امواج مغزی؛ کلید آینده هوش مصنوعی فیزیکی
آینده هوش مصنوعی تنها به چتباتها و مدلهای زبانی محدود نمیشود. نسل جدیدی از فناوریها در حال شکلگیری است که هدف آن ایجاد ماشینهایی است که بتوانند دنیای واقعی را درک کنند و مانند انسان با محیط اطراف خود تعامل داشته باشند مانند هوش مصنوعی فیزیکی .
در این مسیر، یکی از بزرگترین چالشها کمبود دادههای واقعی برای آموزش رباتها است. برخلاف مدلهای زبانی که با حجم عظیمی از متنهای موجود در اینترنت آموزش دیدهاند، رباتها برای یادگیری حرکت، لمس، جابهجایی اشیا و انجام وظایف فیزیکی به دادههایی نیاز دارند که باید در دنیای واقعی تولید شوند.
در یک انبار در شهر سنلئاندرو ایالت کالیفرنیا، شرکت Encord در حال آزمایش یکی از پیشرفتهترین روشها برای حل این مشکل است؛ روشی که شامل آموزش رباتها با دادههای انسانی، حرکات بدن و حتی فعالیتهای مغزی میشود.
آموزش رباتها با بازی جنگا و امواج مغزی
در این انبار، اندرو سیخا (Andrew Ceja) که یکی از «خلبانها» یا مربیان رباتیک شرکت Encord محسوب میشود، در حال انجام یک کار ساده اما مهم است؛ او قطعات چوبی یک برج جنگا را یکییکی خارج میکند تا دادههای مورد نیاز برای آموزش رباتها جمعآوری شود.
او یک هدست مجهز به دوربین روی سر دارد که حرکات و دید او را ثبت میکند. این روش برای جمعآوری دادههای آموزشی رباتها چندان جدید نیست، اما این هدست یک قابلیت متفاوت دارد؛ حسگرهایی که امواج مغزی او را اندازهگیری میکنند.
هدف از این فناوری، بررسی حالتهای ذهنی مانند تردید، قصد انجام یک حرکت، خطا یا شگفتی هنگام انجام یک فعالیت است. این اطلاعات میتوانند دادههای دقیقتری برای آموزش هوش مصنوعی فیزیکی فراهم کنند.
Encord و تلاش برای حل مشکل کمبود دادههای رباتیک
شرکت Encord یکی از مجموعههایی است که معتقد است محدودیت اصلی در توسعه رباتهای انساننما و سیستمهای خودکار، کمبود دادههای فیزیکی واقعی است.
این شرکت در ابتدا برای کمک به شرکتهایی که روی فناوری بینایی ماشین کار میکردند، تأسیس شد؛ اما با گسترش استفاده از یادگیری سرتاسری در رباتها، مشخص شد که تنها مدیریت داده کافی نیست و باید دادههای جدید تولید شوند.
وینیت ولومورگان (Vineeth Velmurugan)، مدیر بخش یادگیری ربات در Encord، میگوید مشکل اصلی این است که چنین دادههایی به اندازه کافی وجود ندارند.
او معتقد است رباتها برای رسیدن به سطحی مشابه مدلهای هوش مصنوعی فعلی، به حجم بسیار زیادی از دادههای واقعی نیاز دارند؛ دادههایی که برخلاف متنهای موجود در اینترنت، بهسادگی قابل جمعآوری نیستند.
چرا آموزش رباتها مانند آموزش چتباتها نیست؟
مدلهای زبانی بزرگ مانند چتباتهای هوش مصنوعی با استفاده از حجم عظیمی از اطلاعات موجود در اینترنت آموزش داده شدهاند. این دادهها شامل متنها، مقالات، گفتگوها و منابع مختلف هستند.
اما در حوزه هوش مصنوعی فیزیکی، شرایط متفاوت است. یک ربات برای یادگیری انجام یک کار ساده مانند برداشتن یک جسم، ریختن مایع یا اتصال یک کابل، نیازمند مشاهده هزاران نمونه واقعی از همان فعالیت است.
شرکتهای خودروهای خودران سالهاست دادههای محیط واقعی جمعآوری میکنند، اما این روش بسیار پرهزینه و دشوار است. آموزش با استفاده از ویدئو نیز امکانپذیر است، اما دقت و جزئیات دادههای واقعی را ندارد.
به گفته ولومورگان، برای رسیدن به سطح مورد نیاز، ممکن است دادهای در ابعادی چند برابر مجموعه ویدئویی یوتیوب مورد نیاز باشد.
