Przepaść danych opóźnia rozwój robotów. Czy humanoidy kiedykolwiek dorównają możliwościom AI?

Entuzjazm wokół sztucznej inteligencji, szczególnie w kontekście modeli językowych, jest zrozumiały. Chatboty radzą sobie coraz lepiej jako wirtualni asystenci, agenci obsługi klienta, a nawet terapeuci. Elon Musk i Jensen Huang prognozują, że podobne podejście wkrótce doprowadzi do powstania humanoidów zdolnych do wykonywania operacji, zastępowania pracowników fabryk, a nawet usługiwania w domach.

Jednakże, jak przekonuje Ken Goldberg, profesor inżynierii przemysłowej i badań operacyjnych na UC Berkeley, eksperci w dziedzinie robotyki są bardziej ostrożni w swoich ocenach. W opublikowanych artykułach w czasopiśmie „Science Robotics”, Goldberg opisuje „lukę danych”, która powstrzymuje roboty przed nabywaniem umiejętności w realnym świecie w takim tempie jak chatboty płynności językowej. W drugim artykule, wiodący robotycy z MIT, Georgia Tech i ETH-Zurich podsumowują ożywioną debatę na temat tego, czy przyszłość robotyki leży w gromadzeniu większej ilości danych do trenowania robotów humanoidalnych, czy też w poleganiu na „dobrej, staromodnej inżynierii”, aby programować roboty do wykonywania zadań w świecie rzeczywistym.

Goldberg kwestionuje wizję szybkiego zastąpienia ludzi przez roboty. Jego zdaniem, obecne możliwości robotów są przeceniane, a nierealne oczekiwania mogą doprowadzić do „bańki”, która pęknie, wywołując negatywną reakcję.

Głównym problemem, jak podkreśla naukowiec, jest zręczność. Roboty mają trudności z wykonywaniem zadań, które dla ludzi są banalne, takich jak podniesienie szklanki czy wymiana żarówki. Jest to tak zwany paradoks Moraveca: czynności, które wydają się nam proste, w rzeczywistości są niezwykle trudne do zautomatyzowania.

100 000 lat danych

Goldberg nazywa to „luką danych”. Obliczył, że przeczytanie wszystkich danych tekstowych, na których trenowane są duże modele językowe, zajęłoby człowiekowi 100 000 lat. To ogromna przepaść w porównaniu z ilością danych dostępnych do uczenia robotów. Co więcej, szkolenie robotów jest bardziej skomplikowane niż uczenie modeli językowych.

Niektórzy sugerują wykorzystanie nagrań wideo z udziałem ludzi, ale, jak zauważa Goldberg, obrazy 2D nie oddają precyzyjnych ruchów, a konwersja 2D do 3D jest problematyczna. Symulacje również mają swoje ograniczenia, szczególnie w przypadku zadań wymagających zręczności, takich jak praca na budowie czy w fabryce.

Dwie szkoły robotyki

W robotyce ścierają się dwie wizje. Pierwsza, tradycyjna, opiera się na inżynierii, matematyce i modelowaniu środowiska. Druga, nowa, głosi, że dane są wszystkim, czego potrzebujemy. To „starzy” kontra „młodzi”. Nowe podejście zyskuje popularność i wsparcie finansowe, ale w środowisku naukowym trwa zacięta debata.

Goldberg uważa, że inżynieria i nauka nadal są kluczowe. Pozwalają one na stworzenie robotów, które będą w stanie zbierać dane, tworząc swego rodzaju pętlę sprzężenia zwrotnego. Przykładem jest Waymo, firma Google, która wykorzystuje dane zbierane przez autonomiczne samochody do ich ciągłego ulepszania.

Przyszłość rynku pracy

W przeszłości obawiano się, że roboty zabiorą pracę fizyczną. Teraz mówi się o tym, że AI zastąpi pracowników umysłowych. Goldberg uspokaja, że zawody związane z rzemiosłem są bezpieczne. Bardziej zagrożone są zadania polegające na rutynowym wypełnianiu formularzy czy obsłudze klienta. Jak zauważa, firmy chcą zastąpić ludzi robotami w obsłudze klienta, ale „komputer nie powie ci 'wiem, jak się czujesz'”.

Podsumowując, Goldberg jest przekonany, że ludzie mają przed sobą jeszcze wiele dobrych lat, a wizja robotów przejmujących kontrolę nad światem jest mocno przesadzona. Kluczowe jest realistyczne spojrzenie na obecne możliwości robotyki i skoncentrowanie się na rozwiązaniu podstawowych problemów, takich jak zręczność i dostęp do odpowiedniej ilości danych.