De senaste åren har vi sett anmärkningsvärda framsteg inom området för robotisk AI, med betydande genombrott både inom fysisk och kognitiv intelligens. Dessa utvecklingar har fört oss närmare realiseringen av verkligt intelligenta och anpassningsbara robotsystem.

Ett av de viktiga områdena för framsteg har varit inom fysisk intelligens, vilket omfattar robotens förmåga att utföra skickliga manipulationer, bibehålla balans och navigera i dynamiska miljöer. Införandet av multitaskförstärkningsinlärningstekniker, såsom MT-Opt, har möjliggjort för robotar att lära sig och utföra flera uppgifter genom att utnyttja delade inlärningsprinciper, vilket gör inlärningsprocessen mer effektiv och resulterar i robotar som kan anpassa sig till en mängd olika uppgifter i föränderliga miljöer.

Förutom det har framväxten av transformerbaserade arkitekturer, såsom RT1 och RT2, varit banbrytande. Dessa modeller har omvandlat sättet på vilket robotar förstår och interagerar med världen, och överbryggar gapet mellan deras perception och de språkbaserade instruktioner de får. Genom att anpassa robotstyrning till språkliga förmågor har dessa modeller möjliggjort för robotar att tolka komplexa kommandon, utföra semantisk resonering och generalisera sina färdigheter till nya, obekanta miljöer.

Paradigmskiftet från specialiserade till generella robotar har drivits främst av framstegen inom transformers och stora språkmodeller. I det förflutna var robotar utmärkta specialister, men dåliga generalister, eftersom de krävde träning av en separat modell för varje uppgift och miljö. Den här ansatsen är dock ineffektiv och opraktisk, eftersom den verkliga världen alltid är dynamisk och ständigt förändras.

Utvecklingen av AI-agenter, såsom forskningsartikeln "Voyer", som visade upp kraftfulla besluts- och planeringsförmågor i den digitala världen Minecraft, har demonstrerat potentialen för att överföra kognitiva förmågor till fysiska AI-agenter. Företag som Boston Dynamics har redan börjat utrusta sina robothundar, som Spot, med stora språkmodeller för att förbättra deras kognitiva förmågor och leverera nya upplevelser för slutanvändarna.

Genombrottet inom robotstyrning har också varit betydande. Införandet av MT-OPT, ett paradigmskifte från enkel- till multitasksinlärning, möjliggjorde för en enskild robot att lära sig och utföra flera uppgifter genom att utnyttja delade inlärningsprinciper. Detta gjorde inte bara träningen mer data- och tidseffektiv, utan resulterade också i robotar som kunde anpassa sig till en mängd olika uppgifter i dynamiska miljöer.

De senaste åren har sett betydande genombrott inom området för robotstyrning och multitasksinlärning. En av de viktiga utvecklingarna är införandet av MT-OP (Multitask Robotic Reinforcement Learning)-ramverket, som möjliggör för en enskild robot att lära sig och utföra flera uppgifter genom att utnyttja delade inlärningsprinciper. Detta representerar ett paradigmskifte från den tidigare state-of-the-art, där robotar var tvungna att tränas från grunden för varje ny uppgift.

MT-OP-ramverket gör det möjligt för robotar att tillämpa kunskap från en uppgift på en annan, likt en kock som använder färdigheter från bakning av bakverk för att även baka bröd. Denna delade inlärning gör inte bara träningsprocessen mer data- och tidseffektiv, utan resulterar också i robotar som kan anpassa sig till en mängd olika uppgifter i dynamiska miljöer.

Byggt på detta markerade introduktionen av RT1 (Robotic Transformer 1) i december 2022 ett betydande steg framåt i robotinlärning. RT1 antar en transformerarkitektur och tar emot både indata (kamerabilder, uppgiftsinstruktioner) och utdata (motorkommandon) och omvandlar dem till ett språk som robotens AI kan förstå. Detta gör det möjligt för robotar att inte bara utföra uppgifter de tränats direkt på, utan också generalisera och utföra uppgifter de aldrig sett förut, likt en människa som läser en kokbok och lagar en måltid de aldrig lagat tidigare.

De senaste åren har vittnat om en anmärkningsvärd ökning av utvecklingen av stora språkmodeller, som har revolutionerat fältet för artificiell intelligens. Dessa kraftfulla modeller har inte bara visat sin skicklighet inom naturlig språkbehandling, utan har också börjat göra betydande framsteg inom robotik.

