現在の課題は計算能力ではなく、𝐄𝐗𝐏𝐄𝐑𝐈𝐄𝐍𝐂𝐄です。
ロボットは卵のカートンを見分けられますが、1つも殻を割らずに扱うには、物体認識よりはるかに繊細なものが必要です。それには、人間が本能的に行う圧力、タイミング、バランス、そして無数の微細な調整の理解が求められます。これが、人間の経験のギャップです。
人間は、世界と何年も相互作用することで身体的な知能を育みます。異なる素材がどう振る舞うか、タスクにどれだけの力が必要か、そして現実が期待と違うときにどう適応するかを学びます。その知識の多くは暗黙知であり、単にルールブックに書き込んだり、モデルにダウンロードしたりできるものではありません。
身体性のある #AI で、その種の知能を獲得することは業界最大級の障害の一つであり、ここで @InvLambda が説得力ある解決策を提示します。
ロボットにシミュレーションだけから、あるいは手作りの指示だけから学ばせるのではなく、𝗜𝗻𝘃𝗲𝗿𝘁𝗲𝗱 𝗟𝗮𝗺𝗯𝗱𝗮 𝗽𝗹𝗮𝗰𝗲𝘀 𝗵𝘂𝗺𝗮𝗻 𝗲𝘅𝗽𝗲𝗿𝘁𝗶𝘀𝗲 𝗮𝘁 𝘁𝗵𝗲 𝗰𝗲𝗻𝘁𝗲𝗿 𝗼𝗳 𝘁𝗵𝗲 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝗽𝗿𝗼𝗰𝗲𝘀𝘀。分散型の遠隔操縦ネットワークにより、オペレーターは実タスクをこなしながらロボットを遠隔から制御します。これにより、熟練した人間の行動を定義する意思決定、動き、そして身体的な相互作用をシステムが捉えられるようになります。
𝙏𝙝𝙚 𝙫𝙖𝙡𝙪𝙚 𝙡𝙞𝙚𝙨 𝙞𝙣 𝙩𝙝𝙚 𝙧𝙞𝙘𝙝𝙣𝙚𝙨𝙨 𝙤𝙛 𝙩𝙝𝙚 𝙙𝙖𝙩𝙖 の中にあります。
遠隔操縦セッションは、視覚情報だけではありません。それは、人の反応として変化する状況において生成される触覚（ハプティック）信号、運動の軌跡、空間的な推論、制御入力を記録します。これらのマルチモーダルな相互作用が合わさることで、知的な身体行動がどのように展開されるのかを、はるかに完全な形で描き出します。
𝗛𝗜𝗧𝗟) が非常に重要なのは、𝗛𝘂𝗺𝗮𝗻-𝗶𝗻-𝘁𝗵𝗲-𝗟𝗼𝗼𝗽 (𝗛𝗜𝗧𝗟) が意味するところでもあります。
人間のオペレーターは、ロボットが計算できることと、自信を持って実行できることの間のギャップを埋めます。彼らの行動は、成功した結果だけでなく、その背後にある意思決定プロセスまで理解するために、身体性のあるAIに必要なデモンストレーションを提供します。
より多くのオペレーターが参加すれば、Inverted Lambda のパイプラインはさらに強くなります。多様な環境、さまざまな手法、そして無数の現実のシナリオが、身体性のあるAIのための拡張し続ける土台に貢献します。結果として、孤立した例ではなく実践的な経験に基づく学習プロセスが生まれます。
人間の経験のギャップを埋めることは、人を置き換えることではありません。生涯の身体的相互作用を通じて人間が蓄積してきた知識を保持し、それをロボットが学べる知能へと変換することです。
それが、Inverted Lambda が追求している機会です。人間の経験が、より高能力で適応力があり、知的なロボットのための触媒となる分散型の遠隔操縦ネットワークを構築します。
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach

原文表示