Não é nenhum sigilo que os modelos básicos transformaram a IA no mundo do dedo. Grandes modelos de linguagem (LLMs) uma vez que ChatGPT, LLaMA e Bard revolucionaram a IA para linguagem. Embora os modelos GPT da OpenAI não sejam o único grande padrão de linguagem disponível, eles alcançaram o maior reconhecimento por receber entradas de texto e imagem e fornecer respostas semelhantes às humanas – mesmo com algumas tarefas que exigem solução de problemas complexos e raciocínio avançado.
A adoção viral e generalizada do ChatGPT moldou em grande segmento a forma uma vez que a sociedade entende levante novo momento para a perceptibilidade sintético.
O próximo progresso que definirá a IA por gerações é a robótica. A construção de robôs alimentados por IA que possam aprender a interagir com o mundo físico irá melhorar todas as formas de trabalho repetitivo em setores que vão desde a logística, transportes e produção até ao retalho, cultura e até cuidados de saúde. Também irá desbloquear tantas eficiências no mundo físico uma vez que vimos no mundo do dedo ao longo das últimas décadas.
Embora exista um conjunto único de problemas a serem resolvidos na robótica em confrontação com a linguagem, existem semelhanças entre os principais conceitos fundamentais. E algumas das mentes mais brilhantes da IA fizeram progressos significativos na construção do “GPT para robótica”.
O que permite o sucesso do GPT?
Para entender uma vez que edificar o “GPT para robótica”, primeiro observe os pilares principais que permitiram o sucesso de LLMs uma vez que o GPT.
Abordagem do padrão de instalação
GPT é um padrão de IA treinado em um conjunto de dados vasto e diversificado. Os engenheiros coletaram dados anteriormente e treinaram IA específica para um problema específico. Logo eles precisariam coletar novos dados para resolver outro. Outro problema? Novos dados mais uma vez. Agora, com uma abordagem de padrão indispensável, está acontecendo exatamente o oposto.
Em vez de edificar IAs de nicho para cada caso de uso, uma delas pode ser usada universalmente. E esse padrão muito universal tem mais sucesso do que qualquer padrão especializado. A IA em um padrão indispensável tem melhor desempenho em uma tarefa específica. Ele pode aproveitar o aprendizagem de outras tarefas e generalizar melhor para novas tarefas porque aprendeu habilidades adicionais por ter que ter um bom desempenho em um conjunto diversificado de tarefas.
Treinamento em um conjunto de dados grande, proprietário e de subida qualidade
Para ter uma IA generalizada, primeiro você precisa acessar uma grande quantidade de dados diversos. A OpenAI obteve os dados do mundo real necessários para treinar os modelos GPT de forma razoavelmente eficiente. A GPT treinou com dados coletados de toda a Internet com um conjunto de dados grande e diversificado, incluindo livros, artigos de notícias, postagens em mídias sociais, códigos e muito mais.
Edificar robôs alimentados por IA que possam aprender uma vez que interagir com o mundo físico melhorará todas as formas de trabalho repetitivo.
Não é unicamente o tamanho do conjunto de dados que importa; a curadoria de dados de subida qualidade e cocuruto valor também desempenha um papel importante. Os modelos GPT alcançaram um desempenho sem precedentes porque seus conjuntos de dados de subida qualidade são informados predominantemente pelas tarefas que interessam aos usuários e pelas respostas mais úteis.
Papel da aprendizagem por reforço (RL)
OpenAI emprega aprendizagem por reforço de feedback humano (RLHF) para alinhar a resposta do padrão com a preferência humana (por exemplo, o que é considerado profícuo para um usuário). É preciso ter mais do que pura aprendizagem supervisionada (SL), porque SL só pode abordar um problema com um padrão simples ou conjunto de exemplos. Os LLMs exigem que a IA atinja um objetivo sem uma resposta única e correta. Digite RLHF.
O RLHF permite que o algoritmo avance em direção a um objetivo por meio de tentativa e erro, enquanto um humano reconhece as respostas corretas (subida recompensa) ou rejeita as incorretas (baixa recompensa). A IA encontra a função de recompensa que melhor explica a preferência humana e logo usa RL para aprender uma vez que chegar lá. O ChatGPT pode fornecer respostas que refletem ou excedem as capacidades de nível humano, aprendendo com o feedback humano.
A próxima fronteira dos modelos de instalação está na robótica
A mesma tecnologia mediano que permite à GPT ver, pensar e até falar também permite que as máquinas vejam, pensem e ajam. Os robôs alimentados por um padrão indispensável podem compreender o envolvente físico, tomar decisões informadas e ajustar suas ações às mudanças nas circunstâncias.
