Roboti danas izgledaju i ponašaju se daleko složenije nego njihovi prethodnici iz tvornica, no još uvijek nisu na razini ljudskih sposobnosti u obavljanju svakodnevnih zadataka. Iako mogu trčati, skakati ili čak voditi osnovne razgovore, čak i najnapredniji roboti imaju problema s jednostavnim stvarima poput slaganja rublja ili pronalaska šalice u neurednoj sobi. Ironično, ono što je ljudima lako, robotima je često teško.
Gdje su roboti danas?
Roboti su postali sveprisutni. U proizvodnji već desetljećima pomažu robotske ruke za pojedinačne zadatke, a u logistici, kompanije poput Amazona i Walmarta koriste robote za premještanje tereta i sortiranje paketa. Boston Dynamics razvija robote koji mogu premještati kutije u skladištima, dok restorani eksperimentiraju s dostavnim robotima za posluživanje hrane. Amazon je, primjerice, već implementirao više od 750.000 robota u svoje operacije.
No, unatoč impresivnim mogućnostima, roboti još uvijek nisu dorasli ljudima kada je riječ o obavljanju “običnih” zadataka. Napredni softver može briljirati u šahu, ali kad treba iz nereda prepoznati i podići samo jednu šahovsku figuru, roboti se suočavaju s neočekivano velikim izazovom. Slično, robot za pripremu kave može raditi brzo, ali bi imao velikih problema s lociranjem i podgrijavanjem stare šalice kave.
„Roboti mogu stići sve do Marsa, ali ne mogu pokupiti namirnice“
Iako su roboti postigli nevjerojatne uspjehe, poput putovanja na Mars, i dalje imaju problema s obavljanjem jednostavnih zadataka, poput skupljanja namirnica. Ovo se naziva Moravecov paradoks – koncept koji kaže da su roboti dobri u teškim stvarima koje ljudima predstavljaju izazov, ali su loši u svakodnevnim zadacima koji su ljudima laki. Ovaj paradoks, prvi put opisan 1988. godine, i danas zbunjuje stručnjake.
Profesor Ken Goldberg sa Sveučilišta u Berkeleyju za TEDTalk istaknuo je tri ključna izazova za robote: percepciju, kontrolu i fiziku.
Izazov percepcije: Kako roboti „vide“ svijet
Roboti koriste kamere i senzore poput lidara kako bi se snalazili u prostoru, ali ti alati nisu toliko pouzdani kao ljudski vid. Autonomni automobili, primjerice, mogu pogriješiti kada su izloženi jarkim svjetlima ili neočekivanim preprekama poput automobila s čunjevima na krovu. U skladištima, roboti za sortiranje, poput Amazonovog Sparrowa, uspješni su unutar precizno definiranih okvira, ali se muče s dohvaćanjem različitih predmeta.
Izazov kontrole: Povezivanje vida i pokreta
Ljudski vid i pokreti evoluirali su kroz milijune godina kako bi radili u savršenom skladu, ali roboti nemaju tu prednost. Kamere i senzori robota često nisu potpuno usklađeni s njihovim rukama ili hvataljkama, što dovodi do nespretnosti, poput ispuštanja predmeta. Zato, primjerice, dostavni roboti u restoranima mogu donijeti tanjur do stola, ali ga još uvijek ne mogu predati gostu – taj zadatak ostaje ljudima.
Izazov fizike: Neizbježne varijacije
Roboti također imaju problema s prilagodbom na male varijacije u fizikalnim uvjetima. Primjer je robot koji gura bocu po stolu – iako koristi istu silu i pokrete, boca uvijek završi na malo drugačijem mjestu zbog mikroskopskih nepravilnosti na površini stola. Ljudi se prirodno prilagođavaju takvim varijacijama, no roboti se s time teško nose.
Izazovi izvan laboratorija
Roboti briljiraju u kontroliranim uvjetima, ali kada se suoče s nepredvidivim situacijama, često zapnu. Na primjer, dok bi čovjek lako našao izlaz iz nepoznate sobe, robot bi mogao tražiti vrata na stropu ili podu. Ove sitne nijanse, poput manevriranja predmetima ili miješanja pića, predstavljaju veći izazov nego impresivni podvizi poput svemirskih misija.
„Roboti mogu stići do Marsa, ali ne mogu pokupiti namirnice“, slikovito zaključuje profesor Fumiya Iida.
Kako roboti mogu učiti jedni od drugih
Robotika se suočava s velikim izazovom – kako stvoriti robote koji mogu učiti iz raznih situacija i prilagoditi se novim zadacima, umjesto da budu ograničeni na specifične uloge. Istraživači sada pokušavaju riješiti taj problem razvijanjem tzv. „općih robotskih mozgova“, koji koriste lekcije naučene iz velikih jezičnih modela poput GPT-a. Cilj je stvoriti robote koji mogu učiti iz širokog spektra podataka i postati svestraniji.
Nedostatak podataka kao ključni izazov
Razvoj velikih jezičnih modela bio je moguć zahvaljujući bilijunima parametara prikupljenih iz tekstova, slika i videozapisa s interneta. No, u svijetu robotike ne postoji „internet podataka“ za obuku robota. Roboti zahtijevaju stvarne, fizičke uvjete za prikupljanje podataka, što je dugotrajan proces koji se uglavnom odvija u laboratorijima. Uz to, roboti su često specijalizirani za određene zadatke, pa podaci jednog robota, poput onog za utovar tereta, nisu korisni za drugog koji dohvaća predmete iz spremnika.
Projekt RT-X: Ujedinjavanje podataka
Kako bi premostili taj jaz, istraživači iz Googlea, UC Berkeleyja i 32 druga laboratorija razvijaju projekt RT-X. Oni su stvorili najveću otvorenu bazu podataka robotskih radnji, koja sadrži iskustva iz stvarnog svijeta robota koji su obavili oko 500 različitih zadataka. Ta baza omogućuje treniranje robota pomoću dubokog učenja u simuliranim okruženjima.
Proces je opisan kao da roboti „sanjaju“ – koriste podatke relevantne za svoje ciljeve, poput poboljšanja mehaničkih ruku, i prilagođavaju se tim informacijama. Istraživači ovaj koncept uspoređuju s ljudskim učenjem različitih vještina, poput vožnje bicikla ili automobila, koristeći isti mozak.
Prvi uspjesi: Autonomni robot Atlas
Boston Dynamics već pokazuje što ovakvi napredni sustavi mogu postići. Njihov humanoidni robot Atlas nedavno je uspješno locirao, podigao i premjestio poklopce motora u demo sobi – sve potpuno autonomno, bez unaprijed zadanih pokreta ili daljinskog upravljanja. Demo je također pokazao kako Atlas uočava pogreške i prilagođava se u stvarnom vremenu, što je ključan korak prema fleksibilnijim i svestranijim robotima.
Pogled u budućnost
Iako roboti poput Atlasa još nisu spremni za svakodnevne zadatke poput pravljenja koktela ili slaganja rublja, ovi napreci ukazuju na smjer u kojem se industrija kreće. Uz sve veće baze podataka i poboljšane metode učenja, „opći robotski mozgovi“ mogli bi otvoriti vrata novoj generaciji svestranih robota koji se prilagođavaju svijetu oko sebe.
