Roboty dostały skalę od 0 do 5. Na końcu jest maszyna, która sama staje się lepsza

Jeden producent mówi, że jego robot jest autonomiczny. Drugi nazywa swój model inteligentnym, trzeci reklamuje embodied AI, a czwarty pokazuje humanoida, który po 20 próbach nauczył się nowej czynności. Problem w tym, że każde z tych określeń może znaczyć coś zupełnie innego. Arm chce zrobić z tym porządek i proponuje skalę możliwości robotów od RL0 do RL5. Na najniższym poziomie maszyna po prostu reaguje. Na najwyższym ma potrafić poprawiać własne strategie wraz z doświadczeniem.

Pomysł jest bardzo podobny do klasyfikacji SAE znanej z motoryzacji. Dzięki niej hasło samochód autonomiczny można zastąpić bardziej konkretnym określeniem poziomu automatyzacji i od razu mniej więcej wiadomo, ile odpowiedzialności pozostaje po stronie człowieka.

Arm chce stworzyć podobny wspólny język dla robotyki. Nowe Robotics Capability Framework dzieli stopień zaawansowania zachowania maszyny na 6 poziomów: od RL0 do RL5. Nie jest to więc jeszcze oficjalny międzynarodowy standard. Arm nazywa swój framework punktem wyjścia i zaprasza producentów robotów, dostawców podzespołów, regulatorów, ubezpieczycieli i naukowców do jego dalszego rozwijania.

W inicjatywę zaangażowało się już ponad 80 firm z ekosystemu physical AI. Wśród nich są m.in. AWS, Hugging Face, Siemens, Unitree Robotics, QNX czy PSYONIC. Do prac nad samą klasyfikacją Arm wymienia również ANYbotics, Fourier, Galbot, Lenovo, Robotec.ai i McKinsey.

Najniższy poziom Arm określa jako Reactive, czyli reaktywny. RL0 nie musi być przy tym prymitywną maszyną. Może być bardzo szybki, niezwykle precyzyjny i mieć świetne czujniki. Jego zachowanie jest jednak ściśle związane z wcześniej przewidzianymi regułami i reakcjami na konkretne bodźce.

Dobrym przykładem może być klasyczny robot przemysłowy pracujący w kontrolowanym stanowisku. Czujnik wykrywa element, ramię wykonuje zaprogramowany ruch, odkłada część i wraca na pozycję początkową. Jeśli otoczenie zmieni się w sposób, którego wcześniej nie uwzględniono, maszyna nie wymyśla nowego sposobu wykonania zadania.

Na Spider’s Web niedawno opisywaliśmy, jak duża jest różnica pomiędzy takim robotem a physical AI. W klasycznej automatyce przewagą jest właśnie powtarzalność. Nowa generacja ma być wartościowa dlatego, że potrafi działać również wtedy, gdy świat przestaje wyglądać dokładnie tak jak podczas programowania.

Poziom RL1 Arm nazywa Deliberative. Maszyna nie tylko reaguje na pojedynczy bodziec, lecz potrafi przed działaniem wykorzystać dostępne informacje i plan w ramach określonego zadania. Nadal porusza się jednak w dość mocno ograniczonym świecie. Człowiek definiuje cel i reguły, a robot dobiera sposób wykonania spośród zachowań, na które został przygotowany.

Kolejny poziom, RL2 Adaptive, dodaje zdolność dostosowania wykonania na podstawie informacji zwrotnej. Robot może zauważyć, że droga jest zablokowana, chwyt się nie udał albo obiekt znajduje się nieco gdzie indziej, niż przewidywał, i odpowiednio zmodyfikować działanie.

Granica pomiędzy tymi poziomami może brzmieć niezwykle delikatnie, ale właśnie dlatego Arm próbuje stworzyć wspólną terminologię. Dzisiaj dwaj producenci mogą nazwać oba takie urządzenia autonomicznymi, mimo że ich zachowanie w nieprzewidzianej sytuacji będzie zupełnie inne.

Przy RL3 Contextual dochodzimy do maszyn znacznie bliższych temu, co dziś wyobrażamy sobie pod hasłem inteligentnego robota. System nie ma już tylko wykrywać przeszkody i wybierać objazdu. Powinien brać pod uwagę szerszy kontekst oraz intencję zadania i na tej podstawie wybierać właściwe działanie.

Wyobraźmy sobie robota magazynowego, któremu spadło pudełko. System na niższym poziomie może po prostu zatrzymać się, bo na trasie pojawiła się przeszkoda. Robot kontekstowy powinien rozpoznać, że przeszkoda jest jednocześnie przewożonym przez niego ładunkiem, podnieść ją i dopiero potem kontynuować misję.

Nie chodzi więc tylko o coraz większą liczbę zapisanych scenariuszy. Maszyna ma połączyć dane z kamer, czujników, wcześniejszego polecenia i aktualnej sytuacji, a potem zdecydować, co w danym momencie ma sens. To właśnie w tym miejscu physical AI zaczyna mocno różnić się od tradycyjnej automatyki.

