13 mars 2024 - I ett stort genombrott meddelade OpenAI spin-off-företaget Covariant att det framgångsrikt har byggt en ny artificiell intelligensmodell som gör det möjligt för robotar att lära sig utföra en mängd olika uppgifter som människor. Denna utveckling markerar ett steg mot mer flexibel och autonom robotik.
Sommaren 2021 stängde OpenAI ner sitt robotteam, med hänvisning till bristen på träningsdata som hade hämmat dess framsteg. Tre forskare i ett tidigt skede vid Covariant hittade dock en lösning vid deras start, som grundades 2017. De använde år av data från flottor av plockrobotar i lager runt om i världen, såväl som text och videor från Internet, för att skapa en ny modell som heter RFM-1. Denna modell kombinerar resonemangskraften hos en stor språkmodell med den fysiska flexibiliteten hos en avancerad robot.
Funktionerna hos RFM-1 är imponerande. Användare kan vägleda modellen att utföra uppgifter med hjälp av fem olika typer av input, inklusive text, bilder, videor, robotinstruktioner och mätningar. En användare kan till exempel visa modellen en bild av en papperskorg fylld med sportutrustning och säga åt den att plocka upp en påse med tennisbollar. Roboten utför sedan motsvarande uppgift och justerar efter behov.
Även om modellen har "mänsklig" resonemangsförmåga finns det fortfarande begränsningar. Under demonstrationen upptäcktes att när några nya koncept presenteras kanske modellen inte är helt förstådd. Detta tyder på att modellen kräver mer träningsdata och ytterligare förbättringar.
Covariant säger att de planerar att rulla ut modellen till kunder under de kommande månaderna och hoppas kunna fortsätta att förbättra dess prestanda och effektivitet i verkliga miljöer. De distribuerar modellerna i miljöer som lager för testning och interagerar med verkliga instruktioner, objekt och miljöer.
I takt med att AI-tekniken utvecklas ökar också konkurrensen mellan företag som använder AI för att driva robotsystem. Även om det fortfarande finns några problem att lösa, är Covariant engagerade i att kontinuerligt lära sig och förbättra sina modeller så att robotarna bättre kan anpassa sig till föränderliga miljöer.
Inom en snar framtid kan man förvänta sig att se bredare tillämpningar av robotik inom olika områden, och allt eftersom mer data och förbättringar blir tillgängliga kommer robotarnas förmåga att lära sig och utföra uppgifter att fortsätta att förbättras.