Почему "умные" AI-роботы терпят неудачу

Шокирующие результаты были получены в недавнем интервью Уэса и Дилана на YouTube, где исследователи описали лабораторную находку, которая подрывает основное предположение в области робототехники. Модели, которые были тщательно настроены для того, чтобы быть «хорошими робототехническими моделями», не показывали лучших результатов по сравнению с обычными базовыми моделями на новых задачах. Эти системы имели правильную метку, использовали правильные данные, но при этом не смогли справиться с поставленной задачей.

Команда выполнила рекомендации современных руководств по использованию ИИ: они взяли крупную модель и адаптировали ее под данные конкретной области. В данном случае они использовали траектории роботов, потоки данных от сенсоров и сигналы управления от определенных роботов и задач. На бумаге это должно было привести к созданию специальной модели, которая будет превосходить общую модель в любых задачах, связанных с роботами.

Реальность оказалась иной. Когда исследователи оценили эти тонко настроенные модели на несколько отличающихся роботизированных установках — новые руки, новые объекты, измененные окружения — модели не продемонстрировали заметного улучшения. Они были не просто недостаточно впечатляющими; они фактически не отличались от неопределенных, универсальных моделей на этих новых задачах.

Объяснение из интервью откровенно: модели обучались на "разных типах робототехнических данных", и эта специфика стала скорее клеткой, чем двигателем. Обучение на узком сегменте робототехники сделало модель лучше только в этой точной области. Как сказал гость, "вы бы подумали, что она, конечно, должна немного обобщаться, но этого не произошло."

Эта фраза отражает шок в области. Современный ИИ продается под обещанием того, что больше данных, плюс больше параметров, плюс специализированная настройка под конкретную область, равняется широкой компетенции. Тем не менее, это исследование предполагает, что, по крайней мере в робототехнике, настройка на "роботизированных данных" может заблокировать модель на аппаратном обеспечении одной лаборатории, одной задаче, одном расположении суставов и моторов.

Исследователи подчеркивают, что это может измениться; будущие архитектуры или режимы тренировки могут выйти из ловушки переобучения. На данный момент выводы статьи остаются в силе: специализированный ИИ для роботов не обобщал, даже среди «слегка различных» роботизированных задач. Этот провал ставит перед нами более сложный вопрос для дальнейшего обсуждения: почему более умные модели роботов потерпели неудачу, и что это означает для будущего инкорпорированных ИИ-систем?

Более умные роботы потерпели неудачу здесь, потому что их «ум» был сосредоточен на узконаправленных задачах. Тщательно настроенные «роботизированные» модели в статье «Интервью с Уэсом и Диланом» были обучены на узких, высокоспецифичных наборах данных — одна рука, одна установка камеры, один стиль движения. Они улучшались только в этой конкретной конфигурации и нигде больше, не показывая ощутимых преимуществ по сравнению с общими моделями при оценке на других роботах или задачах.

Это не случайная ошибка; это образцовое проявление текущих тонких настроек моделей. Когда исследователи предоставляли моделям только один вариант роботизированных данных, сети обучались именно этому варианту, а не основным идеям о том, «как движутся роботы». Результат выглядел мощным в лаборатории, где были собраны данные, но оказался хрупким везде на практике, что является классическим признаком того, что модель была оптимизирована для определенного теста, а не для реального мира.

Уэс и Дилан опираются на человеческую аналогию, которая сначала кажется благожелательной по отношению к машинам. Представьте себе пересадку человеческого мозга в радикально отличное тело — с лишними конечностями, измененными суставами, новой распределением веса. Даже обладая нашей широкой моторной интеллигенцией, этому мозгу понадобятся недели или месяцы, чтобы заново научиться ходить, хватать и сохранять равновесие.

Современный ИИ даже не достигает этой шаткой стадии адаптации. Переместите точно настроенную модель с одной манипуляторной руки на другую с другим диапазоном или захватом, и производительность сразу же падает. Никакого периода неуклюжего обучения, никакой постепенной передачи — только резкий провал, потому что система изначально никогда не имела общего понятия «рука».