RL4 Cognitive ma pójść jeszcze dalej. Arm wiąże ten poziom z rozumowaniem obejmującym wiele celów, planowaniem i koordynacją złożonych działań.

Zamiast otrzymać dokładną instrukcję: jedź 4 m, chwyć pudełko A, obróć się i połóż je na półce B, robot może dostać po prostu rezultat: przygotuj to stanowisko do następnego zlecenia. Wtedy sam musi rozbić cel na mniejsze zadania, ustalić ich kolejność, uwzględnić dostępne narzędzia, otoczenie i inne ograniczenia.

To poziom, w stronę którego celują dzisiejsi producenci zaawansowanych humanoidów. Nie oznacza to jednak, że każdy robot potrafiący efektownie chodzić albo rozmawiać jest automatycznie RL4.

Przykład doskonale widać przy robotycznych dłoniach. Humanoid może mieć bardzo zaawansowany model planowania, ale jednocześnie nadal fatalnie radzić sobie z chwytaniem delikatnych, śliskich czy deformujących się przedmiotów. I właśnie dlatego sama liczba obok litery RL nie ma opisywać całego robota.

Robotics Capability Framework nie ma sprowadzać robota do jednej cyferki przyklejonej na obudowie: RL4, więc sprawa załatwiona.

Poziomy są tak naprawdę tylko jedną osią opisu. Drugą stanowi profil konkretnych możliwości, obejmujący m.in. percepcję, lokalizację, ruch, manipulację, podejmowanie decyzji, uczenie się, interakcję z ludźmi, bezpieczeństwo, cyberbezpieczeństwo czy zarządzanie całym cyklem życia urządzenia.

Robot może więc świetnie samodzielnie planować trasę, a jednocześnie znacznie gorzej manipulować przedmiotami. Inny będzie bardzo zręczny, ale przy każdej nietypowej sytuacji będzie potrzebował człowieka. Ma to ograniczyć jeden z największych problemów współczesnej robotyki: efektowne demonstracje często wyglądają podobnie, mimo że pod spodem kryją się kompletnie różne poziomy autonomii.

Humanoidy potrafią już wykonywać bardzo zaawansowane zadania pod pełną kontrolą człowieka. Robot przeprowadzający operację może wyglądać na niezwykle inteligentnego, ale jeżeli chirurg zdalnie kieruje każdym jego ruchem, nie jest to ten sam rodzaj autonomii co w maszynie samodzielnie planującej zadanie.

Najwyższy poziom to RL5 Self-Improving. Tutaj robot nie tylko dopasowuje zachowanie podczas jednej sytuacji. Ma potrafić wykorzystywać doświadczenia z kolejnych zadań do długoterminowej poprawy swoich strategii.

Przykładowo maszyna może odkryć, że określony sposób chwytania nieregularnych pudełek częściej prowadzi do poślizgu. Zamiast za każdym razem popełniać ten sam błąd albo czekać na nowe oprogramowanie od inżyniera, system uczy się lepszej strategii i później wykorzystuje ją w podobnych sytuacjach.

Arm mówi tutaj o systemach self-improving, uczeniu, adaptacji i coraz bardziej zaawansowanych zachowaniach. Nie oznacza to jednak automatycznie robota, który bez kontroli człowieka przepisuje własny kod źródłowy, projektuje sobie nowe ciało albo staje się sztuczną inteligencją ogólną. Samodoskonalenie jest w tym frameworku przede wszystkim poziomem zdolności do uczenia się i poprawiania zachowania w czasie. To i tak jednak ogromna zmiana.

Arm nie stworzył tej klasyfikacji wyłącznie po to, żeby konsumenci mogli porównywać humanoidy niczym telefony. Każdy kolejny poziom ma oznaczać również inne wymagania sprzętowe. Zaawansowany robot musi w czasie rzeczywistym przetwarzać dane z wielu kamer i czujników, uruchamiać modele AI, planować ruch, sterować silnikami, pilnować bezpieczeństwa i reagować z przewidywalnym opóźnieniem. Dochodzi pamięć, pobór energii, chłodzenie, miejsce wykonywania obliczeń i komunikacja z chmurą.

Nie każdą decyzję można przecież wysłać do centrum danych i czekać na odpowiedź. Robot, który właśnie traci równowagę albo zbliża rękę do człowieka, musi zareagować lokalnie w milisekundach.

Przeczytaj także:

Arm szacuje, że physical AI może w latach 30. stworzyć rynek obliczeniowy wart około 200 mld dol. rocznie. Firma ma więc bardzo konkretny biznesowy powód, żeby przekonać producentów robotów do wspólnego opisywania wymagań sprzętowych.

*Grafika wprowadzająca wygenerowana przez AI