13. marts, 2024 - I et stort gennembrud annoncerede OpenAI-spin-off-virksomheden Covariant, at den med succes har bygget en ny kunstig intelligens-model, der gør det muligt for robotter at lære at udføre en række opgaver som mennesker. Denne udvikling markerer et skridt hen imod mere fleksibel og autonom robotteknologi.
I sommeren 2021 lukkede OpenAI sit robotteam ned med henvisning til en mangel på træningsdata, der havde hæmmet dets fremskridt. Tre forskere i tidlige stadier hos Covariant fandt dog en løsning ved deres opstart, grundlagt i 2017. De brugte årevis af data fra flåder af plukkerobotter på lagre rundt om i verden, samt tekst og videoer fra internettet til at skabe en ny model kaldet RFM-1. Denne model kombinerer ræsonnementet fra en stor sprogmodel med den fysiske fleksibilitet af en avanceret robot.
Funktionerne i RFM-1 er imponerende. Brugere kan guide modellen til at udføre opgaver ved hjælp af fem forskellige typer input, herunder tekst, billeder, videoer, robotinstruktioner og målinger. For eksempel kan en bruger vise modellen et billede af en skraldespand fyldt med sportsudstyr og bede den samle en pose tennisbolde op. Robotten udfører derefter den tilsvarende opgave og justerer efter behov.
Selvom modellen har "menneskelignende" ræsonnementer, er der stadig begrænsninger. Under demonstrationen blev det opdaget, at når nogle nye koncepter præsenteres, er modellen muligvis ikke fuldt ud forstået. Dette indikerer, at modellen kræver flere træningsdata og yderligere forbedringer.
Covariant siger, at de planlægger at udrulle modellen til kunder i de kommende måneder og håber at fortsætte med at forbedre dens ydeevne og effektivitet i virkelige miljøer. De implementerer modellerne i miljøer såsom varehuse til test og interagerer med instruktioner, objekter og miljøer fra den virkelige verden.
Efterhånden som AI-teknologien udvikler sig, øges konkurrencen også blandt virksomheder, der bruger AI til at drive robotsystemer. Selvom der stadig er nogle problemer, der skal løses, er Covariant forpligtet til løbende at lære og forbedre deres modeller, så robotterne bedre kan tilpasse sig skiftende miljøer.
I den nærmeste fremtid kan man forvente at se bredere anvendelser af robotter på forskellige områder, og efterhånden som flere data og forbedringer bliver tilgængelige, vil robotternes evne til at lære og udføre opgaver blive ved med at blive bedre.