रोबोटिक्समधील एक लक्षवेधी निकाल, पण एक महत्त्वाची अटही आहे
Sony ने बनवलेला आणि Ace नावाने ओळखला जाणारा रोबोटिक आर्म रोबोटिक्समध्ये संशोधक वर्षानुवर्षे शोधत असलेली गोष्ट साध्य करण्यात यशस्वी झाला आहे: तो एलिट मानवी टेबल टेनिस खेळाडूंशी स्पर्धात्मक झाला. Nature मध्ये प्रकाशित झालेल्या अभ्यासात वर्णन केलेला हा निकाल, AI आणि रोबोटिक्स वेगवान, प्रतिक्रियात्मक भौतिक कार्यात तज्ज्ञ मानवी प्रतिस्पर्ध्यांविरुद्ध कसे कार्य करत आहेत याच्या आजवरच्या सर्वात स्पष्ट उदाहरणांपैकी एक म्हणून या यंत्राला अधोरेखित करतो.
फक्त हे शीर्षकच लक्ष वेधण्यासाठी पुरेसे आहे. टेबल टेनिस हा साधा बेंचमार्क नाही. तो perception, prediction, control आणि adaptation यांना सेकंदाच्या अंशांत सामावून घेतो. उच्च-गतीने येणारे शॉट्स टॉप खेळाडूंविरुद्ध परतवू शकणारी प्रणाली केवळ एक खेळकर किमया दाखवत नाही. ती दाखवते की यंत्राची जाण आणि भौतिक नियंत्रण एकत्र येऊन आता अशा पातळीवर काम करू लागले आहेत, जी एकेकाळी काटेकोरपणे आखलेल्या औद्योगिक वातावरणापुरती मर्यादित होती.
पण या निकालाचा सर्वात उपयुक्त भाग कदाचित त्याची मर्यादा आहे. अहवालानुसार Ace स्पर्धात्मक होते, वर्चस्व गाजवणारे नव्हते. मानवी प्रतिस्पर्ध्यांनी रोबोटच्या रणनीतीतील त्रुटी ओळखायला सुरुवात केली आणि त्याला हरवण्याचे मार्ग शोधले. हा फरक महत्त्वाचा आहे, कारण तो या कहाणीला रोबोटिक बदलाच्या दिशेने न नेता, अजूनही स्पष्ट उणिवा असलेल्या रोबोटिक प्रगतीच्या कहाणीत रूपांतरित करतो.
रोबोटिक्ससाठी टेबल टेनिस का महत्त्वाचे आहे
संशोधक अनेक वर्षांपासून रोबोट टेबल टेनिसमध्ये रस घेत आले आहेत, कारण हा खेळ एका प्रणालीला एकाच वेळी अनेक कठीण समस्या सोडवण्यास भाग पाडतो. तिला वेगाने हालणारा चेंडू ट्रॅक करावा लागतो, trajectory चा अंदाज घ्यावा लागतो, प्रतिसाद ठरवावा लागतो आणि मग तो प्रतिसाद अचूकता आणि वेगाने भौतिकरित्या अमलात आणावा लागतो. scripted कारखान्यातील हालचालींपेक्षा वेगळे, येथे आव्हान गतिमान आणि प्रतिस्पर्धी स्वरूपाचे असते. प्रत्येक शॉटनुसार वातावरण बदलते.
Ace च्या बाबतीत, तो loop नऊ कॅमेर्यांनी चालवला गेला, जे AI system ला real-time data देत होते. candidate text नुसार, रोबोटिक आर्म सुमारे 10 मिलीसेकंद latency सह चेंडू ट्रॅक करू शकत होता, जे मानवी मेंदू ज्या वेगाने काम करू शकतो त्यापेक्षा 10 पटाहून अधिक जलद आहे. हा एक उल्लेखनीय आकडा आहे, कारण तो रोबोटिक्सची एक मोठी ताकद अधोरेखित करतो: sensing आणि control stack व्यवस्थित काम करत असेल, तर यंत्रे विलक्षण वेगाने प्रतिसाद देऊ शकतात.
तरीही, वेग एकट्याने सामना जिंकवत नाही. खेळ फक्त reflexes ने जिंकले जात नाहीत. ते pattern recognition, deception, variation आणि strategic adaptation ने जिंकले जातात. तिथेच मानवी खेळाडू अजूनही पुढे होते.
स्पर्धात्मक आणि श्रेष्ठ यांच्यातील सीमारेषा
अशा निकालांचे अतिवाचन करणे सोपे आहे आणि एक मशीन जी तज्ज्ञांशी स्पर्धा करू शकते ती संपूर्ण क्षेत्र ताब्यात घेण्याच्या जवळ आहे असे मानणेही सोपे आहे. हा अहवाल त्या अर्थाकडे झुकत नाही. Ace एवढा चांगला होता की टॉप खेळाडूंविरुद्ध गुण मिळवू शकला आणि काही सामने जिंकू शकला, पण खेळ पूर्णतः सोडवण्याइतका चांगला नव्हता. कुशल माणसांनी रोबोटचा अभ्यास केला, कमकुवतपणा ओळखला आणि स्वतःला जुळवून घेतले.
