Ερευνητές από τη Huawei Noah’s Ark Lab, το Τεχνικό Πανεπιστήμιο του Darmstadt και το ETH Zurich ανέπτυξαν ένα σύστημα που συνδέει μεγάλα γλωσσικά μοντέλα με το Robot Operating System, επιτρέποντας σε ρομπότ να μετατρέπουν απλές εντολές σε πραγματικές κινήσεις. Η έρευνα δημοσιεύτηκε στο περιοδικό Nature Machine Intelligence και ο κώδικας διατίθεται ελεύθερα.
Μια εντολή σαν “πάρε το πράσινο κουτί και βάλ’ το στο μαύρο ράφι” ακούγεται απλή για έναν άνθρωπο. Για ένα ρομπότ, όμως, είναι ένα σύνθετο πρόβλημα αντίληψης, σχεδιασμού και εκτέλεσης που για δεκαετίες απαιτούσε χειροκίνητο προγραμματισμό κάθε βήματος. Μια νέα ερευνητική ομάδα από τη Huawei Noah’s Ark Lab, το Τεχνικό Πανεπιστήμιο του Darmstadt και το ETH Zurich ισχυρίζεται ότι έλυσε σε μεγάλο βαθμό αυτό το πρόβλημα — και έχει δημοσιεύσει τον κώδικα για να το αποδείξει.
Το σύστημα που ανέπτυξαν συνδέει μεγάλα γλωσσικά μοντέλα — την τεχνολογία πίσω από εργαλεία όπως το ChatGPT — με το Robot Operating System, γνωστό ως ROS. Το ROS είναι η πιο διαδεδομένη ανοιχτή πλατφόρμα για τον έλεγχο ρομπότ, μια κοινή “γλώσσα” που χρησιμοποιούν ερευνητές και μηχανικοί παγκοσμίως. Η σύνδεση των δύο δημιουργεί ένα σύστημα που μπορεί να “σκεφτεί” μια εντολή και να την εκτελέσει φυσικά, χωρίς να χρειάζεται κάποιος να προγραμματίσει κάθε κίνηση από την αρχή.
Το πώς λειτουργεί αυτό στην πράξη είναι εξίσου ενδιαφέρον με το τι επιτυγχάνει. Το σύστημα υποστηρίζει δύο τρόπους εκτέλεσης: στον πρώτο, το γλωσσικό μοντέλο παράγει μικρά κομμάτια κώδικα που ελέγχουν άμεσα το ρομπότ. Στον δεύτερο, χτίζει δομημένα “δέντρα αποφάσεων” — γνωστά ως behavior trees — που επιτρέπουν στο ρομπότ να προσαρμοστεί αν κάτι πάει στραβά σε ένα ενδιάμεσο βήμα. Αυτή η διπλή προσέγγιση κάνει το σύστημα πιο ανθεκτικό: αντί να “παγώνει” μπροστά σε ένα απρόσμενο εμπόδιο, το ρομπότ μπορεί να επανασχεδιάσει.
Εξίσου σημαντικό είναι ότι το σύστημα μαθαίνει. Μέσα από ανατροφοδότηση — είτε από ανθρώπους είτε από το ίδιο το περιβάλλον — το ρομπότ βελτιώνει την εκτέλεση των κινήσεών του με την πάροδο του χρόνου, χωρίς εκτεταμένο επαναπρογραμματισμό. Οι ερευνητές το δοκίμασαν σε πολλαπλά ρομποτικά συστήματα και σε διαφορετικές εργασίες — από απλές μετακινήσεις αντικειμένων σε τραπέζι μέχρι πιο σύνθετες αλληλουχίες ενεργειών — και τα αποτελέσματα έδειξαν αξιόπιστη εκτέλεση σε διαφορετικά σενάρια.
Το πιο ενθαρρυντικό στοιχείο για την ευρύτερη υιοθέτηση της τεχνολογίας είναι ότι όλα αυτά επιτεύχθηκαν με ανοιχτού κώδικα, προεκπαιδευμένα γλωσσικά μοντέλα — όχι με ιδιόκτητα συστήματα κλειστής πρόσβασης. Αυτό σημαίνει ότι ερευνητές και εταιρείες με περιορισμένους πόρους μπορούν να χτίσουν πάνω σε αυτή τη δουλειά. Το ερώτημα που μένει ανοιχτό είναι πόσο γρήγορα ένα τέτοιο σύστημα μπορεί να περάσει από το εργαστήριο στο σπίτι, το νοσοκομείο ή το εργοστάσιο — και αν η ευελιξία που δείχνει σε ελεγχόμενες συνθήκες θα αντέξει στο χάος του πραγματικού κόσμου.
