Flere virksomheder er i fuld sving med at udvikle menneskelignende robotter, der kan bruges til lagerarbejde eller endda i vores private hjem.
Robotter, der hjælper mennesker, dukker ofte op i science fiction-fortællinger, for eksempel er C-3PO og R2-D2 trofaste hjælpere i Star Wars-filmene.
Generativ kunstig intelligens er blevet rigtig god til at forstå, hvad vi beder om, og så skabe det for os.
Kan vi også snart få menneskelignende robotter, der kan besvare spørgsmål, forstå, hvad vi spørger om, og så udføre det?
Måske, men der er forhindringer, der først skal ryddes af vejen, siger forskere.
Løfte et glas? »Meget svært for en robot«
»Jeg er ret sikker på, at vi inden for få år vil se en helt anden robotteknologi, end vi ser i dag,« siger Morten Goodwin.
Han er professor ved Universitetet i Agder i Norge og ekspert i kunstig intelligens.
»Jeg tror, vi kommer til at se langt smartere robotter, hvilket betyder, at vi kan få hjælperobotter, der kan meget mere end plæneklipperrobotter eller støvsugere,« siger Morten Goodwin.
Samtidig er der dog en række begrænsninger i robotteknologien, som skal løses først, siger han.
»Algoritmerne for kunstig intelligens trænes millioner eller milliarder af gange. Det fungerer fint med en chatbot eller en skakrobot. Du kan gøre det på en computer.«
Mere krævende at træne en robot
Det er straks mere krævende at træne en robot, som skal fungere i den fysiske verden.
At plukke et jordbær er helt anderledes end at løfte et glas. Begge går i stykker, hvis det bliver gjort med den forkerte styrke. Et glas er heller ikke bare et glas. Der er forskellige former og typer. Et vinglas skal håndteres anderledes end et sodavandsglas.
Vi mennesker er rigtig gode til den slags ting, siger Morten Goodwin.
»Hvis jeg har en kaffekop med hank, et krus eller en stor eller lille kop, kan jeg løfte den uden at tænke. Men det er en meget vanskelig opgave for en robot.«
Det tager meget lang tid, hvis robotter skal trænes i at samle alle slags genstande op igen og igen i virkeligheden.
Lidt ligesom små børn
Heldigvis kan robotten rette en række fejl i simuleringer.
»Man skaber et virtuelt miljø, en simulering af den virkelige verden. Så træner man dér og flytter over i den fysiske verden bagefter,« siger Morten Goodwin.
Men til sidst skal robotten også øve sig i den virkelige verden.
»Det er lidt det samme som med små børn. De skal tabe noget på gulvet et par gange, før de forstår fysikken.«
\ Læs også
Mere udfordrende end med tekst
Kai Olav Ellefsen er til noget af det samme.
Han er lektor ved Universitetet i Oslo og er en del af forskningsgruppen for robotteknologi og intelligente systemer.
»En del af grunden til, at ChatGPT har fungeret så godt, er, at man kan høste ekstreme mængder data. Næsten al den tekst, der er tilgængelig på internettet, er blevet brugt til at træne ChatGPT.«
Med robotter er det meget sværere.
»Man har ikke YouTube til robotter. Datatilgængeligheden betyder, at det kan blive meget mere udfordrende for robotter, end det har været for tekst.«
Det positive er, at det, robotten lærer, kan overføres til andre af samme type og til dels til andre modeller.
Skal robotten lære alle opgaver separat?
Robotter kan lære ved at få et menneske til at demonstrere en opgave et par gange.
Hvis du har lært robotten at samle et æble op, vil den så også kunne hente en mandarin eller melon? Eller skal alt læres hver for sig?
»Spørgsmålet hænger sammen med det, man kalder generalisering i maskinlæring. Når først maskinen har lært en opgave, hvor meget kan opgaven så ændre sig, før den ikke længere kan gøre den?,« siger Kai Olav Ellefsen.
»Hvis man skal lære robotten alt selvstændigt, bliver det meget sværere at lave en hjemmerobot, end hvis man kan lære den en række basale færdigheder, der kan kombineres.«
Inden for generativ kunstig intelligens viste det sig, at generaliseringen blev overraskende god, når der var tilstrækkeligt store modeller og mange data,« siger Kai Olav Ellefsen.
