الروبوتات والذكاء الاصطناعي الفيزيائي

كيف تتعلم الروبوتات طلب المساعدة؟

Alex McFarland
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةعلم مهندسون من برينستون وجوجل الروبوتات كيفية قياس عدم اليقين في اللغة وطلب التوضيح.
عرض المزيد
  • علم مهندسون من برينستون وجوجل الروبوتات كيفية قياس عدم اليقين في اللغة وطلب التوضيح.
  • تجنب هذه الطريقة اتباع الروبوتات الأعمى للأوامر الغامضة من نماذج اللغة الكبيرة، مما يعزز السلامة والثقة.
  • تم اختبار هذا النهج بنجاح في مهام واقعية مثل فرز العناصر والتنقل في المطبخ.

في عالم الروبوتات المتطور، يبرز تعاون رائد بين جامعة برينستون وجوجل (GOOGL ). قام مهندسو هذه المؤسسات المرموقة بتطوير طريقة مبتكرة تعلم الروبوتات مهارة حاسمة: التعرف على الحاجة إلى المساعدة وطريقة طلبها. هذا التطور يمثل قفزة كبيرة إلى الأمام في مجال الروبوتات، حيث يغلق الفجوة بين العمل المستقل وتفاعل الإنسان مع الروبوت.

كان المسار نحو روبوتات أكثر ذكاء واستقلالية يواجه دائمًا تحديًا كبيرًا: تعقيد اللغة البشرية وغموضها. على عكس وضوح اللغة الثنائية للبرامج، فإن اللغة البشرية مليئة بالفروق الدقيقة والتفاصيل الخفية، مما يجعلها متاهة للروبوتات. على سبيل المثال، يمكن أن يصبح أمر بسيط مثل “التقط الوعاء” مهمة معقدة عندما تكون هناك عدة أوعية. وغالبًا ما تجد الروبوتات، المجهزة لاستشعار بيئتها والاستجابة للغة، نفسها أمام خيارات متعارضة عند مواجهة هذا الغموض اللغوي.

القياس الكمي لعدم اليقين

لمواجهة هذا التحدي، قدم فريق برينستون وجوجل نهجًا جديدًا يحدد كميًا “الغموض” في اللغة البشرية. تقاس هذه التقنية أساسًا مستوى عدم اليقين في أوامر اللغة وتستخدم هذا المقاييس لتوجيه أفعال الروبوت. في الحالات التي قد تؤدي فيها أمر إلى تفسيرات متعددة، يمكن للروبوت الآن تقييم مستوى عدم اليقين ويتخذ قرارًا حول متى يطلب مزيدًا من التوضيح. على سبيل المثال، في بيئة تحتوي على عدة أوعية، سيتسبب مستوى أعلى من عدم اليقين في أن يطلب الروبوت تحديد الوعاء الذي يجب التقاطه، وبالتالي تجنب الأخطاء أو عدم الكفاءة المحتملة.

يمنح هذا النهج الروبوتات فهمًا أفضل للغة، ولكنه يعزز أيضًا من سلامتهم وفعاليتهم في تنفيذ المهام. من خلال دمج نماذج اللغة الكبيرة (LLM) مثل تلك التي تقف وراء ChatGPT، قام الباحثون بخطوة كبيرة في جعل أفعال الروبوت أكثر توافقًا مع التوقعات والاحتياجات البشرية.

دور نماذج اللغة الكبيرة

يلعب دمج LLMs دورًا حاسمًا في هذا النهج الجديد. تعمل LLMs على معالجة وتفسير اللغة البشرية. في هذا السياق، يتم استخدامها لتقييم وقياس عدم اليقين الموجود في أوامر اللغة التي تُمنح للروبوتات.

ومع ذلك، فإن الاعتماد على LLMs ليس بدون تحديات. كما أشارت الفريق البحثي، يمكن أن تكون مخرجات LLMs أحيانًا غير موثوقة.

يشدد أنيرودها ماجومدار، أستاذ مساعد في جامعة برينستون، على أهمية هذا التوازن:

“الاتباع الأعمى للخطط التي تم إنشاؤها بواسطة LLM قد يسبب في أن يتصرف الروبوتات بطريقة غير آمنة أو غير موثوقة، لذلك نحتاج إلى روبوتاتنا التي تستخدم LLM لتكون على دراية بمتى لا تعرف.”

هذا يبرز الحاجة إلى نهج متوازن، حيث يتم استخدام LLMs كأدوات توجيه بدلاً من كونها مصدرًا غير قابل للخطأ للقرارات.

التطبيق العملي والاختبار

تم اختبار الجدوى العملية لهذا النهج في سيناريوهات مختلفة، مما يظهر مرونته وفعاليته. واحدة من هذه الاختبارات تضمنت ذراعًا روبوتيًا، مهمته فرز عناصر طعام لعب إلى فئات مختلفة. أظهر هذا الإعداد البسيط قدرة الروبوت على التنقل في المهام بخيارات واضحة بشكل فعال.

الصورة: جامعة برينستون

ازدادت التعقيدات بشكل كبير في تجربة أخرى تضم ذراعًا روبوتيًا مثبتًا على منصة ذات عجلات في مطبخ مكتب. هنا، واجه الروبوت تحديات العالم الحقيقي مثل تحديد العنصر الصحيح لوضعه في الميكروويف عند تقديم خيارات متعددة.

من خلال هذه الاختبارات، أظهرت الروبوتات بنجاح قدرتها على استخدام عدم اليقين المقاس كميًا لاتخاذ القرارات أو طلب التوضيح، مما يؤكد الفائدة العملية لهذا النهج.

الآثار المستقبلية والبحث

متطلعين إلى الأمام، تمتد الآثار هذا البحث إلى ما هو أبعد من التطبيقات الحالية. الفريق، بقيادة ماجومدار وطالب الدراسات العليا آلين رين، يبحث عن كيفية تطبيق هذا النهج لمشاكل أكثر تعقيدًا في إدراك الروبوتات والذكاء الاصطناعي. هذا يشمل السيناريوهات التي تحتاج فيها الروبوتات إلى دمج المعلومات البصرية واللغوية لاتخاذ القرارات، مما يغلق الفجوة بين فهم الروبوتات وتفاعل الإنسان.

يهدف البحث المستمر إلى تحسين قدرة الروبوتات على أداء المهام بدقة أعلى وأيضًا إلى التنقل في العالم بفهم شبيه بالإدراك البشري. هذا البحث قد يفتح الطريق لروبوتات أكثر كفاءة وأمان وأيضًا أكثر توافقًا مع المتطلبات الدقيقة للبيئات البشرية.

يمكنك العثور على البحث المنشور هنا.

يقود أليكس عمليات الأخبار المدعومة بالذكاء الاصطناعي في Unite.AI، حيث يجمع بين الصحافة والبحث والأتمتة لدعم تغطية سريعة وقابلة للتوسع للذكاء الاصطناعي. يساعد عمله في ضمان ظهور التطورات الناشئة في مجال الذكاء الاصطناعي بشكل فعال مع الحفاظ على معايير التحرير في النشرة.