Stanford University, in samenwerking met Google DeepMind, heeft een fascinerende nieuwe benadering ontwikkeld voor het trainen van autonome robots. Het kernidee is om humanoïde robots in staat te stellen menselijke bewegingen in real-time te observeren en na te bootsen, met behulp van een RGB-camera om de bewegingen van het menselijk lichaam en de handen vast te leggen.

Het proces omvat het verzamelen van gegevens over menselijke bewegingen met behulp van geavanceerde pose-schattingsalgoritmen, en vervolgens het trainen van een beleid in een simulatieomgeving om de robot in staat te stellen deze bewegingen te volgen. Deze "mens plus" -benadering creëert een nieuwe pijplijn voor het trainen van autonome robots, waarbij gebruik wordt gemaakt van de rijke gegevens van menselijke acties.

Hoewel het basisrobotmodel, de Unitree H1, minder vrijheidsgraden heeft in vergelijking met het menselijk lichaam, zijn de onderzoekers erin geslaagd de robot te trainen om verschillende autonome taken uit te voeren, waaronder het vouwen van kleding, hoogspringen en navigeren door een magazijnomgeving. De robot kan deze taken volledig autonoom uitvoeren, zonder enige teleopera tie.

De onderzoekers merken op dat de rigide aard van het huidige hardwareplatform uitdagingen met zich meebrengt, maar ze zijn enthousiast over de mogelijkheden van het toepassen van deze technieken op meer geavanceerde robotplatforms in de toekomst. Het vermogen om gegevens over menselijke bewegingen naadloos te integreren in de training van autonome robots, vertegenwoordigt een belangrijke stap voorwaarts op het gebied van humanoïde robotica en imitatieleren.

Naarmate de hardwarecapaciteiten blijven verbeteren, hopen de onderzoekers deze autonome vaardigheden te kunnen inzetten op nieuwere, flexibelere robotplatforms. Dit zou nog indrukwekkendere prestaties op het gebied van behendigheid en veelzijdigheid kunnen opleveren, waardoor we dichter bij een toekomst komen waarin humanoïde robots echt kunnen helpen en samenwerken met mensen bij een breed scala aan taken.

Elon Musk heeft zijn ambitieuze visie voor de toekomst van humanoïde robots gedeeld. Hij gelooft dat Tesla in staat zal zijn om 100 miljoen humanoïde robots, genaamd de Optimus, per jaar te produceren. Musk ziet deze robots in staat om een breed scala aan taken uit te voeren, van huishoudelijke klusjes tot industrieel werk.

Musk stelt dat de vraag naar deze humanoïde robots enorm zal zijn, met mogelijk één robot per mens op de planeet. Hij gelooft dat de productiekosten van deze robots op grote schaal kunnen dalen tot $10.000 per eenheid, waardoor ze betaalbaar worden voor zowel individuele consumenten als bedrijven.

Hoewel Musk's tijdlijn en productiedoelstellingen mogelijk te optimistisch lijken, gelooft hij dat vooruitgang in kunstmatige intelligentie en robotica deze visie binnen de komende 10-20 jaar tot werkelijkheid zal maken. Musk ziet deze humanoïde robots als een transformerende technologie die de manier waarop we leven en werken fundamenteel kan veranderen.

De ambitieuze claims van Musk hebben echter ook op enige scepsis gestuit, aangezien hij een geschiedenis heeft van het stellen van agressieve tijdlijnen die niet altijd worden gehaald. Desalniettemin is het potentieel van humanoïde robots om een breed scala aan taken te automatiseren onmiskenbaar, en Musk's visie benadrukt het snelle tempo van vooruitgang op dit gebied.

Naarmate de ontwikkeling van humanoïde robots doorgaat, zal het belangrijk zijn om de ethische en maatschappelijke implicaties van deze technologie nauwlettend te volgen, om ervoor te zorgen dat deze op een verantwoorde en gunstige manier wordt ingezet.

Voormalige Meta-onderzoekers hebben een nieuwe AI-agent genaamd Jace vrijgegeven, waarvan ze beweren dat deze een breed scala aan taken autonoom kan uitvoeren. De demo toont Jace bij het plannen van een reis, het opzetten van een bedrijf en het uitvoeren van andere webgebaseerde activiteiten.

Hoewel de claims over de capaciteiten van Jace indrukwekkend zijn, is het belangrijk om enkele belangrijke beperkingen op te merken:

1. Planning en multi-staps redeneren: Huidige AI-agenten worstelen nog steeds met complexe planning en multi-staps redeneren. Het vermogen om een LLC van de grond af op te richten, zoals in de demo beweerd, zou geavanceerde plannings- en besluitvormingsvaardigheden vereisen die nog niet breed beschikbaar zijn in AI-systemen.

2. Snelheid en betrouwbaarheid: De demo erkent dat de huidige browsesnelheid van Jace "enigszins traag" is en dat het team eraan werkt om deze sneller en betrouwbaarder te maken.

