This post is also available in:
English (אנגלית)
זה שנים שרובוטים מתקשים לפעול מחוץ לסביבות מבוקרות היטב. בעוד שאוטומציה תעשייתית מצטיינת בביצוע משימות חוזרות ומוגדרות מראש, גם שינויים קטנים בתאורה, במיקום עצמים או במרקם משטחים עלולים לגרום לכשלים. מגבלה זו בולטת עוד יותר כאשר מצפים מרובוטים לעבוד לצד בני אדם, לטפל בעצמים לא מוכרים או לבצע פעולות מורכבות בשתי ידיים בסביבות דינמיות.
מודל חדש של בינה מלאכותית נועד לצמצם את הפער הזה, באמצעות הענקת יכולת גמישה יותר להבנת הוראות ולהתמודדות עם העולם הפיזי. המערכת, בשם Rho-alpha, מתמקדת בהמרת שפה טבעית לפעולות רובוטיות מתואמות, ומאפשרת למכונות לבצע משימות מניפולציה מורכבות ללא הסתמכות על תסריטים קשיחים ומתוכנתים מראש.
במקום לפעול לפי רצפים קבועים, הרובוט מפרש הוראות קוליות או כתובות ומתרגם אותן לאותות בקרה עבור רובוטים דו־זרועיים ורובוטים דמויי־אדם. המערכת משלבת הבנת שפה עם תפיסה חזותית ומשוב מישושי, ומאפשרת לרובוטים להתאים את תנועותיהם תוך כדי ביצוע המשימה. חישת המגע ממלאת תפקיד מרכזי, שכן היא מאפשרת תגובה למגע, להחלקה או לחוסר יישור – ולא הסתמכות על ראייה בלבד.
על פי דיווח של Interesting Engineering, יכולת ההסתגלות משולבת כבר בתכנון המודל. במהלך ההפעלה, הרובוטים יכולים לשנות את התנהגותם כאשר מתרחשת תקלה, במקום לעצור או לחזור שוב על אותה טעות. מפעילים אנושיים יכולים להתערב באמצעות כלים אינטואיטיביים, כגון התקני קלט תלת־ממדיים, כדי לתקן פעולה. המערכת לומדת מההתערבות הזו ומעדנת את התנהגותה לניסיונות הבאים. לולאת משוב זו נועדה לאפשר שיפור מתמשך גם לאחר פריסה מבצעית.
אימון מערכות מסוג זה הוגבל בעבר בשל מחסור בנתוני רובוטיקה מהעולם האמיתי. הפתרון מתמודד עם האתגר באמצעות שילוב של הדגמות פיזיות עם כמויות גדולות של ניסיון מדומה. משימות סינתטיות הנוצרות בסביבות סימולציה מרחיבות את מאגר האימון, בעוד שטכניקות של למידת חיזוק מסייעות לקשר בין הוראות בשפה טבעית לבין תנועה המודעת למגע. מסלולים מדומים אלו משולבים לאחר מכן עם נתונים שנאספו מרובוטים אמיתיים, לשיפור הביצועים במגוון תרחישים.
אף שהטכנולוגיה מיועדת ליישומי רובוטיקה כלליים, הרלוונטיות שלה לביטחון ולהגנת המולדת ברורה. רובוטים המסוגלים להבין הוראות ברמה גבוהה ולהסתגל בזמן אמת יכולים לתמוך בלוגיסטיקה, בטיפול בציוד או בנטרול חימוש נפיץ בסביבות בלתי־צפויות. בפעילות צבאית או ביטחונית, היכולת לפרוס רובוטים הלומדים תוך כדי משימה ומגיבים בבטחה להכוונה אנושית מפחיתה סיכון ומרחיבה את הגמישות המבצעית.
ההתמקדות בהסתגלות ולא באוטומציה קשיחה משקפת מגמה רחבה יותר של מעבר למערכות AI פיזיות, שנועדו לפעול באמינות בתנאי עולם אמיתיים – שבהם חוסר ודאות הוא הכלל ולא החריג.
