L'Università di Stanford, in collaborazione con Google DeepMind, ha sviluppato un nuovo e affascinante approccio per l'addestramento di robot autonomi. L'idea chiave è quella di consentire ai robot umanoidi di osservare e imitare i movimenti umani in tempo reale, utilizzando una telecamera RGB per catturare i movimenti del corpo e delle mani umani.

Il processo prevede la raccolta di dati sui movimenti umani utilizzando algoritmi avanzati di stima della posizione, e successivamente l'addestramento di una politica in un ambiente di simulazione per consentire al robot di seguire questi movimenti. Questo approccio "human plus" crea una nuova pipeline per l'addestramento di robot autonomi, sfruttando i ricchi dati delle azioni umane.

Sebbene il modello di robot di base, l'Unitree H1, abbia gradi di libertà limitati rispetto al corpo umano, i ricercatori sono riusciti ad addestrare il robot per eseguire una varietà di compiti autonomi, tra cui piegare i vestiti, saltare in alto e navigare in un ambiente di magazzino. Il robot è in grado di eseguire questi compiti in modo completamente autonomo, senza alcuna teleoperazione.

I ricercatori osservano che la natura rigida dell'attuale piattaforma hardware pone delle sfide, ma sono entusiasti delle potenzialità di applicare queste tecniche a piattaforme robotiche più avanzate in futuro. La capacità di integrare in modo fluido i dati sui movimenti umani nell'addestramento di robot autonomi rappresenta un passo significativo nel campo della robotica umanoide e dell'apprendimento per imitazione.

Man mano che le capacità hardware continuano a migliorare, i ricercatori sperano di esplorare il dispiegamento di queste abilità autonome su piattaforme robotiche più nuove e flessibili. Ciò potrebbe sbloccare ancora più impressionanti prodezze di destrezza e versatilità, avvicinandoci a un futuro in cui i robot umanoidi possano davvero assistere e collaborare con gli esseri umani in una vasta gamma di attività.

Elon Musk ha condiviso la sua ambiziosa visione per il futuro dei robot umanoidi. Egli crede che Tesla sarà in grado di produrre 100 milioni di robot umanoidi, chiamati Optimus, all'anno. Musk immagina che questi robot siano in grado di svolgere una vasta gamma di compiti, dalle faccende domestiche ai lavori industriali.

Musk sostiene che la domanda di questi robot umanoidi sarà enorme, con potenzialmente un robot per ogni essere umano sul pianeta. Egli ritiene che il costo di produzione di questi robot su larga scala possa essere di soli 10.000 dollari per unità, rendendoli accessibili sia ai consumatori individuali che alle aziende.

Sebbene la tempistica e gli obiettivi di produzione di Musk possano sembrare eccessivamente ottimistici, egli crede che i progressi nell'intelligenza artificiale e nella robotica renderanno questa visione una realtà nell'arco dei prossimi 10-20 anni. Musk vede questi robot umanoidi come una tecnologia trasformativa che potrebbe cambiare radicalmente il modo in cui viviamo e lavoriamo.

Tuttavia, le ambiziose affermazioni di Musk hanno suscitato un certo scetticismo, poiché egli ha una storia di impostazione di scadenze aggressive che non sempre vengono rispettate. Tuttavia, il potenziale dei robot umanoidi di automatizzare una vasta gamma di compiti è innegabile, e la visione di Musk evidenzia il ritmo rapido dei progressi in questo campo.

Mano a mano che lo sviluppo dei robot umanoidi continua, sarà importante monitorare attentamente le implicazioni etiche e sociali di questa tecnologia, assicurandosi che venga dispiegata in modo responsabile e benefico.

I ricercatori ex Meta hanno rilasciato un nuovo agente AI chiamato Jace, che affermano essere in grado di gestire una vasta gamma di compiti in modo autonomo. La demo mostra Jace che pianifica un viaggio, crea un'azienda e svolge altre attività basate sul web.

Sebbene le affermazioni fatte sulle capacità di Jace siano impressionanti, è importante notare alcune limitazioni chiave:

1. Pianificazione e ragionamento multi-step: Gli attuali agenti AI ancora faticano con la pianificazione complessa e il ragionamento multi-step. La capacità di creare una LLC da zero, come affermato nella demo, richiederebbe capacità avanzate di pianificazione e decision-making che non sono ancora ampiamente disponibili nei sistemi AI.

