Ogromna skala danych tekstowych dostępnych w internecie, w połączeniu z ciągle rosnącą mocą obliczeniową i postępem w algorytmach, doprowadziła do przełomu w ChatGPT. Od tego czasu obserwujemy ciągłe udoskonalenia w różnych testach porównawczych, a także rozszerzony zakres typów danych wejściowych, w tym obrazów i dźwięku.
Po dwóch latach intensywnych i znaczących inwestycji w tej dziedzinie pojawiły się obawy dotyczące możliwości kontynuacji postępu z powodu potencjalnego niedoboru danych treningowych. Powszechnie uważa się, że modele takie jak GPT-4 były trenowane na niemal całym internecie. Biorąc pod uwagę, że modele te działają jako destylowane wersje swoich zbiorów danych treningowych, uzasadnione było pytanie, czy będą w stanie odróżnić nowe spostrzeżenia od błędów lub anomalii – wszystkiego, czego nie ma w ich danych treningowych.
Jednak w 2024 roku pojawił się nowy paradygmat zwany ‘rozumowaniem’, którego przykładem są modele takie jak DeepSeek R1 i seria O firmy OpenAI. Ten przełom umożliwił sztucznej inteligencji osiągnięcie niespotykanej dotąd wydajności w dziedzinach, w których dokładność wyników można było wiarygodnie zweryfikować, takich jak kodowanie i dowodzenie twierdzeń.
W tych domenach sztuczna inteligencja może eksplorować wiele hipotez, Na przykład różne wersje programu komputerowego, nawet jeśli nie zostały one wyraźnie uwzględnione w danych treningowych. System weryfikacji, taki jak przypadki testowe oprogramowania, może następnie zweryfikować poprawne rozwiązania i odpowiednio nagrodzić model.
Programowanie i rozwiązywanie problemów matematycznych mieszczą się w obszarze cyfrowych danych wyjściowych, ale czy to podejście można zastosować w rzeczywistych sytuacjach? Robotyka i automatyka dostarczają doskonałych przykładów. Na przykład, robot może zostać poinstruowany, aby podnieść przedmiot i otrzymać nagrodę za pomyślne wykonanie zadania.
Najnowsze osiągnięcia w dziedzinie sztucznej inteligencji (AI) umożliwiły robotom pełne zrozumienie produktów, pojemników magazynowych, kontenerów i innych niezbędnych elementów niezbędnych do funkcjonowania magazynu. Wykorzystując wizję komputerową, roboty mogą określać właściwości przedmiotów i najlepszy sposób ich uchwycenia. AI potrafi również rozróżniać towary zbiorcze od pojedynczych podczas liczenia zapasów. Dzięki modelom wnioskowania rozszerzającym się na robotykę, wierzymy, że wkrótce możliwe będzie osiągnięcie pokrycia kompletacji na poziomie 100% dla jednostek magazynowych (SKU) w magazynach. Oznacza to, że każdy artykuł w magazynie mógłby być kompletowany przez robota, co przybliża nas do w pełni zautomatyzowanych, ‘wyłączonych’ magazynów.
Aby to osiągnąć, potrzebne będą wysoce wyspecjalizowane chwytaki robotyczne. Te z kolei wymagają zaawansowanych możliwości percepcji i kontroli, aby skutecznie obsługiwać przedmioty. Biorąc pod uwagę obecne tempo postępu technologicznego, rozwój ten powinien być w zasięgu ręki w ciągu najbliższych kilku lat.
Nasuwa się naturalne pytanie, czy te postępy doprowadzą do powszechnego stosowania robotów humanoidalnych? Jak omawialiśmy w poprzednim artykule. wpis na blogu, Nie wierzymy, że roboty humanoidalne będą najbardziej opłacalnym rozwiązaniem dla przyszłych fabryk i magazynów. Środowiska te można zaprojektować z myślą o wydajności, wykorzystując dedykowane ramiona robotyczne i manipulatory.
Z punktu widzenia konserwacji znacznie łatwiej jest przechowywać części zamienne do ramienia robota posiadającego maksymalnie 10 stawów niż do ramienia humanoidalnego, do którego potrzebnych byłoby co najmniej 100 stawów.
Sztuczna inteligencja to potężny czynnik, który umożliwi nam osiągnięcie pełnej automatyzacji magazynów, ale to dopiero początek. Kolejnym krokiem jest automatyzacja w środowiskach półustrukturyzowanych, takich jak hotele, restauracje i szpitale, gdzie roboty będą stopniowo przejmować zadania wykonywane obecnie przez ludzi. Spodziewam się, że ta zmiana nastąpi w ciągu najbliższej dekady, choć roboty humanoidalne mogą nie zdominować rynku, roboty kołowe i czworonożne oferują znaczące korzyści w zakresie mobilności i powinny zostać powszechnie przyjęte.
Patrząc w przyszłość, w perspektywie najbliższych dziesięciu lat, wraz z produkcją i wdrażaniem większej liczby robotów, ich koszt będzie spadał dzięki efektowi skali. Będzie to miało kilka konsekwencji:
Nie jest pewne, czego dokładnie społeczeństwa będą produkować ‘więcej’, podobnie jak 20 lat temu trudno było przewidzieć pełny wpływ Internetu i smartfonów.
Osobiście jestem podekscytowany kreatywnym potencjałem, jaki drzemie w tych potężnych, nowych narzędziach. Osobisty asystent AI może stać się najlepszym nauczycielem, obdarzonym nieskończoną cierpliwością, oferując każdemu możliwość uczenia się przez całe życie.
