ChatGPT-Like Brain ของ DeepMind สำหรับหุ่นยนต์ช่วยให้พวกเขาเรียนรู้จากอินเทอร์เน็ต

ChatGPT-Like Brain ของ DeepMind สำหรับหุ่นยนต์ช่วยให้พวกเขาเรียนรู้จากอินเทอร์เน็ต

Time Stamp: 2 สิงหาคม 2023 10:00

นับตั้งแต่ที่ ChatGPT แพร่หลายเข้าสู่แวดวงเทคโนโลยีในเดือนพฤศจิกายนปีที่แล้ว ก็ช่วยให้ผู้คนเขียนเนื้อหาทุกประเภท สร้างโค้ด และค้นหาข้อมูลได้ บริษัทและแบบจำลองภาษาขนาดใหญ่ (LLM) อื่นๆ ได้ช่วยอำนวยความสะดวกตั้งแต่การโทรหาฝ่ายบริการลูกค้าไปจนถึงการรับคำสั่งอาหารจานด่วน เมื่อพิจารณาว่า LLM มีประโยชน์ต่อมนุษย์มากน้อยเพียงใดในช่วงเวลาสั้นๆ ที่พวกเขาอยู่รอบๆ ChatGPT สำหรับหุ่นยนต์อาจส่งผลต่อความสามารถในการเรียนรู้และทำสิ่งใหม่ๆ อย่างไร นักวิจัยที่ Google DeepMind ตัดสินใจค้นหาและเผยแพร่การค้นพบของพวกเขาใน โพสต์บล็อก และเอกสารเผยแพร่เมื่อสัปดาห์ที่แล้ว

พวกเขาเรียกระบบของพวกเขาว่า RT-2 ย่อมาจาก Robotics Transformer 2 และเป็นตัวต่อจาก หุ่นยนต์ทรานฟอร์เมอร์1ซึ่งบริษัทเปิดตัวเมื่อปลายปีที่แล้ว RT-1 มีพื้นฐานมาจากโปรแกรมภาษาและการมองเห็นขนาดเล็ก และได้รับการฝึกฝนมาโดยเฉพาะเพื่อให้ทำงานหลายอย่าง ซอฟต์แวร์นี้ใช้ใน Alphabet X's หุ่นยนต์ประจำวันทำให้พวกเขาทำงานต่างๆ ได้มากกว่า 700 งานด้วยอัตราความสำเร็จ 97 เปอร์เซ็นต์ แต่เมื่อได้รับคำสั่งให้ทำงานใหม่ที่พวกเขาไม่ได้รับการฝึก หุ่นยนต์ที่ใช้ RT-1 กลับประสบความสำเร็จเพียง 32 เปอร์เซ็นต์เท่านั้น

RT-2 เพิ่มอัตรานี้เกือบสองเท่า โดยทำงานใหม่สำเร็จ 62 เปอร์เซ็นต์ของเวลาที่ได้รับคำสั่ง นักวิจัยเรียก RT-2 ว่าโมเดลวิชั่นภาษาแอคชั่น (VLA) ใช้ข้อความและรูปภาพที่เห็นทางออนไลน์เพื่อเรียนรู้ทักษะใหม่ๆ มันไม่ง่ายอย่างที่คิด ซอฟต์แวร์จำเป็นต้อง "เข้าใจ" แนวคิดก่อน จากนั้นจึงใช้ความเข้าใจนั้นกับคำสั่งหรือชุดคำสั่ง จากนั้นจึงดำเนินการตามคำสั่งเหล่านั้น

ตัวอย่างหนึ่งที่ผู้เขียนเสนอคือการกำจัดขยะ ในรุ่นก่อนหน้านี้ ซอฟต์แวร์ของหุ่นยนต์จะต้องได้รับการฝึกอบรมก่อนจึงจะระบุถังขยะได้ ตัวอย่างเช่น หากมีกล้วยที่ปอกแล้วบนโต๊ะโดยมีเปลือกอยู่ข้างๆ บอตจะแสดงว่าเปลือกเป็นขยะในขณะที่กล้วยนั้นไม่ใช่ จากนั้นจะสอนวิธีการหยิบเปลือก ย้ายไปยังถังขยะ และฝากไว้ที่นั่น

แม้ว่า RT-2 จะทำงานแตกต่างกันเล็กน้อย เนื่องจากโมเดลได้รับการฝึกฝนเกี่ยวกับข้อมูลและข้อมูลจากอินเทอร์เน็ตจำนวนมาก จึงมีความเข้าใจโดยทั่วไปว่าขยะคืออะไร และแม้ว่าจะไม่ได้รับการฝึกให้ทิ้งขยะ แต่ก็สามารถรวมขั้นตอนต่างๆ เข้าด้วยกันเพื่อทำภารกิจนี้ให้สำเร็จได้

LLM ที่นักวิจัยใช้ในการฝึก RT-2 คือ PaLI-X (การมองเห็นและโมเดลภาษาที่มีพารามิเตอร์ 55 พันล้านพารามิเตอร์) และ ปาล์ม-อี (สิ่งที่ Google เรียกว่าโมเดลภาษาหลายรูปแบบที่เป็นตัวเป็นตน ซึ่งพัฒนาขึ้นสำหรับหุ่นยนต์โดยเฉพาะ โดยมีพารามิเตอร์ 12 พันล้านพารามิเตอร์) “พารามิเตอร์” หมายถึงแอตทริบิวต์ที่โมเดลแมชชีนเลิร์นนิงกำหนดตามข้อมูลการฝึกอบรม ในกรณีของ LLM พวกเขาจำลองความสัมพันธ์ระหว่างคำในประโยคและชั่งน้ำหนักว่าคำหนึ่งๆ จะนำหน้าหรือตามด้วยคำอื่นมากน้อยเพียงใด