Исследователи в области робототехники используют точное слово для этого: переобучение. Модель запоминает траектории, пиксельные шаблоны и контрольные сигналы в своих учебных журналах, вместо того чтобы извлекать переносимые правила о динамике, трении или 3D-геометрии. Она ведет себя как студент, который может воспроизвести правильные ответы, но не может решить немного переформулированную задачу.

В контексте робототехники переобучение проявляется в тот момент, когда условия изменяются: новый угол камеры, другое освещение, изменённая нагрузка или новая модель робота. Настроенные системы достигают успеха в: - одном лабораторном роботе - одной задаче - одной среде

Сдвиньте любое из этих элементов, и выгоды исчезнут, показывая, насколько современные методы далеки от роботов, которые на самом деле понимают свои собственные тела.

Неумение роботов обобщать звучит драматично, но специализация на самом деле обеспечивает многие из самых больших успехов ИИ. Узкоспециализированные, глубоко настроенные системы часто превосходят универсальные модели в своей области, но теряют эффективность, как только их пытаются использовать за её пределами.

Сфера здравоохранения демонстрирует эту взаимосвязь в жесткой ясности. Med-PaLM 2 от Google достигает 86,5% точности на вопросах в стиле экзамена на получение медицинской лицензии США, опережая более ранние общие модели, которые испытывали трудности с редкими синдромами, лабораторными показателями и сложными клиническими случаями. Этот скачок стал возможен благодаря обучению на медицинских учебниках, рекомендациях и данных, собранных экспертами, а не на обобщенном веб-контенте.

Med-PaLM 2 может анализировать многопроходные рассуждения по симптомам, изображениям и вариантам лечения, потому что его мир — это медицина, а не всё подряд. Спросите его о поп-культуре, и он запнется; попросите интерпретировать сложную ЭКГ, и он будет вести себя как резидент, который никогда не покидает больницу.

Финансовый сектор рассказывает схожую историю. BloombergGPT, модель с 50 миллиардами параметров, превосходит более крупные и известные общие языковые модели в финансовых задачах, таких как анализ настроений, классификация новостей и ответ на вопросы по отчетам о доходах и filings SEC. Специфическая предобученность на данных терминалов и финансовых документах за десятилетия превращает обычное языковое моделирование в целенаправленного рыночного аналитика.

BloombergGPT не пытается быть универсальным ассистентом; он существует и оценивается на основе базисных пунктов и базисных рисков. Эта узость становится преимуществом, когда вас больше интересуют условия облигаций и спрэды CDS, чем киноTrivia или творческое письмо.

Сельское хозяйство еще больше углубляет специализацию. Исследователи, занимающиеся рисом, обучили местные модели зрения на тысячах изображений специфичных для региона вредителей и болезней — коричневых планцеров в Юго-Восточной Азии, бактериальной пятнистости листьев в Индии, плесневидных гнилей в Китае. Эти модели регулярно превосходят общие системы зрения, которые никогда не видели этих конкретных вредителей, условий освещения или стадий роста.

Фермеры, использующие эти системы, получают более ранние и точные уведомления о вспышках, чем от общего классификатора «растительных заболеваний». ИИ ведет себя как сельский агроном, который много лет обходит одни и те же поля, а не как путешественник, который повидал всё на свете и ничему не научился.

В сфере робототехники эти примеры намекают на будущее, где общие модели обеспечивают широкий уровень рассуждений, в то время как специалисты по отдельным областям занимаются выполнением задач — этот подход был исследован в статье Робототехника: обобщенные против специализированных - Konvoy VC. Удивление лаборатории заключается не в том, что существуют специалисты, а в том, что «роботизированная» тонкая настройка до сих пор создала технических специалистов, а не робототехников.

