రోబోటిక్స్లో ఒక ఆకర్షణీయ ఫలితం, కానీ ఒక ముఖ్యమైన సూచనతో
Sony తయారు చేసిన, Ace అని పిలువబడే రోబోట్ ఆర్మ్, రోబోటిక్స్లో పరిశోధకులు చాలా కాలంగా వెతుకుతున్నదాన్ని సాధించింది: ఇది ఎలైట్ మానవ టేబుల్ టెన్నిస్ ఆటగాళ్లతో పోటీ పడగలిగే స్థాయికి చేరుకుంది. Nature లో ప్రచురితమైన ఒక అధ్యయనంలో వివరించిన ఈ ఫలితం, వేగంగా స్పందించే భౌతిక పనిలో AI మరియు రోబోటిక్స్ నిపుణ మానవ ప్రత్యర్థుల ఎదుట ఎలా పనిచేస్తున్నాయో చూపే అత్యంత స్పష్టమైన ఉదాహరణలలో ఒకటిగా ఈ యంత్రాన్ని నిలిపింది.
ఆ శీర్షిక ఒక్కటే దృష్టిని ఆకర్షించడానికి సరిపోతుంది. టేబుల్ టెన్నిస్ సాధారణ బెంచ్మార్క్ కాదు. ఇది perception, prediction, control, adaptationలను సెకనులో చిన్న భాగాల్లో సమీకరిస్తుంది. టాప్ ప్లేయర్లపై వేగవంతమైన షాట్లను తిరిగి పంపగల వ్యవస్థ, కేవలం ఒక విన్యాసం మాత్రమే చూపడం లేదు. యంత్ర భావగ్రహణం మరియు భౌతిక నియంత్రణ ఒకప్పుడు జాగ్రత్తగా నిర్మించిన పారిశ్రామిక వాతావరణాలకు మాత్రమే పరిమితమైన స్థాయిలో ఇప్పుడు కలిసి పనిచేయడం మొదలుపెట్టాయని చూపిస్తోంది.
అయితే ఈ ఫలితంలో అత్యంత ఉపయోగకరమైన విషయం దాని పరిమితి కావచ్చు. నివేదిక ప్రకారం Ace పోటీ పడగలిగింది, కానీ ఆధిపత్యం చెలాయించలేదు. మానవ ప్రత్యర్థులు రోబోట్ వ్యూహంలో లోపాలను గుర్తించి, దాన్ని ఓడించే మార్గాలను కనుగొన్నారు. ఈ తేడా కీలకం, ఎందుకంటే ఇది కథను రోబోటిక్ ప్రత్యామ్నాయంగా కాకుండా, ఇంకా స్పష్టమైన లోపాలు మిగిలి ఉన్న రోబోటిక్ పురోగతిగా మార్చుతుంది.
రోబోటిక్స్కు టేబుల్ టెన్నిస్ ఎందుకు ముఖ్యం
పరిశోధకులు ఏళ్లుగా రోబో టేబుల్ టెన్నిస్పై ఆసక్తి చూపుతున్నారు, ఎందుకంటే ఈ క్రీడ ఒక వ్యవస్థను ఒకేసారి అనేక కఠిన సమస్యలను పరిష్కరించేందుకు బలవంతం చేస్తుంది. అది వేగంగా కదులుతున్న వస్తువును ట్రాక్ చేయాలి, దాని trajectoryని అంచనా వేయాలి, స్పందనను నిర్ణయించాలి, ఆపై ఆ స్పందనను ఖచ్చితత్వం మరియు వేగంతో భౌతికంగా అమలు చేయాలి. స్క్రిప్ట్ చేసిన ఫ్యాక్టరీ కదలికలా కాకుండా, ఇక్కడ సవాలు గతి-శీలతతో, ప్రత్యర్థి స్వభావంతో ఉంటుంది. ప్రతి షాట్తో వాతావరణం మారుతుంది.
Ace విషయంలో, ఆ loop తొమ్మిది కెమెరాల ద్వారా నడిచింది; అవి AI వ్యవస్థకు real-time డేటాను అందించాయి. candidate text ప్రకారం, రోబోట్ ఆర్మ్ సుమారు 10 మిల్లీసెకన్ల latencyతో బంతిని ట్రాక్ చేయగలిగింది, ఇది మనిషి మెదడు నిర్వహించగల దానికంటే 10 రెట్లు వేగం. ఇది రోబోటిక్స్లోని ముఖ్యమైన బలాన్ని చూపుతుంది: sensing మరియు control stack సరిగా పనిచేసినప్పుడు, యంత్రాలు అసాధారణ వేగంతో స్పందించగలవు.
