud. I mellemtiden viste det sig ofte at programmere fysiske maskiner til at gøre nyttige ting i den rodede virkelige verden uløseligt kompleks. AI og robotter har været stabile venner i forskningslaboratorier i årtier, og forskere har forsøgt at anvende maskinlæring på industrirobotter, men det har endnu ikke taget fart i industrien.

For omkring seks år siden fandt forskere ud af, hvordan man gør et gammelt kunstig intelligens-trick utroligt kraftfuldt. Forskerne brugte neurale netværk - algoritmer, der groft sagt tilnærmer den måde, neuroner og synapser i hjernen lærer af input. Disse netværk var, viser det sig, direkte efterkommere af de komponenter, der gav Elsie og Elmer deres evner. Forskerne opdagede, at meget store eller dybe neurale netværk kunne gøre bemærkelsesværdige ting, når de blev fodret med enorme mængder mærkede data, såsom genkendelse af objektet vist på et billede med næsten menneskelig perfektion.

AI-feltet blev vendt på hovedet. Deep learning, som teknikken er almindeligt kendt, er nu meget brugt til opgaver, der involverer perception: ansigtsgenkendelse, taletransskription og træning af selvkørende biler til at identificere fodgængere og vejvisere. Det har gjort det muligt at forestille sig en robot, der kunne genkende dit ansigt, tale intelligent til dig og navigere sikkert til køkkenet for at få dig en sodavand fra køleskabet.

De skyldige er Wintermeyer

Manden bag Osarou2019s smartere robot

• Osaros administrerende direktør, Derik Pridmore, studerede fysik og datalogi ved MIT, før han sluttede sig til et West Coast VC-firma kaldet Founders Fund. Mens der var der, identificerede Pridmore DeepMind, et britisk AI-firma, som et investeringsmål, og han arbejdede sammen med virksomhedens grundlæggere for at finpudse deres pitch. DeepMind ville fortsætte med at lære maskiner at gøre ting, der syntes umulige på det tidspunkt. Berømt udviklede det AlphaGo, programmet, der slog den toprangerede menneskelige stormester i brætspillet Go.

• Da Google købte DeepMind i 2014, besluttede Pridmore, at AI havde et kommercielt potentiale. Han grundlagde Osaro og fokuserede hurtigt på robotplukning som den ideelle applikation. At gribe fat i genstande, der er læsset i en skraldespand eller rulle langs et transportbånd, er en simpel opgave for et menneske, men det kræver ægte intelligens.

• De teknikker, DeepMind var banebrydende for, kendt som deep reinforcement learning, lod maskiner udføre komplekse opgaver uden at lære af eksempler fra mennesker. Positiv feedback, som at få en højere score i et videospil, tuner netværket og flytter algoritmen tættere på målet, indtil den bliver ekspert.

• Den begrundelse, der gør dette muligt, er begravet dybt i netværket, kodet i samspillet mellem titusinder af indbyrdes forbundne simulerede neuroner. Men den resulterende adfærd kan virke simpel og instinktiv. Med nok øvelse kan en arm lære at samle ting op effektivt, selv når en genstand flyttes, skjules af en anden genstand eller er formet en smule anderledes. Osaro bruger dyb forstærkningslæring sammen med flere andre maskinlæringsteknikker til at gøre industrirobotter meget klogere.

En af de første færdigheder, som AI vil give maskiner, er langt større behændighed. I de sidste par år har Amazon kørt en robotplukningsudfordring, hvor forskere konkurrerer om at få en robot til at hente en bred vifte af produkter så hurtigt som muligt. Alle disse teams bruger maskinlæring, og deres robotter bliver gradvist dygtigere. Amazon har tydeligvis ét øje med at automatisere plukning og pakning af milliarder af varer inden for sine leveringscentre.

Jeg har arbejdet med robotgreb i 35 år, og vi har gjort meget små fremskridt, siger Ken Goldberg, en kollega til Abbeel's ved UC Berkeley. Takket være fremskridt inden for kunstig intelligens, der ændrer sig: Vi er nu klar til at tage et stort spring fremad.

AI får en krop

I NoHo-kvarteret i New York leder en af ​​verdens førende eksperter i kunstig intelligens i øjeblikket efter feltets næste store gennembrud. Og han mener, at robotter kan være en vigtig brik i puslespillet.

Yann LeCun spillede en afgørende rolle i den dybe læringsrevolution. I løbet af 1980'erne, da andre forskere afviste neurale netværk som upraktiske, holdt LeCun ud. Som leder af Facebooks AI-forskning indtil januar, og nu som dets chef AI-forsker, ledede han udviklingen af ​​dyb-læringsalgoritmer, der kan identificere brugere på stort set alle billeder, en person poster.

Men LeCun vil have AI til at gøre mere end blot at se og høre; han vil have det til at ræsonnere og handle. Og han siger, at det kræver en fysisk tilstedeværelse for at gøre dette muligt. Menneskelig intelligens involverer interaktion med den virkelige verden; menneskelige babyer lærer ved at lege med ting. AI indlejret i gribemaskiner kan gøre det samme. Meget af den mest interessante AI-forskning involverer nu robotter, siger LeCun.

En bemærkelsesværdig form for maskinudvikling kan endda resultere, som afspejler den proces, der gav anledning til biologisk intelligens. Syn, fingerfærdighed og intelligens begyndte at udvikle sig sammen med en accelereret hastighed, da hominider begyndte at gå oprejst og brugte deres to frie hænder til at undersøge og manipulere objekter. Deres hjerner voksede sig større, hvilket muliggjorde mere avancerede værktøjer, sprog og social organisering.

Kunne AI opleve noget lignende? Indtil nu har det stort set eksisteret inde i computere og interageret med grove simuleringer af den virkelige verden, såsom videospil eller stillbilleder. AI-programmer, der er i stand til at opfatte den virkelige verden, interagere med den og lære om den, kan med tiden blive langt bedre til at ræsonnere og endda kommunikere. Hvis du løser manipulation fuldt ud, siger Abbeel, vil du sandsynligvis have bygget noget, der er ret tæt på fuld intelligens på menneskeligt niveau.

Rettelse: En tidligere version af denne historie antydede, at forskning i kunstig intelligens og robotteknologi stort set har været adskilte felter i årtier. Nogle ændringer blev foretaget for at tydeliggøre, at adskillelsen i høj grad var i kommercielle applikationer snarere end i forskningslaboratoriet.

skjule