A “GPT para a robótica” está a ser construída da mesma forma que a GPT – lançando as bases para uma revolução que irá, mais uma vez, redefinir a IA tal uma vez que a conhecemos.
Abordagem do padrão de instalação
Ao adotar uma abordagem de padrão indispensável, você também pode edificar uma IA que funcione em várias tarefas no mundo físico. Há alguns anos, os especialistas aconselharam a geração de uma IA especializada para robôs que selecionam e embalam itens de mercearia. E isso é dissemelhante de um padrão que pode separar várias peças elétricas, que é dissemelhante do padrão que descarrega paletes de um caminhão.
Essa mudança de paradigma para um padrão indispensável permite que a IA responda melhor a cenários extremos que frequentemente existem em ambientes não estruturados do mundo real e que, de outra forma, poderiam confundir modelos com treinamento mais restrito. Edificar uma IA generalizada para todos esses cenários é mais bem-sucedido. É treinando em tudo que você obtém a autonomia de nível humano que faltava nas gerações anteriores de robôs.
Treinamento em um conjunto de dados grande, proprietário e de subida qualidade
Ensinar um robô a aprender quais ações levam ao sucesso e quais ações levam ao fracasso é extremamente difícil. Requer dados extensos de subida qualidade baseados em interações físicas do mundo real. Configurações de laboratório único ou exemplos de vídeo não são fontes confiáveis ou suficientemente robustas (por exemplo, os vídeos do YouTube não conseguem transcrever os detalhes da interação física e os conjuntos de dados acadêmicos tendem a ter escopo restringido).
Ao contrário da IA para processamento de linguagem ou imagem, nenhum conjunto de dados preexistente representa uma vez que os robôs devem interagir com o mundo físico. Assim, o grande conjunto de dados de subida qualidade torna-se um repto mais multíplice de resolver em robótica, e a implantação de uma frota de robôs em produção é a única forma de edificar um conjunto de dados diversificado.
Papel da aprendizagem por reforço
Semelhante a responder a perguntas de texto com capacidade de nível humano, o controle e a manipulação robótica exigem que um agente busque o progresso em direção a uma meta que não tem uma resposta única, única e correta (por exemplo, “Qual é uma maneira bem-sucedida de pegar esta cebola vermelha?”) . Mais uma vez, é necessário mais do que pura aprendizagem supervisionada.
Você precisa de um robô executando aprendizagem de reforço profundo (RL profundo) para ter sucesso na robótica. Esta abordagem autónoma e de autoaprendizagem combina RL com redes neurais profundas para desbloquear níveis mais elevados de desempenho – a IA adaptará involuntariamente as suas estratégias de aprendizagem e continuará a apurar as suas competências à medida que experimenta novos cenários.
Um desenvolvimento provocador e explosivo está chegando
Nos últimos anos, alguns dos mais brilhantes especialistas em IA e robótica do mundo lançaram as bases técnicas e comerciais para uma revolução do padrão de base robótica que redefinirá o porvir da perceptibilidade sintético.
Embora estes modelos de IA tenham sido construídos de forma semelhante ao GPT, conseguir a autonomia a nível humano no mundo físico é um repto científico dissemelhante por duas razões:
- Edificar um resultado fundamentado em IA que possa atender a uma variedade de configurações do mundo real exige um conjunto notável de requisitos físicos complexos. A IA deve adaptar-se a diferentes aplicações de hardware, pois é duvidoso que um hardware funcione em vários setores (logística, transporte, manufatura, varejo, cultura, saúde, etc.) e atividades dentro de cada setor.
- Armazéns e centros de distribuição são ambientes de aprendizagem ideais para modelos de IA no mundo físico. É geral ter centenas de milhares ou mesmo milhões de diferentes unidades de manutenção de estoque (SKUs) fluindo por qualquer instalação a qualquer momento – fornecendo o conjunto de dados grande, proprietário e de subida qualidade necessário para treinar o “GPT para robótica”.
O “momento GPT” da robótica AI está próximo
A trajetória de desenvolvimento dos modelos de instalação robótica está acelerando em um ritmo muito rápido. As aplicações robóticas, principalmente em tarefas que exigem manipulação precisa de objetos, já estão sendo aplicadas em ambientes de produção do mundo real — e veremos um número exponencial de aplicações robóticas comercialmente viáveis implantadas em graduação em 2024.
Chen publicou mais de 30 artigos acadêmicos que apareceram nas principais revistas globais de IA e aprendizagem de máquina.