हे अपयश नाही, तर प्रगती म्हणून समजले पाहिजे. अनेक प्रत्यक्ष जगातील प्रणालींमध्ये, व्यावहारिक मापदंड परिपूर्ण autonomy नसून दबावाखालील भक्कम competence असते. Ace ने एक महत्त्वाची रेषा ओलांडली आहे असे दिसते, कारण त्याने दाखवले की रोबोट उच्च-गतीच्या स्पर्धेत एलिट खेळाडूंविरुद्ध अर्थपूर्णरीत्या कामगिरी करू शकतो, फक्त amateurs किंवा नियंत्रित demos विरुद्ध नव्हे.
तरीही, competence आणि mastery यांच्यातील दरी मोठी आहे. क्रीडा आणि व्यापक रोबोटिक्समध्ये, सर्वात कठीण भाग बहुतेकदा एक उत्कृष्ट कृती करणे नसतो, तर पुढे येणाऱ्या उघड-समाप्त वैविध्याला हाताळणे असतो. माणसे अजूनही brittle patterns ओळखण्यात आणि त्यांचा फायदा घेण्यात विलक्षण चांगली आहेत.
भौतिक जगातील AI बद्दल हे काय सांगते
आधुनिक AI ने software-based वातावरणांमध्ये, board games पासून code generation पर्यंत, नेत्रदीपक निकाल दिले आहेत. भौतिक वातावरण वेगळे असते. sensors गोंगाटयुक्त असतात, वेळ महत्त्वाचा असतो, वस्तू अनपेक्षितपणे हलतात, आणि यश केवळ inference वर नाही तर motors, materials आणि mechanical reliability वरही अवलंबून असते. म्हणूनच टेबल टेनिस अजूनही इतका आकर्षक बेंचमार्क आहे. तो डिजिटल आणि भौतिक बुद्धिमत्तेच्या मर्यादांमध्ये पूल बांधतो.
Ace ची कामगिरी रोबोटिक्स त्या पुलावर प्रत्यक्ष प्रगती करत असल्याचे सूचित करते. ही प्रणाली फक्त नंतर frames चे विश्लेषण करत नव्हती. ती real time मध्ये, दबावाखाली, अशा खेळात काम करत होती जिथे अगदी थोडीशीही विलंब महत्त्वाची ठरते. manufacturing, logistics आणि जलद perception-action loops आवश्यक असलेल्या इतर कामांसाठी ही अशी प्रगती आहे जी पुढे उपयुक्त ठरू शकते.
त्याच वेळी, रोबोटची exploitable strategy एक परिचित AI समस्या उघड करते: मजबूत local optimization देखील globally brittle वर्तन निर्माण करू शकते. एखादी प्रणाली reaction time आणि पुनरावृत्ती अंमलबजावणीमध्ये उत्कृष्ट असू शकते, पण ज्या बदलांवर तिने नीट generalize केलेले नाही त्यांच्यापुढे अजूनही असुरक्षित राहू शकते.
लोकांनी घाबरायची गरज नाही
या निकालाचे सर्वात संयत वाचन हेच सर्वात रंजक आहे. Ace हा एक milestone आहे, कारण high-speed embodied AI किती पुढे आले आहे हे तो दाखवतो. याचा अर्थ असा नाही की रोबोट अचानक सर्व कुशल भौतिक क्षेत्रांमध्ये माणसांना मागे टाकू लागतील. उलट, हा प्रयोग अधिक सूक्ष्म सत्य दाखवतो: मानव एकेकाळी अतिशय कठीण मानत असलेल्या भौतिक उपसमस्यांमध्ये यंत्रे खूप चांगली होत आहेत, पण मानवी जुळवून घेण्याची क्षमता अजूनही अत्यंत महत्त्वाची आहे.
हाच तो समतोल आहे ज्यामुळे हा अभ्यास पाहण्यासारखा ठरतो. तो hype किंवा dismissive वृत्तीमध्ये न अडकता वास्तविक तांत्रिक प्रगतीचे पुरावे देतो. त्या अर्थाने, Ace ने फक्त पिंग-पॉंग चेंडू परतवले नाहीत. त्याने advanced robotics प्रत्यक्षात कुठे उभे आहे याचे जनतेला अधिक स्पष्ट चित्र दिले: वेगवान, सक्षम, प्रभावी, आणि तरीही अजिंक्य नाही.
हा लेख Mashable च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.
Originally published on mashable.com