2. Velocità e affidabilità: La demo riconosce che la velocità di navigazione attuale di Jace è "piuttosto lenta" e che il team sta lavorando per renderla più veloce e affidabile.

3. Limitazioni sui compiti complicati: I creatori affermano che Jace "può avere difficoltà con compiti complicati", il che suggerisce che ci sono ancora limitazioni significative alle sue capacità.

4. Mancanza di accesso pubblico: Jace è attualmente in una beta chiusa e gli utenti possono solo iscriversi alla lista d'attesa per accedere all'agente. Questa disponibilità limitata rende difficile verificare in modo indipendente le affermazioni fatte sulle sue capacità.

Sebbene lo sviluppo di Jace sia un progresso interessante nel campo degli agenti AI, è importante affrontare tali affermazioni con un occhio critico. La comunità AI ha visto molte promesse ambiziose in passato, ed è fondamentale attendere la verifica indipendente e ulteriori progressi prima di trarre conclusioni sulle vere capacità di questo o di qualsiasi altro sistema AI.

La recente nomina di un ex funzionario della National Security Agency (NSA) nel consiglio di amministrazione di OpenAI ha sollevato preoccupazioni sulle potenziali implicazioni per la governance dell'IA. Questa mossa suggerisce che OpenAI sta intraprendendo passi per affrontare le implicazioni di sicurezza nazionale delle sue tecnologie di IA avanzate.

L'ex funzionario della NSA, che in precedenza era a capo di programmi di sorveglianza di massa, è ora incaricato di fornire supervisione e orientamento a OpenAI. Questa nomina indica che l'azienda sta anticipando un aumento del controllo e della regolamentazione governativa dei suoi sistemi di IA, soprattutto man mano che diventano più potenti e capaci.

La nomina solleva anche interrogativi sull'equilibrio tra innovazione e sicurezza nel campo dell'IA. Da un lato, le tecnologie di IA avanzate di OpenAI hanno il potenziale per guidare progressi tecnologici e benefici sociali significativi. Tuttavia, ci sono anche valide preoccupazioni sull'uso improprio di queste tecnologie per la sorveglianza, la manipolazione o altri scopi dannosi.

Portando a bordo un ex funzionario della NSA, OpenAI sta segnalando che sta prendendo sul serio queste preoccupazioni ed è disposta a collaborare con le agenzie governative per garantire che i suoi sistemi di IA vengano sviluppati e distribuiti in modo responsabile. Questa mossa potrebbe anche essere vista come una misura preventiva per evitare potenziali conflitti con i regolatori governativi in futuro.

Complessivamente, la nomina dell'ex funzionario della NSA nel consiglio di amministrazione di OpenAI è uno sviluppo significativo che evidenzia l'importanza crescente della governance dell'IA e la necessità di una collaborazione tra il settore privato e le agenzie governative per affrontare le sfide complesse poste dalle tecnologie di IA avanzate.

I ricercatori hanno introdotto un approccio "mixture of agents" che sfrutta più modelli di linguaggio su larga scala (LLM) per raggiungere prestazioni all'avanguardia, superando persino il potente modello GPT-4.

Gli aspetti chiave di questo approccio sono:

1. Forza collettiva di più LLM: Sfruttando la forza collettiva di diversi agenti LLM open-source, i ricercatori sono stati in grado di migliorare la qualità complessiva delle risposte.

2. Implementazione di riferimento: I ricercatori hanno fornito un'implementazione di riferimento chiamata "Mixture of the Arts" che utilizza vari agenti LLM open-source per raggiungere un punteggio del 65,1% sul benchmark Alpaca EV Eval 2.0, superando il precedente leader, GPT-4.

3. Architettura multi-layer: L'approccio organizza gli agenti LLM in più strati, dove gli output di uno strato vengono alimentati nello strato successivo per un ulteriore affinamento. Questo processo iterativo consente al sistema di sintetizzare risposte di alta qualità.

4. Sintetizzatore/Aggregatore: Un componente chiave è il "sintetizzatore" o "aggregatore" che combina le risposte dai diversi agenti LLM in ogni strato per produrre un singolo output di alta qualità.

I risultati dimostrano la potenza di sfruttare le capacità collettive di più LLM, anche utilizzando modelli open-source meno avanzati di GPT-4. Questo approccio evidenzia il potenziale per ulteriori progressi nelle prestazioni dei modelli di linguaggio su larga scala attraverso disegni architettonici innovativi e tecniche di ensemble.