Una mano robotica guidata dall'intelligenza artificiale ha trascorso cent'anni insegnando a se stessa a ruotare un cubo

Dattilo

Ricercatori di intelligenza artificiale hanno dimostrato un algoritmo di autoapprendimento che conferisce alla mano del robot una nuova notevole destrezza. La loro creazione ha imparato a manipolare un cubo con abilità inquietante esercitandosi per l'equivalente di cento anni all'interno di una simulazione al computer (anche se solo per pochi giorni in tempo reale).

La mano robotica non è ancora neanche lontanamente agile come quella umana e troppo goffa per essere schierata in una fabbrica o in un magazzino. Anche così, la ricerca mostra il potenziale dell'apprendimento automatico per sbloccare nuove capacità robotiche. Suggerisce anche che un giorno i robot potrebbero apprendere nuove abilità all'interno di mondi virtuali, il che potrebbe accelerare notevolmente il processo di programmazione o addestramento.

Il sistema robotico, soprannominato Dactyl, è stato sviluppato dai ricercatori di OpenAI , un'organizzazione no profit con sede nella Silicon Valley. Utilizza una mano robotica standard di una società britannica chiamata Shadow, una normale fotocamera e un algoritmo che ha già padroneggiato un vasto videogioco multiplayer, DotA, utilizzando lo stesso approccio di autoapprendimento (vedi Un team di algoritmi di intelligenza artificiale appena schiacciato gli umani in un complesso gioco per computer).

L'algoritmo utilizza una tecnica di apprendimento automatico nota come apprendimento per rinforzo. A Dactyl fu affidato il compito di manovrare un cubo in modo da capovolgere una faccia diversa. Si lasciava capire, per tentativi ed errori, quali movimenti avrebbero prodotto i risultati desiderati.

I video di Dactyl lo mostrano mentre ruota il cubo con un'agilità impressionante. Ha scoperto automaticamente diverse prese che gli umani usano comunemente. Ma la ricerca ha anche mostrato fino a che punto l'IA deve ancora arrivare: il robot è stato in grado di manipolare il cubo con successo solo 13 volte su 50 dopo i suoi cento anni di addestramento virtuale, molto più di quanto un bambino umano abbia bisogno.

Non entrerà presto in un flusso di lavoro industriale, afferma Rodney Brooks, professore emerito al MIT e fondatore di Rethink Robotics, una startup che produce robot industriali più intelligenti. Ma va bene: la ricerca è una buona cosa da fare.

L'apprendimento per rinforzo si ispira al modo in cui gli animali sembrano apprendere attraverso un feedback positivo. È stato proposto per la prima volta decenni fa, ma si è dimostrato pratico solo negli ultimi anni grazie ai progressi che hanno coinvolto le reti neurali artificiali (vedi 10 tecnologie innovative 2017: Reinforcement learning). La sussidiaria di Alphabet DeepMind ha utilizzato l'apprendimento per rinforzo per creare AlphaGo, un programma per computer che ha imparato da solo a giocare al gioco da tavolo diabolicamente complesso e sottile Go con abilità sovrumane.

Altri ricercatori di robotica hanno testato l'approccio per un po', ma sono stati ostacolati dalla difficoltà di imitare la complessità e l'imprevedibilità del mondo reale. I ricercatori di OpenAI hanno aggirato questo problema introducendo variazioni casuali nel loro mondo virtuale, in modo che il robot potesse imparare a spiegare i fastidi come l'attrito, il rumore nell'hardware del robot e i momenti in cui il cubo è parzialmente nascosto alla vista.

Alex Ray, uno degli ingegneri dietro il robot, afferma che Dactyl potrebbe essere migliorato dandogli più potenza di elaborazione e introducendo più randomizzazione. Non credo che abbiamo ancora raggiunto il limite, dice. Ray aggiunge che non esiste alcun piano per provare a commercializzare la tecnologia. Il suo team si concentra esclusivamente sullo sviluppo degli approcci di apprendimento generalizzato più potenti possibili.

Questo è difficile da fare bene, dice Dmitrij Berenson , un robotico dell'Università del Michigan specializzato in manipolazione di macchine. Berenson afferma che non è esattamente chiaro fino a che punto ci porteranno gli ultimi approcci di apprendimento automatico. C'è un grande sforzo umano per trovare la rete giusta per un compito specifico, dice. Ma crede che l'apprendimento simulato potrebbe rivelarsi molto utile: se riusciamo a superare in modo affidabile il 'divario di realtà', l'apprendimento diventa esponenzialmente più facile.

nascondere