Den ambisiøse visjonen om å bringe humanoide roboter inn i våre daglige liv står overfor betydelige hindringer, hovedsakelig på grunn av et svimlende “100 000-års datunderskudd,” ifølge UC Berkeley-robotikeren Ken Goldberg. I nylige funn publisert i Science Robotics, argumenteres det for at humanoide roboter fortsatt er langt fra å oppnå den fingerferdigheten og påliteligheten som kreves for å utføre komplekse oppgaver i den virkelige verden. Sammenligningen trekkes til de fremskritt store språkmodeller (LLMs) har gjort, som har klart å nyttiggjøre seg de enorme tekstdataene tilgjengelig på internett. Men når det gjelder roboters evne til å mestre fysiske oppgaver, hevder Goldberg at veien ikke er like enkel.

Hvorfor Språk overgikk Fingerferdighet

Goldberg understreker at den største flaskehalsen som holder roboter tilbake ikke bare ligger i programvare eller data, men i de innviklede oppgavene som krever fine motoriske ferdigheter, som å håndtere skjøre objekter eller utføre subtile justeringer. Mennesker gjør dette uanstrengt og instinktivt, men for roboter representerer disse oppgavene monumentale utfordringer. Denne ulikheten gjenspeiler den langvarige Moravecs paradoks: oppgaver som er enkle for mennesker, kan vise seg ekstremt komplekse for maskiner. Forslag om å bruke online videodata til å trene roboter faller kort fordi de mangler de detaljerte fysiske interaksjonene som trengs for ekte forståelse og gjenskapelse.

Simulering og Teleoperasjon: Nåværende Hjelpemidler, men Ikke Løsningen

Mens simuleringer fremmer roboter i dynamiske bedrifter som løping, er det fortsatt vanskelig å overføre dette til intrikate oppgaver. Teleoperasjon, hvor mennesker styrer roboter direkte, genererer nyttig data, men i et svært langsomt tempo. Disse metodene viser lovende resultater, men ligger fortsatt bak læringskurvene sett i AI basert på språk. Ifølge Goldberg bør tilnærmingen ligge et sted mellom datainnsamling og “god, gammeldags ingeniørkunst,” med fokus på praktiske, brukbare løsninger for å samle inn virkelighetsnær data som driver kontinuerlig forbedring.

God, Gammeldags Ingeniørkunst Møter Moderne Robotikk

Goldberg går inn for en hybrid tilnærming med ingeniørkunst og innsamling av data fra virkeligheten. Selskaper som Waymo og Ambi Robotics bruker denne metoden, hvor de samler data kontinuerlig under drift for å forbedre ytelsen trinnvis. Dette maler ikke et bilde av en over-nattrevolusjon, men av en flittig evolusjon. Slik trinnvis fremgang i robotikk kan dempe hypen som ofte skygger for allmennhetens oppfatning og forventninger.

Det Virkelige Arbeidet Begynner Akkurat

Debatten om roboter som overtar jobber er nyansert. Ifølge Goldberg er ikke yrker som involverer komplekse manuelle manipulasjoner i faresonen for automatisering. Derimot kan rutinemessige oppgaver, spesielt innen hvitsnippssektorer, møte større forstyrrelser etter hvert som språkbaserte systemer i økende grad automatiserer disse funksjonene. Likevel er jobber som krever empati og menneskelig interaksjon mindre tilbøyelige til å bli fullstendig automatisert.

Utover Programvare: Kloke Kropper er Essensielle

Fysiske begrensninger er ikke begrenset til algoritmiske eller datamessige mangler. Goldberg og kolleger påpeker at humanoide roboter også må utvikle seg fysisk. Forbedringer i leddesign og mekanisk intelligens er like viktige som programvareoppgraderinger. Virkelige observasjoner viser at mange nåværende roboter bruker for mye energi på grunn av utdaterte og rigide maskinvaredesign, noe som understreker behovet for et skifte mot biotisk-inspirerte design.

Konklusjon: Et Rop om Balansert Fremgang

Mens dagens fremgang er merkbar, fremmer Goldberg modererte forventninger. Å mestre disse ferdighetene er ikke rett rundt hjørnet, men en omhyggelig reise sammenflettet av ingeniørkunst og adaptivt design. Å beskytte robotikkfeltet fra feilinformert hype vil sikre de jevne, praktiske fremskrittene som er nødvendige for å overføre roboter fra innovative prototyper til pålitelige hjelpere i hverdagen.

Som nevnt i Interesting Engineering, kan ytterligere innsikt hentes fra et intervju med Ken Goldberg på UC Berkeley News.