Универсальные модели-фундаментa обещают своего рода роботизированный эсперанто: один мозг, который может управлять любым телом. Обучите огромную мультимодальную модель на основе данных с камер, углов сустава и текстов, а затем интегрируйте ее в складе для подбора товаров, в доставочный бот или в гуманоид, лишь слегка подкорректировав. В теории это обеспечит массовое переиспользование, более быстрое развертывание и меньшее количество хрупких разовых систем.

Крупные лаборатории уже идут за этим. На складских пилотных проектах незаметно сопоставляют обобщённые модели, предварительно обученные на десятках роботизированных рук и захватов, с индивидуальными контроллерами, написанными для одной конвейерной ленты. Исследовательские группы говорят о "масштабируемом ИИ", который учится на миллионах траекторий и видео с YouTube, надеясь, что одна и та же политика сможет укладывать коробки, складывать бельё и, возможно, когда-нибудь водить машину.

Стартапы, продающие «роботизированные мозги», предлагают именно это: подключите их базовую модель к любой мобильной базе или манипулятору и наблюдайте, как она адаптируется. Команды по разработке оборудования обожают эту идею, потому что она отделяет механический дизайн от программного обеспечения: поменяйте захват, оставьте мозг. Инвесторы любят эту историю еще больше, потому что одна модель, которая масштабируется по флотам, пахнет маржами SaaS.

Маюр опровергает фантазию о единичном, всезнающем контроллере. Он утверждает, что стремление к AGI рискует игнорировать жесткую эффективность специализированного интеллекта как у людей, так и у машин. Дерматолог, который изучает 30 000 случаев заболеваний кожи, не становится кардиологом; модель, настроенная на выявление рака кожи, достигает точности, соответствующей уровню дерматолога, но совершенно проваливается в области сердечно-сосудистых заболеваний.

Робототехника демонстрирует ту же закономерность. Модель распознавания, обученная на SKU и освещении одного склада, может обойти общую модель на этом этаже, но в рисовом поле или коридоре больницы оказывается бесполезной. Точка зрения Майура: специализация — это не недостаток, а способ, которым сложные системы — мозги или сети — действительно достигают суперчеловеческой производительности.

Итак, это поле находится на тектонической границе. Один лагерь хочет единую общую модель, управляющую всем — от человекоподобных роботов до погрузчиков. Другой представляет себе рой высококвалифицированных специалистов, каждый из которых пугающе хорош в узкой области реальности, связанной в нечто, что лишь выглядит как единый разум.

Склады стали ареной боев между универсальными и специализированными роботами. Конвейерные ленты, подъемные тележки и сканеры штрих-кодов теперь соседствуют с роботизированными манипуляторами, мобильными тележками и экспериментальными гуманоидными роботами, все стремящиеся быстрее и дешевле перемещать одни и те же коробки.

На бумаге общий ИИ, работающий на всех этих устройствах, кажется непобедимым. Одна базовая модель, предварительно обученная на миллионах видео, симуляционных запусков и логов управления, теоретически может управлять любым погрузчиком, манипулятором или дроном с помощью небольшого количества тонкой настройки.

Реальность выглядит сурово. Склады — это беспорядочные, полузаваренные системы: поддоны приходят неправильно завернутыми, коробки проседают, ярлыки отлетают, а люди, проверяя свои телефоны, заходят на пути роботов. Универсальные модели, которые отлично справляются с эталонными наборами, часто застревают на смятым картоне или отражающей пленке, которая сбивает с толку их оценки глубины.

Специалисты преуспевают здесь, потому что они обманывают по замыслу. Роботы в стиле Kiva от Amazon не "понимают" склады; они следуют QR-кодам на полу, перемещают стандартизированные модули и никогда не сталкиваются с распавшейся на полке коробкой с бананами.

Эти ограничения окупаются. Специально разработанные системы для выполнения одной задачи — грузовые шаттлы, автоматизированные системы хранения и извлечения, фиксированные захваты — достигают показателей бесперебойной работы выше 99% и функционируют годами с минимальными обновлениями программного обеспечения. Инженеры настраивают их на узкий диапазон весов, форм и маршрутов, а затем всё это фиксируют.