»De lærte at klare ting, man ikke havde troet var muligt.«
»Måske kan det samme ske for robotter, hvis de får store kunstige neurale netværk og nok data. Måske kan de så lære at håndtere ting, som vi ikke havde forestillet os, og som de ikke er direkte trænet til.«
Det ved man ikke endnu, siger Kai Olav Ellefsen.
»En del forskere mener, at man skal finde på noget andet end det, man gør i dag, for at opnå generaliseringen.«
Bedre balance og sensorer
Robotter er blevet bedre til at balancere på to ben. Batteriteknologi og sensorer, som robotterne bruger til at forstå deres omgivelser, er blevet bedre, siger Kai Olav Ellefsen.
Noget, der ligner ChatGPT, kan groft sagt tilsluttes hjernen og gøre robotterne i stand til at tale og forstå sprog. De kan også skelne mellem, hvad forskellige genstande er til, hvilket er nyttigt, når de skal orientere sig i for eksempel et hjem.
»Det, der er usikkert, er, om den AI-teknologi, vi har i dag, er nok til at få disse robotter til at klare situationer med meget store variationer, såsom folks hjem,« siger Kai Olav Ellefsen.
Opfatter meget, men forstår de det?
En robot, der skal gøre de samme ting i et miljø, der er det samme hver dag, behøver ikke at være så klog, siger Evi Zouganeli. Hun er professor i robotteknologi og kunstig intelligens ved OsloMet.
Men i hverdagen i den virkelige verden kan der være meget, der sker og ændrer sig, som robotten ikke er forberedt på.
»Så skal robotten faktisk have mange af de egenskaber, som mennesker har. Den skal kunne opfatte, hvad der foregår, hvorfor, og hvad det vil betyde.«
Der er sket en udvikling, når det kommer til sensorer, fortæller også Evi Zouganeli. De fungerer lidt ligesom vores sanser.
Robotterne kan have avancerede syns-, høre-, afstandssensorer og taktile sensorer, så de kortlægger og registrerer egenskaberne ved det, de rører ved. De kan opfatte meget om deres omgivelser.
»Men det betyder ikke, at de forstår situationen, hvad der sker, eller hvad der er ved at ske. Det kræver en noget højere intelligens, evnen til at abstrahere, forståelse af formål og konsekvenser og sund fornuft. Vi er ikke i mål endnu.«
Lad robotten prøve og fejle
Med den udvikling, der har fundet sted, mener Evi Zouganeli, at humanoide robotter kan klare sig godt i strukturerede miljøer, som eksempelvis et lager. De kan også få et enkelt samarbejde med mennesker, hvor robottens opgaver er adskilte og relativt veldefinerede.
I et mere dynamisk miljø bliver det straks mere vanskeligt.
Evi Zouganeli nævner tre måder, robotter kan lære via maskinlæring.
Robotter kan træne sig selv ved at bruge en trial-and-error-metode baseret på kunstig intelligens, der belønner gode valg og straffer dårlige valg. Det kaldes 'reinforcement learning'.
»Det kan fungere godt i kontrollerede miljøer og til simple opgaver, men kan også fejle en del og kan derfor ikke uden videre bruges, mens robotten opererer i den virkelige verden. Men metoden er i konstant udvikling,« siger Evi Zouganeli.
Kopierer mennesker
Et vigtigt værktøj er simulering, siger hun. Her kan en digital version af robotten træne, uden at den tager fejl. Når robotten er blevet trænet til at udføre en opgave, kan viden i princippet overføres til alle robotter af samme type.
En anden lovende AI-baseret metode under udvikling er imitationslæring, siger Evi Zouganeli.
»Her lærer robotten ved at observere mennesker udføre opgaven og kopiere dem. I stedet for at omprogrammere robotten til at lave noget nyt, kan man altså lære den nye ting via demonstrationer.«
»Denne metode kan i øjeblikket fungere til simple opgaver, som at åbne en skuffe. Men metoden er ikke moden nok og fungerer ikke godt til mere komplekse opgaver eller i ikke-kontrollerede, ustrukturerede miljøer, hvor konteksten ikke er helt kendt eller let at opfatte.«
I modsætning til mennesker er robotter endnu ikke i stand til at lære nye opgaver på egen hånd ved at genbruge det, de har lært i en anden opgave,« siger Evi Zouganeli, som slutter:
»Det er ikke nemt for en robot at vide, hvilken del af opgaven den skal genbruge, hvad der er relevant viden, og hvad der ikke er.«
©Forskning.no. Oversat af Stephanie Lammers-Clark. Læs den oprindelige artikel her.
