Google baru-baru ini bekerja di bidang yang disebut "robotika awan". Ini adalah fenomena apabila robot, setelah belajar melakukan tindakan secara bebas, dapat berkongsi "pengalaman" mereka dengan robot lain, hanya dengan menghantar maklumat dengan kaedah komunikasi yang tersedia. Prinsip pengajaran ini membolehkan anda mengelakkan masa memprogram semula, atau, "latihan semula", ketika menetapkan tugas baru untuk teknik ini.
Inti dari "robotika awan" adalah seperti berikut: ia didasarkan pada jaringan saraf yang menentukan dan menyimpan urutan tindakan yang dilakukan, bertanggungjawab untuk proses automatisme dan pemindahan maklumat. Secara amnya, untuk semua yang kami sebut pengalaman. Robot berdasarkan rangkaian neural dapat mengatur tugas apa pun, dan otak tiruan akan mencari jalan keluarnya sendiri. Di masa depan, ketika melakukan tindakan ini beberapa kali, robot akan mengembangkan algoritma optimum yang akan dapat dipindahkan ke mesin lain, dan mereka akan menggunakannya dan memperbaikinya, tidak bermula dari awal setiap saat.
Para saintis dari Google Research telah menguji algoritma mereka pada tiga jenis robot yang melakukan tugas yang berbeza: membuka pintu, mempelajari objek di dulang, dan versi yang diubah suai dari eksperimen pertama, ketika robot tidak dilatih secara bebas, tetapi dikendalikan oleh seseorang dengan tugas selanjutnya untuk meningkatkan kemahiran.
Dalam kes pertama, kereta memerlukan banyak masa untuk memahami bahawa untuk membuka pintu, anda perlu menarik pegangan, memutarnya dan menolak pintu. Tetapi semua robot berikutnya menggunakan algoritma ini, melangkau masa latihan.
Dalam eksperimen dengan dulang, mesin dibiarkan sendiri dan selama beberapa jam mereka mengkaji hubungan kausal antara objek (contohnya: cerek - cawan - gula: apa yang harus dilakukan dengan ini jelas hanya bagi kita, robot harus "belajar").
Eksperimen nombor tiga, setelah melatih robot oleh pengendali, berada di bawah belas kasihan "kesadaran kolektif", yang dengan cepat bersama-sama menemui penyelesaian optimum, yang berbeza dalam posisi awal manipulator yang berbeza dan hasil akhir, yang mempercepat manipulasi.
Momen paling menarik adalah ketika salah satu robot terpaksa membuka pintu di mana jenis pegangan yang sama sekali dipasang. Mesin itu melakukan kerja yang sangat baik.
Mengapa semua ini diperlukan, selain membina teori mengenai kebangkitan mesin? Sangat mudah: percepatan proses pembelajaran ini akan membolehkan robot industri mula melakukan tugas yang kompleks dengan lebih cepat daripada dengan pendekatan tradisional.
Video promosi:
VLADIMIR KUZNETSOV