Генералистские складские ИИ обещают обратное: в первую очередь гибкость. Один единственный алгоритм мог бы, теоретически: - Управлять различными марками мобильных баз - Контролировать несколько типов захватов - Переключаться между сборкой, упаковкой и палетированием

Эта гибкость привлекает операторов, которые справляются с сезонными пиками, изменением ассортимента и изменениями в компоновке. Вместо переработки оборудования или перепрограммирования каждой ячейки вы обновляете политику, добавляете несколько часов телепрограммируемых демонстраций и повторно развертываете по всему флоту.

Бизнес-математика по-прежнему отдает предпочтение специалистам для рутинной работы. Флот простых, однопurpose роботов обойдется дешевле на старте, быстрее интегрируется с существующим ПО WMS и обеспечивает предсказуемую окупаемость инвестиций в течение 5–10 лет. Каждая неожиданность, с которой может справиться универсал сегодня, все равно связана с затратами на сбор данных, их валидацию и обеспечение безопасности.

Таким образом, склады становятся полигоном: если универсальный ИИ не сможет превзойти клон Kiva на бетонных полах, его обещание для более экзотичных условий выглядит сомнительным.

Человеческий интеллект часто романтизируется как бесконечно гибкий, но когнитивная наука рисует более ограниченную картину. Мы преуспеваем не как чистые универсалы, а как специалисты с наслоениями: слои узкой экспертизы, построенные на общем основании. Попросите кардиолога мирового уровня удалить аневризму, и вы не получите недорогого нейрохирурга; вы получите отказ от ответственности.

Медицина формализует эту реальность. Кардиолог, нейрохирург и радиолог проходят одни и те же ранние экзамены, после чего расходятся в навыках, которые не поддаются передаче под давлением. Высокоэффективное исполнение зависит от глубины, а не от широты, что отражает ситуацию, когда модель Robotic, настроенная на одну конфигурацию руки, оказывается неэффективной для другой, несмотря на «роботизированную» подготовку.

Программное обеспечение предлагает тот же раздел. Backend-инженер, который может оптимизировать распределенные системы в больших масштабах, не сможет автоматически разработать доступный и приятный интерфейс. Дизайнеры UI/UX специализируются на восприятии, потоке и микро-копирайтинге; кодеры специализируются на системах, ограничениях и производительности. Оба основаны на общем интеллекте, но их повседневная компетенция резко специфична для области.

Системы ИИ уже вписываются в эту модель. Эксперт по пользовательскому опыту, задавая вопросы модели, генерирующей код, может гораздо лучше направить её к правильной иерархии компонентов, функциям доступности и состояниям взаимодействия, чем универсальный участник процесса. В больницах клиницисты используют модели, такие как Med-PaLM 2, настроенные на медицинские данные и показывающие результат 86,5% на экзаменах в формате board-style, а затем накладывают на это человеческую специализацию: кардиологи задают вопросы по кардиологии, онкологи — по онкологии.

Робототехника движется по такому же пути. Универсальные базовые модели обещают гибкость между роботами, но специалисты по-прежнему доминируют, когда важны надежность и стоимость. Операторы складов, например, теперь сравнивают широкие модели с тщательно настроенными системами "подобрать и положить"; Plus One Robotics документирует это напряжение в Универсальные против специализированных: тестирование ИИ моделей на складе | Блог.

Дискурс по поводу искусственного общего интеллекта часто предполагает будущее «унитарного мастера», который овладевает всем - от поэзии до сворачивания белков. Однако человеческая практика подразумевает другой ориентир: истинный интеллект может выглядеть не как единый всемогущий мозг, а скорее как координатор, который знает, когда, где и как специализироваться. Самая умная система не та, которая выполняет каждую задачу; это та, которая направляет каждую работу к наиболее узкому и эффективному инструменту.