تولید داده؛ کسبوکار جدید در دنیای هوش مصنوعی
با افزایش نیاز به دادههای فیزیکی، تولید داده برای آموزش رباتها به یک صنعت جدید تبدیل شده است.
شرکتهایی مانند Encord به جای اینکه فقط دادههای موجود را مدیریت کنند، خودشان اقدام به ساخت مجموعه دادههای آموزشی میکنند.
این شرکت از دو روش اصلی برای تولید داده استفاده میکند:
دادههای دید اول شخص
در این روش، افراد با پوشیدن دوربینهایی روی بدن خود، فعالیتهای روزمره را انجام میدهند و حرکات آنها ثبت میشود.
این دادهها به رباتها کمک میکنند تا نحوه تعامل انسان با محیط را بهتر یاد بگیرند.
کنترل از راه دور رباتها
روش دیگر، استفاده از انسانهایی است که رباتها را از راه دور کنترل میکنند. حرکات انسان ثبت شده و سپس برای آموزش مدلهای هوش مصنوعی مورد استفاده قرار میگیرد.
در آزمایشگاه Encord، مربیان رباتیک با استفاده از بازوهای رباتیک جفتشده، فعالیتهایی مانند ریختن قهوه در فنجان یا مرتب کردن تراشههای پوکر را به هوش مصنوعی فیزیکی آموزش میدهند.
آموزش مهارتهای پیچیده برای رباتها
در بخش دیگری از این مرکز، رباتها برای انجام کارهای دقیقتر آموزش داده میشوند. یکی از نمونهها، اتصال و جدا کردن کابلهای اترنت از پشت سرورها است؛ کاری که در مراکز داده میتواند بهصورت خودکار انجام شود، اما نیازمند دقت بسیار بالایی است.
مشکل اصلی اینجاست که دستهای رباتیک هنوز توانایی و انعطافپذیری انگشتان انسان را ندارند. انسانها بهطور طبیعی حرکات پیچیدهای را با دست و بازوی خود انجام میدهند که برای رباتها بسیار دشوار است.
استفاده از سیگنالهای عضلانی برای ساخت مدلهای دقیقتر
یکی دیگر از فناوریهایی که Encord در حال توسعه آن است، استفاده از حسگرهایی است که روی بازو قرار میگیرند و سیگنالهای الکتریکی عضلات را ثبت میکنند.
تصاویر معمولی از دست انسان همیشه تمام جزئیات حرکت انگشتان و عضلات را نشان نمیدهند. اما این حسگرها میتوانند اطلاعات بیشتری درباره موقعیت دست و نحوه انجام حرکت ارائه دهند.
هدف این است که هوش مصنوعی فیزیکی بتواند درک دقیقتری از حرکات انسان داشته باشند.
اهمیت برچسبگذاری دقیق دادهها
یکی از بخشهای مهم آموزش رباتها، توضیح دقیق دادهها است. در مجموعه دادههای Encord، هر فعالیت با جزئیات مشخص میشود؛ برای مثال «دست راست پیچ را سفت میکند».
این توضیحات به مدلهای هوش مصنوعی کمک میکنند ارتباط میان حرکت، هدف و نتیجه را بهتر درک کنند.
به گفته مدیر بخش یادگیری ربات Encord، دادههای دقیق و جزئی میتوانند ارزش بسیار بیشتری نسبت به دادههای خام داشته باشند؛ زیرا برای آموزش یک مهارت مشخص کاربرد بیشتری دارند.
آینده هوش مصنوعی فیزیکی و رباتهای هوشمند
با وجود پیشرفتهای سریع در هوش مصنوعی، توسعه رباتهایی که بتوانند مانند انسان در محیط واقعی فعالیت کنند همچنان با چالشهای بزرگی روبهرو است.
کمبود دادههای واقعی، هزینه بالای تولید داده و پیچیدگی حرکات انسانی از مهمترین موانع این مسیر هستند.
با این حال، شرکتهایی مانند Encord تلاش میکنند با ایجاد روشهای جدید جمعآوری داده، مسیر توسعه رباتهای آینده را هموار کنند.
هوش مصنوعی فیزیکی میتواند یکی از مهمترین حوزههای فناوری در سالهای آینده باشد؛ حوزهای که شاید نقش رباتها را در کارخانهها، انبارها، خانهها و زندگی روزمره انسانها به شکل چشمگیری تغییر دهد.