Pendekatan sing menang, umum lan dienggo bareng nggunakake set data sing gedhe lan macem-macem lan model ekspresif sing bisa nyerep kabeh data kanthi efektif. Nalika ana macem-macem upaya kanggo ngetrapake pendekatan iki ing robotika, robot durung ngeksploitasi model sing nduweni kemampuan uga ing subfield liyane.
Sajrone pirang-pirang taun, kita asring ngandelake teknologi kanggo nglengkapi, lan nambah, kemampuan manungsa. Kita ngembangake printer kanggo mbantu nuduhake informasi, kalkulator kanggo matematika, pesawat kanggo mbantu kita mindhah kanthi cepet. Ing taun-taun pungkasan, lan utamane ing bidang pembelajaran mesin, kita wis ngembangake cara anyar kanggo ngolah informasi kanggo nguatake teknologi sing migunani kayata Panelusuran, Asisten, Peta lan liya-liyane.
Sadurunge 2017 sistem saka learning machine padha berjuang kanggo nemtokake bagean input sing cocog kanggo teka ing jawaban sing bener. Transformer ngenalake pemanggih manungsa waé: kanthi menehi perhatian marang bagian penting saka input kasebut, model bisa kanthi dinamis milih informasi sing penting lan sing ora. Transformers wis mbuktekaken dadi relevan sing wis dadi ibu saka model basa modern, fueling akeh artificial intelligence. Saiki, sanajan ing bidang intelijen buatan sing ngasilake gambar kayata Imagen lan Parti.
Sajrone pirang-pirang taun, Transformers wis dilatih babagan akeh data teks saka web. Dheweke mbantu ngenali tren lan pola basa kanggo ngirim layanan terjemahan, mbentuk obrolan manungsa, lan ngasilake asil panelusuran sing berkualitas. Akhir-akhir iki, Transformers wis diadopsi luwih akeh kanggo mbantu ngerteni jinis informasi liyane kajaba basa, kalebu gambar, video, lan wicara. Pancen, Transformers unggul ing wicara lan tugas visual, mula kita bisa nggunakake teknologi iki kanggo ngerteni apa sing dideleng robot lan tumindake.
Saka kolaborasi karo Everyday Robots, google wis nuduhake yen nggabungake model basa sing kuat kaya PaLM, menyang model pembelajaran robot ora mung ngidini wong bisa komunikasi karo robot, nanging uga bisa ningkatake kinerja robot sakabèhé. Model basa iki ngidini bot sing nulungi ngerti macem-macem jinis panjaluk - kayata "Aku luwe, nggawa cemilan" utawa "bantu aku ngresiki kuthah iki" - lan nglakokake.
Google nggunakake arsitektur sing padha karo PaLM, Transformer, kanggo mbantu robot sinau luwih umum saka apa sing wis dideleng. Dadi, tinimbang mung ngerti basa sing ana ing mburi panjaluk kaya "Aku luwe, gawanen cemilan," dheweke bisa sinau - kaya sing kita lakoni - saka kabeh pengalaman kolektif kanthi nindakake perkara kaya nonton lan njupuk cemilan.
Latihan Transformer ditindakake kanthi nggunakake data sing diklumpukake saka 130.000 demonstrasi - nalika ana wong ngoperasikake robot kanggo nindakake tugas - luwih saka 700 jinis tugas, rampung dening 13 robot pembantu Robot Saben Dina. Kagiyatan kalebu katrampilan kayata njupuk lan nyelehake barang, mbukak lan nutup laci, nglebokake lan metu saka laci, nyelehake obyek sing dawa ing pojok tengen ndhuwur, nuthuk obyek, narik serbet, lan mbukak kaleng. Asil kasebut minangka model Transformer Robotika canggih, utawa RT-1, sing bisa nindakake luwih saka 700 tugas. Tingkat kasuksesan 97%, generalizing learning kanggo aktivitas anyar, obyek lan lingkungan.
Carane model basa adhedhasar Transformer prédhiksi tembung sabanjure adhedhasar tren lan pola sing katon ing teks. RT-1 dilatih babagan data persepsi robot lan tumindak sing cocog supaya bisa ngenali prilaku sing paling mungkin sing kudu ditindakake robot. Pendekatan iki ngidini robot kanggo generalize apa wis sinau kanggo tugas anyar. Iki ditindakake kanthi ngatur obyek lan lingkungan anyar adhedhasar pengalaman ing data latihan - prestasi langka kanggo robot, sing biasane dikode kanthi ketat kanggo tugas sing sempit.
Minangka manungsa, kita sinau saka pengalaman kita dhewe lan saka saben liyane. Kita asring nuduhake apa sing wis kita sinau lan ngolah ulang sistem adhedhasar kegagalan sing kita alami. Senajan robot ora komunikasi karo siji liyane, riset nuduhake carane dataset saka macem-macem jinis robot bisa kasil digabungake lan prilaku ditransfer antarane wong-wong mau. Google wis nuduhake yen nggabungake data saka sawetara robot, padha bisa meh tikel kaping pindho kapasitas model lan generalize kanggo pemandangan anyar. Iki tegese kanthi terus eksperimen karo robot sing beda lan tugas anyar, bisa uga nambah data latihan kanggo RT-1, ningkatake prilaku robot, dadi pendekatan sing fleksibel lan bisa diukur kanggo sinau robot.
Kaya Google wis mbukak riset Transformer, RT-1 uga bakal mbukak sumber kanggo ngembangake riset luwih lanjut ing ruang robotika. Iki minangka langkah pisanan menyang sistem pembelajaran robot sing bisa nangani variabilitas lingkungan manungsa-sentris sing meh ora ana watese.
Ercole Palmeri
Ngembangake katrampilan motorik sing apik liwat pewarnaan nyiapake bocah kanggo katrampilan sing luwih rumit kaya nulis. Kanggo mewarnai…
Sektor angkatan laut minangka kekuwatan ekonomi global sing sejatine, sing wis ngarahake pasar 150 milyar ...
Senin kepungkur, Financial Times ngumumake kesepakatan karo OpenAI. FT menehi lisensi jurnalisme kelas donya…
Mayuta-yuta wong mbayar layanan streaming, mbayar biaya langganan saben wulan. Umume pendapat yen sampeyan…