Человекообразные роботы, такие как Optimus от Tesla, обещают будущее в стиле научной фантастики: одна двухногая машина, которая может войти в любую фабрику, офис или дом и просто работать. Аппаратное обеспечение соответствует человеческому телу — руки, руки, ноги, датчики, упакованные в рамку примерно 1.73 метра — так что в теории один универсальный ИИ может научиться почти любой задаче, которую выполняет человек. Эта концепция требует координации всего тела, восприятия в реальном времени и ловкой манипуляции, работающей на дорогих актуаторах, специализированных редукторах и высококлассных вычислительных системах.

Roomba делает ставку на противоположное. Круглый пылесос iRobot игнорирует лестницы, посуду и дверные ручки и сосредотачивается на единственной ограниченной задаче: поддерживать чистоту полов. Небольшое количество датчиков удара, камера глубины и недорогой процессор управляют узкоспециализированным навигационным стеком, который работает в миллионaх домов по цене ниже $300, с такими предсказуемыми режимами отказа, что они помещаются в инструкцию по устранению неполадок.

Человекообразный аппарат стремится к адаптивности. Оптимус должен открывать двери, подниматься по ступеням, переносить коробки, возможно, жарить бургеры — всё это в захламленных человеческих пространствах, которые никогда не были предназначены для роботов. Это требует сложных моделей восприятия, планирования движений всего тела и защитных зон, которые адаптируются на лету — по сути, подвижная испытательная платформа для фундаментальных моделей, которые должны обобщать на основе бесчисленных крайних случаев.

Специализированные машины делают наоборот: они устраняют пограничные случаи. Roomba ограничивает себя плоскими поверхностями. Складывающиеся роботы Kiva от Amazon скользят по полированным полам, следуют за QR-кодами и поднимают стандартизированные стеллажи. Создавая среду вокруг робота — фиксированные схемы, известные нагрузки, узкие поведения — компании обменивают теоретическую гибкость на гарантированную пропускную способность, время безотказной работы и легкое обслуживание.

Рынки в настоящее время вознаграждают такую торговлю. Человекообразный робот, который может укладывать товары на полки, разгружать грузы и подметать полы, может стоить десятки тысяч долларов за единицу, плюс постоянные обновления программного обеспечения с неопределенной вероятностью сбоев. Флот специализированных搬тикатов или поломоечных машин может достигать более 99% успешности выполнения задач в контролируемых условиях при значительно более низких капитальных затратах, с понятными сервисными контрактами и таблицами возврата инвестиций.

Пока универсальные гуманоиды не смогут превзойти эти гарантии — по стоимости за час, среднему времени между сбоями и сложности интеграции — специалисты в стиле Roomba продолжат выигрывать войну развертывания в реальном мире.

Гибридный ИИ начинает выглядеть не как единый гениальный разум, а скорее как операционная система с подключаемыми приложениями. Вместо того чтобы ставить все на одну всезнающую модель, компании соединяют наборы, в которых различные ИИ занимаются планированием, восприятием и управлением, как модульные сервисы.

В центре находится универсальная модель, действующая как диспетчер и стратег. Она интерпретирует неясные человеческие цели, размышляет над различными областями и затем передает четко ограниченные задачи специализированным моделям, которые действительно взаимодействуют с миром.

Представьте себе глобальную логистическую сеть, управляемую общим планировочным искусственным интеллектом. Он решает, из какого склада отправить вашу посылку, как объединировать заказы и какого перевозчика использовать, а затем обращается к городским моделям, которые знают местные законы о дорожном движении, правила использования тротуаров и даже нормы доставки в конкретных районах.

Эти локальные модели могут быть маленькими, тщательно настроенными большими языковыми моделями, которые находятся близко к периферии. Модель доставки для Токио учится использовать плотные железнодорожные сети и строгий контроль за парковкой, в то время как модель для Феникса оптимизируется с учетом жары, широких дорог и разросшихся пригородов.

Вы можете ещё больше усложнить эту систему. Агент высокого уровня ведет переговоры о временных окнах доставки с клиентами, специалист по маршрутизации вычисляет уличные пути, а низкоуровневая управленческая модель взаимодействует непосредственно с роботами на тротуарах или дронами, каждый из которых обучен своим особенностям сенсоров и режимам отказов.

