Savremeni modeli veštačke inteligencije obično se treniraju na postojećim podacima, poput teksta, slika i video zapisa, razvijajući se kombinacijom progresivnih algoritama učenja.
Koristeći ogromnu količinu podataka, model može da uči posmatrajući
Međutim, upravo je ova osnova ta koja može dovesti do neslaganja između krajnjeg proizvoda generisanog veštačkom inteligencijom i fizičke stvarnosti koju pokušava da imitira.
Pokušavajući da prevaziđu taj izazov, Covariant, odvojeni deo OpenAI-ja, kreirao je Model osnove robotike (RFM-1) koji uči putem postojećih podataka na mreži, kao i posmatrajući situacije koje se odvijaju u fizičkom svetu. U saopštenju za medije, Covariant tvrdi da model “pruža robotima ljudsku sposobnost zaključivanja, predstavljajući prvi put da je generativna veštačka inteligencija uspešno dala komercijalnim robotima dublje razumevanje jezika i fizičkog sveta”.
Ovde, ono što se podrazumeva pod “ljudskom sposobnošću zaključivanja” jeste sposobnost RFM-1 da pravi predikcije ishoda na osnovu informacija prikupljenih iz stvarnog okruženja modela u stvarnom životu. Na primer, kada se robotu dodeli zadatak, model generiše vizualizaciju kako bi taj zadatak mogao izgledati kada bude završen. Predikcija pomaže u određivanju da li će robot naići na bilo kakve prepreke u izvršenju, i omogućava mu da zatraži rešenja od svog inicijatora. Koristeći jednostavan jezik, osoba koja inicira robota može ponuditi rešenja kako bi pomogla u dovršenju zadatka putem kucane konverzacije.
Do sada, RFM-1 je korišćen samo u laboratorijskom okruženju, ali Covariant namerava uskoro da ga pusti industrijskim korisnicima koji koriste veštačku inteligenciju za rad, poput proizvodnih i distributivnih pogona.
Izvor: Mashable
Tagovi: openAI, roboti, veštačka inteligencija
