Slik begynner endelig robotopprøret

De skyldige er Wintermeyer

Robotarmen utfører en særegen form for sisyfisk oppgave. Den svever over en glitrende haug med kokte kyllingdeler, dypper ned og henter et enkelt stykke. Et øyeblikk senere svinger den rundt og plasserer kyllingbiten, aldri så forsiktig, i en bento-boks som beveger seg langs et transportbånd.

Denne roboten, kontrollert av programvare fra et San Francisco-basert selskap kalt Osaro, er smartere enn noen du har sett før. Programvaren har lært den å plukke og plassere kylling på omtrent fem sekunder. I løpet av året forventer Osaro at robotene deres vil finne arbeid i en japansk matfabrikk.

Denne historien var en del av vår utgave av juli 2018

• Se resten av saken
• Abonnere

Alle som er bekymret for et robotopprør trenger bare å gå inn i en moderne fabrikk for å se hvor langt unna det er. De fleste roboter er kraftige og presise, men kan ikke gjøre noe med mindre de er omhyggelig programmert. En vanlig robotarm mangler sansen som trengs for å plukke opp en gjenstand hvis den flyttes en tomme. Det er helt håpløst å gripe noe ukjent; den vet ikke forskjellen mellom en marshmallow og en blykube. Å plukke opp uregelmessig formede kyllingstykker fra en tilfeldig haug er en genial handling.

Industriroboter har stort sett vært uberørt av de siste fremskrittene innen kunstig intelligens. I løpet av de siste fem eller så årene har AI-programvare blitt dyktig til å identifisere bilder, vinne brettspill og svare på en persons stemme med praktisk talt ingen menneskelig innblanding. Den kan til og med lære seg selv nye evner, gitt nok tid til å øve. Alt dette mens AIs maskinvarefettere, roboter, sliter med å åpne en dør eller plukke opp et eple.

Det er i ferd med å endre seg. AI-programvaren som styrer Osaros robot lar den identifisere objektene foran den, studere hvordan de oppfører seg når de stikker, dyttes og gripes, og deretter bestemme hvordan de skal håndteres. Som andre AI-algoritmer, lærer den av erfaring. Ved å bruke et hyllekamera kombinert med maskinlæringsprogramvare på en kraftig datamaskin i nærheten, finner den ut hvordan den skal forstå ting effektivt. Med nok prøving og feiling kan armen lære å forstå omtrent alt den måtte komme over.

En robot henter produkter fra en søppelkasse ved Osaros hovedkvarter. Winni Wintermeyer

Arbeidsplassroboter utstyrt med AI vil la automatisering krype inn på mange flere arbeidsområder. De kan erstatte folk hvor som helst der produktene må sorteres, pakkes ut eller pakkes. I stand til å navigere i et kaotisk fabrikkgulv, kan de ta enda flere jobber innen produksjon. Det er kanskje ikke et opprør, men det kan likevel bli en revolusjon. Vi ser mye eksperimentering nå, og folk prøver mange forskjellige ting, sier Willy Shih, som studerer trender innen produksjon ved Harvard Business School. Det er en enorm mulighet for å [automatisere] repeterende oppgaver.

Det er en revolusjon ikke bare for robotene, men også for AI. Ved å sette AI-programvare i en fysisk kropp kan den bruke visuell gjenkjenning, tale og navigasjon ute i den virkelige verden. Kunstig intelligens blir smartere ettersom den lever av mer data. Så med hvert grep og plassering vil programvaren bak disse robotene bli mer og mer flinke til å forstå verden og hvordan den fungerer.

Dette kan føre til fremskritt som ikke ville vært mulig uten alle disse dataene, sier Pieter Abbeel, professor ved University of California, Berkeley, og grunnleggeren av Covariant.ai (inntil nylig kalt Embodied Intelligence), en oppstart som bruker maskinlæring og virtuell virkelighet til robotikk i produksjon.

Separert ved fødselen

Denne epoken har vært lenge på vei. I 1954 patenterte George C. Devol, en oppfinner, et design for en programmerbar mekanisk arm. I 1961 gjorde en produksjonsgründer ved navn Joseph Engelberger designet til Unimate, en uhåndterlig, vanskelig maskin som først ble brukt på et General Motors samlebånd i New Jersey.