Этот модульный подход отражает, как были созданы Med-PaLM 2 или BloombergGPT: начать с широкой основы, а затем выделить узкие эксперты, которые превосходят эталоны в медицине или финансах. Разница в том, что теперь это оркестрация — код-связка, созданный из Искусственного Интеллекта, вместо того чтобы люди вручную переключали инструменты.

Гибридные экосистемы также решают одну из самых больших проблем в робототехнике: хрупкость. Когда меняются планы складов или город пересматривает правила зонирования, вы можете обновить или заменить специалиста, вместо того чтобы перенастраивать монолитный интеллект, который «знает» все – от захватов до налогового кодекса.

Поставщики уже тихо отправляют этот шаблон. Платформы для сельского хозяйства направляют общие решения для хозяйств через общий планировщик, а затем вызывают модели болезней для конкретных культур или движки анализа почвы, настроенные на определенный регион или даже на конкретное поле.

Вместо того чтобы стремиться к созданию научно-фантастического общего робота, способного мыть полы и составлять контракты, эта архитектура принимает, что реальный искусственный интеллект будет выглядеть больше как федерация. Широта представлена диспетчером; глубина — в рое специалистов, которым он командует.

Выбор правильной стратегии ИИ начинается с игнорирования соблазнительного призыва единственной, божественной модели. Системы в стиле AGI, которые управляют каждым процессом, каждой роботизированной системой, каждым рабочим процессом, остаются исследовательским проектом, а не дорожной картой для ИТ. Компании, ожидающие этого момента, замедляют свое развитие, в то время как конкуренты тихо автоматизируют свои прибыли.

Настоящие деньги находятся в узких, высокоценных процессах. Модель, которая выявляет специфический дефект на одной линии продукции, оптимизирует одну проблему маршрутизации на складе или составляет один тип юридического контракта, может принести 10–50% повышения эффективности, не решая задачу «общего интеллекта». Успех Med-PaLM 2 с показателем 86,5% на медицинских экзаменах или превосходство BloombergGPT над более крупными универсальными моделями в финансах показывают, как настройка под конкретные области превращает общую способность в конкретное преимущество.

Практическая книга действий выглядит модульной. Используйте крупные, общие модели для исследований: пусть они генерируют кандидаты рабочие процессы, политики моделирования и прототипы интерфейсов для множества задач и роботов. Затем выберите победителей, точно доработав специализированные модели на ваших конкретных данных, сенсорах и ограничениях для производства.

Это обычно означает три параллельные направления: - Широкая базовая модель для мозгового штурма и быстрого итерационного процесса - Набор настроенных моделей задач (выбор, маршрутизация, прогнозирование, приоритизация) - Устойчивый стек развертывания с мониторингом, защитными механизмами и возможностью отката

Команды робототехники могут скопировать этот шаблон. Протестируйте поведение с помощью универсальной модели управления, которая работает на нескольких манипуляторах или мобильных базах. Как только задача покажет рентабельность инвестиций — скажем, выгрузка определенного типа поддона или комплектация деталей для одного продукта — создайте более мелкий контроллер, ориентированный на конкретную задачу, который пожертвует гибкостью ради скорости, безопасности и надежности.

Инвесторам следует отслеживать, где сосредоточены данные, а не хайп. Области с плотными, помеченными, повторяющимися рабочими процессами — логистика, радиология, страховые претензии, точное сельское хозяйство — благоприятствуют специалистам, которые могут обойти генералистов в специфических местных случаях. Ресурсы, такие как Общность или специальность в ИИ?, показывают это разделение и помогают отделить жизнеспособные ниши от проектов, созданных для показухи.

Успех будет принадлежать командам, которые рассматривают общие модели как каркас, а не как конечные цели. Используйте их для быстрого изучения пространства проблем, затем сжимайте эти знания в более мелкие, дешевые, крайне целенаправленные системы, которые делают одну вещь — и зарабатывают деньги на этом.