Ett av de viktiga genombrotten har varit framväxten av modeller som GPT-4V, som sömlöst kan integreras med traditionella robotsystem och möjliggöra för dem att förstå och utföra komplexa kommandon. Denna integration av språkförståelse med fysiska förmågor har varit en banbrytande förändring och banat väg för en ny era av mångsidiga och anpassningsbara robotagenter.

Dessutom har utvecklingen av algoritmer som kan överbrygga gapet mellan "System 1"- och "System 2"-kognitiva processer varit ett avgörande steg mot mer robusta och intelligenta robotstyrningar. Dessa framsteg har möjliggjort för robotar att inte bara utföra specifika uppgifter, utan också engagera sig i högre nivåers resonemang och beslutsfattande, vilket gör dem mer kapabla att navigera i dynamiska miljöer och anpassa sig till förändrade omständigheter.

Den viktigaste utvecklingen under de senaste månaderna har varit betydelsen av mångsidig och storskalig träningsdata för att driva framåt robotisk AI. Introduktionen av OpenX Embodiment-datauppsättningen, ett samarbete mellan 20 institutioner som tillhandahåller data från 22 olika robotkroppar som demonstrerar över 500 färdigheter och 150 000 uppgifter, har varit en banbrytande förändring.

Jämfört med den tidigare RT1-modellen, som tränades på endast 700 uppgifter, har RTX-modellen som tränats på denna massiva nya datauppsättning visat en anmärkningsvärd 300-procentig förbättring i utvärdering av framväxande färdigheter. Detta visar skalningslagen i praktiken - med större och mer mångfacetterade datauppsättningar kan prestandan hos robotiska AI-modeller förbättras avsevärt utan några grundläggande arkitekturförändringar.

Förutom det håller utvecklingen av tekniker som AutoRT, som potentiellt kan generera enorma mängder träningsdata från den verkliga världen med hjälp av visuella språkmodeller och stora språkmodeller, stor potential för att ytterligare påskynda framstegen inom robotisk AI. Genom att kontinuerligt träna robotar att utföra olika uppgifter och använda data som delad träning är potentialen för att generera stora och mångfacetterade datauppsättningar enorm.

De senaste årens utveckling av transformers och stora språkmodeller har drivit betydande framsteg inom både kognitiv intelligens och fysisk intelligens på mellannivå för robotik. Ett område som dock ofta har halkat efter är behärskningen av verkliga lågniväfärdigheter inom dexteritet, såsom intrikata handmanipulationer.

Denna utmaning är känd som Moravecs paradox, ett begrepp som introducerades för 30 år sedan av den framstående robotikforskaren H. Moravec. Paradoxen antyder att det är relativt lätt för datorer att uppnå vuxennivåprestanda på intelligenta uppgifter, som att spela schack, men mycket svårare att replikera färdigheterna hos ett ettårigt barn inom perception och rörlighet.

Teorierna bakom denna paradox är att de enkla problemen, som att gå, springa och handmanipulation, har utvecklats av människor under hundratusentals år och har blivit djupt intuitiva. Att översätta dessa färdigheter till datorer har visat sig vara en betydande utmaning.

Men nyliga forskningsframsteg har dock visat på potentialen för stora språkmodeller, som GPT-4, att övervinna denna paradox. Genom att använda dessa modeller för att utforma belöningsfunktioner för förstärkningsinlärning har robotar kunnat träna och utveckla lågniväfärdigheter inom dexteritet på en övernaturlig nivå.

De senaste åren har vittnat om anmärkningsvärda framsteg inom robotikområdet, drivna av den snabba utvecklingen av stora språkmodeller och transformers. Dessa genombrott har banat väg för en framtid där robotar inte bara kan utföra specialiserade uppgifter, utan också anpassa sig till dynamiska miljöer och generalisera sina färdigheter.

En av de viktiga utvecklingarna har varit introduktionen av multitaskrobotisk förstärkningsinlärning (MT-OP), som möjliggör för en enskild robot att lära sig och utföra flera uppgifter genom att utnyttja delade inlärningsprinciper. Denna ansats har gjort träningsprocessen mer effektiv och resulterat i robotar som kan anpassa sig till en mängd olika uppgifter i dynamiska miljöer.

Byggt på detta har den senaste introduktionen av RT1 och RT2 av Google varit banbrytande. Dessa modeller har omvandlat sättet på vilket robotar förstår och interagerar med världen, genom att integrera deras handlingar med språkmodeller för att uppnå anmärkningsvärda nivåer av generalisering. RT2 har särskilt visat ett betydande steg framåt i prestanda, med en framgångsfrekvens på 62 % i verkliga tillämpningar, en anmärkningsvärd förbättring jämfört med den tidigare RT1-modellen.