Fra begynnelsen var det en tendens til å romantisere intelligensen bak disse enkle maskinene. Engelberger valgte navnet robot for Unimate til ære for androidene som science fiction-forfatteren Isaac Asimov har drømt om. Men maskinene hans var grove mekaniske enheter rettet til å utføre en spesifikk oppgave av relativt enkel programvare. Selv dagens mye mer avanserte roboter forblir lite mer enn mekaniske dunser som må programmeres for hver handling.

Kunstig intelligens fulgte en annen vei. På 1950-tallet satte den seg for å bruke dataverktøyene for å etterligne menneskelignende logikk og fornuft. Noen forskere forsøkte også å gi disse systemene en fysisk tilstedeværelse. Allerede i 1948 og 1949 utviklet William Gray Walter, en nevroforsker i Bristol, Storbritannia, to små autonome maskiner som han kalte Elsie og Elmer. Disse skilpadde-lignende enhetene var utstyrt med enkle, nevrologisk inspirerte kretsløp som lot dem følge en lyskilde på egen hånd. Walter bygde dem for å vise hvordan forbindelsene mellom bare noen få nevroner i hjernen kan resultere i relativt kompleks oppførsel.

En ansatt ved Embodied Intelligence bruker en virtuell virkelighetsrigg for å trene en robot. Høflighetsbilde

Men å forstå og gjenskape intelligens viste seg å være en bysantinsk utfordring, og AI gikk inn i en lang periode med få gjennombrudd. I mellomtiden har programmering av fysiske maskiner for å gjøre nyttige ting i den rotete virkelige verden ofte vist seg uhåndterlig kompleks. AI og roboter har vært stallkamerater i forskningslaboratorier i flere tiår, og forskere har prøvd å bruke maskinlæring på industriroboter, men det har ennå ikke tatt av i industrien.

Så, for omtrent seks år siden, fant forskerne ut hvordan de kunne gjøre et gammelt AI-triks utrolig kraftig. Forskerne brukte nevrale nettverk - algoritmer som grovt sett tilnærmer måten nevroner og synapser i hjernen lærer av input. Disse nettverkene var, viser det seg, direkte etterkommere av komponentene som ga Elsie og Elmer deres evner. Forskerne oppdaget at veldig store eller dype nevrale nettverk kunne gjøre bemerkelsesverdige ting når de mates med store mengder merkede data, for eksempel gjenkjenne objektet vist i et bilde med nesten menneskelig perfeksjon.

AI-feltet ble snudd på hodet. Dyplæring, som teknikken er allment kjent, er nå mye brukt til oppgaver som involverer persepsjon: ansiktsgjenkjenning, taletranskripsjon og opplæring av selvkjørende biler for å identifisere fotgjengere og skilt. Det har gjort det mulig å forestille seg en robot som kunne gjenkjenne ansiktet ditt, snakke intelligent til deg og navigere trygt til kjøkkenet for å få deg en brus fra kjøleskapet.

De skyldige er Wintermeyer

Mannen bak Osarou2019s smartere robot

• Osaros administrerende direktør, Derik Pridmore, studerte fysikk og informatikk ved MIT før han begynte i et West Coast VC-firma kalt Founders Fund. Mens han var der, identifiserte Pridmore DeepMind, et britisk AI-selskap, som et investeringsmål, og han jobbet med selskapets grunnleggere for å finpusse deres pitch. DeepMind fortsatte med å lære maskiner å gjøre ting som virket umulig på den tiden. Berømt utviklet det AlphaGo, programmet som slo den topprangerte menneskelige stormesteren i brettspillet Go.

• Da Google kjøpte opp DeepMind i 2014, bestemte Pridmore at AI hadde et kommersielt potensial. Han grunnla Osaro og satset raskt på robotplukking som den ideelle applikasjonen. Å gripe gjenstander lastet i en søppelkasse eller rulle langs et transportbånd er en enkel oppgave for et menneske, men det krever genuin intelligens.