Неудача этих «роботизированных» тонко настроенных моделей не только смущала несколько графиков с результатами; она тихо уничтожила фантазию о едином, всезнающем роботоуме. Обучение на узких, высокоспецифичных данных сделало их отличными в одной настройке, с одним движением, одним паттерном,— и бесполезными везде else. Вместо универсального механика мы создали робота, который знает, как затянуть всего один болт на одной сборочной линии.

Этот результат переосмысляет всю повестку в области робототехники. Настройка на "данные робототехники" не создала эксперта в области робототехники; она создала специфического саванта. Это открытие находит отражение во всем искусственном интеллекте: Med-PaLM 2 набирает 86,5% на медицинских экзаменах, а BloombergGPT превосходит более крупные общие модели в финансовой сфере, но каждая из них терпит крах, как только выходит за пределы своей специализации.

Общие фоновые модели всё еще важны, но теперь они скорее выглядят как оркестраторы, а не повелители. Большая модель, которая может говорить, планировать и рассуждать в разных областях, становится дирижёром, а не целым оркестром. Реальная сила проявляется, когда она распределяет задачи между более мелкими, специализированными агентами, которые знают складские помещения, сельскохозяйственные культуры или аппараты интенсивной терапии в болезненно детальных подробностях.

Представьте себе будущий роботизированный стек как командный вид спорта. Один модуль понимает высокоуровневые цели, правила безопасности и язык; другой точно знает, как управлять 6-DOF манипулятором среди паллетных стеллажей; третий оптимизирует маршруты в реальном времени, учитывая местное движение, затраты на рабочую силу и цены на энергоресурсы. Каждый агент специализируется, в то время как универсал поддерживает последовательность в игре.

Этот гибридный подход уже проявляется за пределами робототехники. Логистические компании уточняют местные LLM на основе данных о маршрутизации и запасах, опережая универсальные модели по своевременной доставке. Сельскохозяйственные системы объединяют модели широкого охвата с узкоспециализированными системами для рисовых полей, которые более точно определяют местных вредителей, чем любые глобальные наборы данных.

Человеческий интеллект движется в том же направлении. Люди не становятся мировыми экспертами в онкологии, управлении дронами и налоговом праве одновременно; они формируют команды. ИИ, который отражает эту структуру — модульный, специализированный и координированный — будет масштабироваться лучше, чем любой монолитный «AGI в коробке».

Ожидайте, что реальное внедрение последует за этой картой. Фермы, больницы и фабрики будут работать на многоуровневых системах, где общий планировщик делегирует задачи специализированным агентам — от дронов для распыления пестицидов до роботов, помогающих в хирургии. Будущее ИИ в робототехнике — это не один большой разум; это тщательно скоординированный рой.

Почему специализированные AI модели часто лучше, чем общие?

Они обучены на очень специфических данных для одной задачи, что позволяет им достигать сверхчеловеческой производительности и надежности в этой узкой области, избегая шума неуместной информации.

Какой основной вывод о ИИ в робототехнике получили в результате исследования?

Ключевое открытие заключается в том, что дообучение модели на общих «робото-данных» не делает её лучше в выполнении всех робототехнических задач. Оно лишь улучшает её результаты на конкретном типе данных, на которых она была обучена, что демонстрирует удивительную неспособность к обобщению.

Будет ли ИИ всегда узкоспециализированным?

Будущее, вероятно, будет включать гибридный подход. Общие модели будут обеспечивать широкие возможности рассуждения, в то время как специализированные модели, часто доработанные из общих, будут выполнять конкретные задачи с большей точностью и эффективностью.

В чем разница между гуманоидным роботом и специализированным роботом?

Гуманоидный робот (например, Tesla Bot) является универсальным устройством, предназначенным для работы в человеческих средах и выполнения множества задач. Специализированный робот (например, Roomba или промышленный манипулятор) разработан для максимальной эффективности и надежности в выполнении одной конкретной задачи.