3. Beperkingen voor ingewikkelde taken: De makers stellen dat Jace "kan worstelen met ingewikkelde taken", wat suggereert dat er nog steeds aanzienlijke beperkingen zijn aan de capaciteiten ervan.

4. Gebrek aan openbare toegang: Jace bevindt zich momenteel in een gesloten bèta, en gebruikers kunnen zich alleen op de wachtlijst inschrijven om toegang te krijgen tot de agent. Deze beperkte beschikbaarheid maakt het moeilijk om de claims over de capaciteiten onafhankelijk te verifiëren.

Hoewel de ontwikkeling van Jace een interessante vooruitgang is op het gebied van AI-agenten, is het belangrijk om dergelijke claims kritisch te benaderen. De AI-gemeenschap heeft in het verleden veel ambitieuze beloften gezien, en het is cruciaal om te wachten op onafhankelijke verificatie en verdere vooruitgang voordat er conclusies worden getrokken over de werkelijke capaciteiten van dit of enig ander AI-systeem.

De recente benoeming van een voormalige National Security Agency (NSA)-functionaris in de raad van bestuur van Open AI heeft zorgen opgeroepen over de mogelijke implicaties voor AI-governance. Deze stap suggereert dat Open AI stappen onderneemt om de nationale veiligheidsgevolgen van zijn geavanceerde AI-technologieën aan te pakken.

De voormalige NSA-functionaris, die eerder verantwoordelijk was voor massasurveillanceprogramma's, is nu belast met het bieden van toezicht en begeleiding aan Open AI. Deze benoeming geeft aan dat het bedrijf verwacht dat er meer overheidstoezicht en -regulering zal komen op zijn AI-systemen, vooral naarmate deze krachtiger en capabeler worden.

De benoeming roept ook vragen op over de balans tussen innovatie en veiligheid op het gebied van AI. Aan de ene kant hebben de geavanceerde AI-technologieën van Open AI het potentieel om aanzienlijke technologische vooruitgang en maatschappelijke voordelen te brengen. Aan de andere kant zijn er ook gegronde zorgen over het mogelijke misbruik van deze technologieën voor surveillance, manipulatie of andere kwaadaardige doeleinden.

Door een voormalige NSA-functionaris aan te stellen, geeft Open AI aan dat het deze zorgen serieus neemt en bereid is samen te werken met overheidsinstanties om ervoor te zorgen dat zijn AI-systemen op verantwoorde wijze worden ontwikkeld en ingezet. Deze stap kan ook worden gezien als een preventieve maatregel om mogelijke conflicten met overheidsregulators in de toekomst te vermijden.

Over het geheel genomen is de benoeming van de voormalige NSA-functionaris in de raad van bestuur van Open AI een belangrijke ontwikkeling die de groeiende betekenis van AI-governance benadrukt en de noodzaak van samenwerking tussen de particuliere sector en overheidsinstanties om de complexe uitdagingen van geavanceerde AI-technologieën aan te pakken.

Onderzoekers hebben een "mengsel van agenten"-benadering geïntroduceerd die gebruikmaakt van meerdere grote taalmodellen (LLM's) om state-of-the-art prestaties te bereiken, waarbij zelfs het krachtige GPT-4-model wordt overtroffen.

De belangrijkste aspecten van deze benadering zijn:

1. Collectieve kracht van meerdere LLM's: Door de collectieve kracht van verschillende open-source LLM-agenten te benutten, konden de onderzoekers de algehele kwaliteit van de antwoorden verbeteren.

2. Referentie-implementatie: De onderzoekers hebben een referentie-implementatie genaamd "Mixture of the Arts" geleverd die verschillende open-source LLM-agenten gebruikt om een score van 65,1% te behalen op de Alpaca EV Eval 2.0-benchmark, waarmee het de vorige leider, GPT-4, overtreft.

3. Meerlaags architectuur: De benadering organiseert de LLM-agenten in meerdere lagen, waarbij de uitvoer van de ene laag wordt ingevoerd in de volgende laag voor verdere verfijning. Dit iteratieve proces stelt het systeem in staat om hoogwaardige antwoorden te synthetiseren.

4. Synthesizer/Aggregator: Een belangrijk onderdeel is de "synthesizer" of "aggregator" die de antwoorden van de verschillende LLM-agenten in elke laag combineert om één hoogwaardig eindresultaat te produceren.

De resultaten tonen de kracht aan van het benutten van de collectieve capaciteiten van meerdere LLM's, zelfs wanneer gebruik wordt gemaakt van open-source modellen die niet zo geavanceerd zijn als GPT-4. Deze benadering benadrukt het potentieel voor verdere vooruitgang in de prestaties van grote taalmodellen door middel van innovatieve architectuurontwerpen en ensemble-technieken.