• Teknikkene som DeepMind var banebrytende for, kjent som dyp forsterkningslæring, lar maskiner utføre komplekse oppgaver uten å lære av eksempler fra mennesker. Positiv tilbakemelding, som å få en høyere poengsum i et videospill, justerer nettverket og flytter algoritmen nærmere målet til den blir ekspert.

• Resonnementet som gjør dette mulig er begravet dypt inne i nettverket, kodet i samspillet mellom titalls millioner sammenkoblede simulerte nevroner. Men den resulterende oppførselen kan virke enkel og instinktiv. Med nok øvelse kan en arm lære å plukke opp ting effektivt, selv når en gjenstand flyttes, skjules av en annen gjenstand eller er formet litt annerledes. Osaro bruker dyp forsterkningslæring, sammen med flere andre maskinlæringsteknikker, for å gjøre industriroboter mye smartere.

En av de første ferdighetene AI vil gi maskiner er langt større fingerferdighet. De siste årene har Amazon kjørt en robotplukkingsutfordring der forskere konkurrerer om å få en robot til å plukke opp et bredt spekter av produkter så raskt som mulig. Alle disse teamene bruker maskinlæring, og robotene deres blir gradvis dyktigere. Amazon har tydeligvis ett øye på å automatisere plukking og pakking av milliarder av varer innenfor sine oppfyllelsessentre.

Jeg har jobbet med robotgrep i 35 år, og vi har gjort veldig liten fremgang, sier Ken Goldberg, en kollega av Abbeel ved UC Berkeley. Takket være fremskritt innen AI som er i endring: Vi er nå klar til å ta et stort sprang fremover.

AI får en kropp

I NoHo-området i New York er en av verdens fremste eksperter på kunstig intelligens for tiden på jakt etter feltets neste store gjennombrudd. Og han tror at roboter kan være en viktig brikke i puslespillet.

Yann LeCun spilte en viktig rolle i dyplæringsrevolusjonen. I løpet av 1980-tallet, da andre forskere avfeide nevrale nettverk som upraktiske, holdt LeCun ut. Som leder av Facebooks AI-forskning frem til januar, og nå som sjef for AI-forsker, ledet han utviklingen av dyplæringsalgoritmer som kan identifisere brukere i omtrent alle bilder en person legger ut.

Men LeCun vil at AI skal gjøre mer enn bare å se og høre; han vil at det skal resonnere og ta grep. Og han sier det trengs fysisk tilstedeværelse for å gjøre dette mulig. Menneskelig intelligens innebærer å samhandle med den virkelige verden; menneskelige babyer lærer ved å leke med ting. AI innebygd i gripemaskiner kan gjøre det samme. Mye av den mest interessante AI-forskningen involverer nå roboter, sier LeCun.

En bemerkelsesverdig type maskinevolusjon kan til og med resultere, som speiler prosessen som ga opphav til biologisk intelligens. Syn, fingerferdighet og intelligens begynte å utvikle seg sammen i en akselerert hastighet når hominider begynte å gå oppreist, og brukte sine to ledige hender til å undersøke og manipulere gjenstander. Hjernen deres vokste seg større, og muliggjorde mer avanserte verktøy, språk og sosial organisering.

Kan AI oppleve noe lignende? Til nå har det eksistert i stor grad inne i datamaskiner, og samhandlet med grove simuleringer av den virkelige verden, for eksempel videospill eller stillbilder. AI-programmer som er i stand til å oppfatte den virkelige verden, samhandle med den og lære om den, kan etter hvert bli langt bedre til å resonnere og til og med kommunisere. Hvis du løser manipulasjon til fulle, sier Abbeel, vil du sannsynligvis ha bygget noe som er ganske nær full intelligens på menneskelig nivå.

Rettelse: En tidligere versjon av denne historien antydet at forskning på kunstig intelligens og robotikk stort sett har vært separate felt i flere tiår. Noen endringer ble gjort for å klargjøre at separasjonen i stor grad var i kommersielle applikasjoner i stedet for i forskningslaboratoriet.

gjemme seg