การค้นหาความสัมพันธ์และรูปแบบระหว่างคำในชุดข้อมูลขนาดยักษ์ แบบจำลองจะเรียนรู้จากการอนุมานของตนเอง ในที่สุดพวกเขาสามารถเข้าใจได้ว่าแนวคิดที่แตกต่างกันเกี่ยวข้องกันอย่างไรและแยกแยะบริบทได้ ในกรณีของ RT-2 จะแปลความรู้นั้นเป็นคำสั่งทั่วไปสำหรับการกระทำของหุ่นยนต์

การกระทำเหล่านั้นจะแสดงแทนโทเค็นสำหรับหุ่นยนต์ ซึ่งโดยปกติจะใช้เพื่อแสดงข้อความภาษาธรรมชาติในรูปแบบของเศษคำ ในกรณีนี้ โทเค็นเป็นส่วนหนึ่งของการกระทำ และซอฟต์แวร์จะรวมโทเค็นหลายตัวเข้าด้วยกันเพื่อดำเนินการ โครงสร้างนี้ยังช่วยให้ซอฟต์แวร์ดำเนินการให้เหตุผลแบบห่วงโซ่แห่งความคิด ซึ่งหมายความว่าสามารถตอบสนองต่อคำถามหรือการแจ้งเตือนที่ต้องใช้เหตุผลในระดับหนึ่ง

ตัวอย่างที่ทีมให้ ได้แก่ การเลือกวัตถุเพื่อใช้เป็นค้อนเมื่อไม่มีค้อน (หุ่นยนต์เลือกหิน) และการเลือกเครื่องดื่มที่ดีที่สุดสำหรับคนที่เหนื่อยล้า (หุ่นยนต์เลือกเครื่องดื่มชูกำลัง)

สมองเหมือน ChatGPT สำหรับหุ่นยนต์ของ DeepMind ช่วยให้พวกเขาเรียนรู้จากอินเทอร์เน็ต PlatoBlockchain Data Intelligence ค้นหาแนวตั้ง AI.
เครดิตรูปภาพ: Google DeepMind

“RT-2 แสดงความสามารถในการสรุปทั่วไปที่ดีขึ้นและความเข้าใจความหมายและภาพนอกเหนือจากข้อมูลหุ่นยนต์ที่เปิดเผย” นักวิจัยเขียนใน Google โพสต์บล็อก. “ซึ่งรวมถึงการตีความคำสั่งใหม่และการตอบสนองต่อคำสั่งของผู้ใช้โดยการใช้เหตุผลเบื้องต้น เช่น การให้เหตุผลเกี่ยวกับหมวดหมู่วัตถุหรือคำอธิบายระดับสูง”

ความฝันของ หุ่นยนต์อเนกประสงค์ ที่สามารถช่วยเหลือมนุษย์ในทุกสิ่งที่อาจเกิดขึ้นได้ ไม่ว่าจะเป็นในบ้าน สถานที่เชิงพาณิชย์ หรือในโรงงานอุตสาหกรรม จะไม่สามารถทำได้จนกว่าหุ่นยนต์จะเรียนรู้ได้จากทุกที่ สิ่งที่ดูเหมือนสัญชาตญาณพื้นฐานที่สุดสำหรับเราคือสำหรับหุ่นยนต์ การผสมผสานที่ซับซ้อนของการทำความเข้าใจบริบท ความสามารถในการให้เหตุผลผ่านมัน และการดำเนินการเพื่อแก้ปัญหาที่ไม่ได้คาดว่าจะปรากฏขึ้น การเขียนโปรแกรมให้พวกมันตอบสนองอย่างเหมาะสมกับสถานการณ์ที่ไม่ได้วางแผนไว้นั้นเป็นไปไม่ได้ ดังนั้นพวกมันจึงต้องสามารถสรุปและเรียนรู้จากประสบการณ์ได้เช่นเดียวกับมนุษย์

RT-2 เป็นขั้นตอนในทิศทางนี้ นักวิจัยรับทราบว่า แม้ว่า RT-2 สามารถสรุปแนวคิดเชิงความหมายและภาพได้ แต่ยังไม่สามารถเรียนรู้การกระทำใหม่ ๆ ได้ด้วยตัวมันเอง แต่จะใช้การกระทำที่รู้อยู่แล้วกับสถานการณ์ใหม่ บางที RT-3 หรือ 4 จะสามารถยกระดับทักษะเหล่านี้ไปอีกระดับ ในขณะเดียวกันในขณะที่ทีมสรุปใน โพสต์บล็อก“ในขณะที่ยังมีงานอีกมากที่ต้องทำเพื่อให้หุ่นยนต์ที่เป็นประโยชน์ในสภาพแวดล้อมที่มีมนุษย์เป็นศูนย์กลาง RT-2 แสดงให้เราเห็นถึงอนาคตที่น่าตื่นเต้นสำหรับวิทยาการหุ่นยนต์ที่อยู่แค่เอื้อม”

เครดิตภาพ: Google DeepMind

ประทับเวลา:

เพิ่มเติมจาก Hub เอกพจน์