అయితే, వేగం ఒక్కటే పోటీని నిర్ణయించదు. ఆటలు reflexలతో మాత్రమే గెలవబడవు. అవి pattern recognition, deception, variation, strategic adaptationలతో గెలవబడతాయి. అక్కడే మానవ ఆటగాళ్లు ఇంకా పైచేయి చూపించారు.
పోటీ పడగలగడం మరియు మెరుగ్గా ఉండడం మధ్య గీత
ఇలాంటి ఫలితాలను అతిగా అర్థం చేసుకుని, నిపుణులతో పోటీ పడగల యంత్రం మొత్తం రంగాన్ని స్వాధీనం చేసుకునేంత దగ్గరగా ఉందని అనుకోవడం సులభం. ఈ నివేదిక ఆ అర్థీకరణకు వ్యతిరేకంగా ఉంది. Ace టాప్ ప్లేయర్లపై పాయింట్లు సాధించడానికి, కొన్ని గేమ్స్ గెలవడానికి తగినంత బాగుండింది; కానీ క్రీడను పూర్తిగా పరిష్కరించేంత బాగాలేదు. నైపుణ్యమున్న మానవులు రోబోట్ను అధ్యయనం చేసి, బలహీనతలను గుర్తించి, సర్దుబాటు చేసుకున్నారు.
దాన్ని వైఫల్యంగా కాకుండా పురోగతిగా అర్థం చేసుకోవాలి. అనేక వాస్తవ ప్రపంచ వ్యవస్థలలో, ప్రాయోగిక ప్రమాణం పరిపూర్ణ autonomy కాదు, ఒత్తిడిలో స్థిరమైన competence. Ace ఒక కీలక రేఖను దాటినట్టు కనిపిస్తోంది, ఎందుకంటే అది రోబోట్ ఒక high-speed పోటీలో ఎలైట్ ఆటగాళ్లపై అర్థవంతంగా ప్రదర్శించగలదని చూపించింది; amateurs లేదా నియంత్రిత demonstrationsతో మాత్రమే కాదు.
అయినా competence మరియు mastery మధ్య వ్యత్యాసం పెద్దది. క్రీడల్లో, అలాగే broader roboticsలో, అత్యంత కష్టం అనేది ఒక అద్భుతమైన చర్యను చేయడం కాదు; తర్వాత వచ్చే తెరిచిన-అంతం వైవిధ్యాన్ని నిర్వహించడం. మనుషులు ఇంకా brittle patternsను గుర్తించి, వాటిని ఉపయోగించుకోవడంలో అసాధారణంగా నైపుణ్యం కలిగి ఉన్నారు.
ఇది భౌతిక ప్రపంచంలో AI గురించి ఏమి చెబుతోంది
ఆధునిక AI సాఫ్ట్వేర్ ఆధారిత వాతావరణాల్లో, బోర్డ్ గేమ్స్ నుండి code generation వరకు, అద్భుత ఫలితాలు సాధించింది. భౌతిక వాతావరణాలు భిన్నం. సెన్సార్లు noiseతో ఉంటాయి, సమయం కీలకం, వస్తువులు అనూహ్యంగా కదులుతాయి, మరియు విజయం inferenceతో పాటు motors, materials, mechanical reliabilityపై ఆధారపడి ఉంటుంది. అందుకే టేబుల్ టెన్నిస్ ఇంకా ఇంత ఆకర్షణీయమైన బెంచ్మార్క్గా ఉంది. ఇది డిజిటల్ మరియు భౌతిక మేధస్సు పరిమితుల మధ్య వంతెనగా పనిచేస్తుంది.
Ace పనితీరు రోబోటిక్స్ ఆ వంతెనపై నిజమైన పురోగతి చేస్తున్నదని సూచిస్తుంది. ఈ వ్యవస్థ తరువాత framesని మాత్రమే విశ్లేషించలేదు. అది real timeలో, ఒత్తిడిలో, అత్యల్ప ఆలస్యం కూడా కీలకమైన క్రీడలో పనిచేసింది. manufacturing, logistics, అలాగే వేగవంతమైన perception-action loops అవసరమైన ఇతర పనులకు ఇది చివరికి ఉపయోగపడగల పురోగతి రకం.
అదే సమయంలో, రోబోట్ యొక్క exploitable strategy ఒక పరిచిత AI సమస్యను బయటపెడుతుంది: బలమైన local optimization కూడా globally brittle ప్రవర్తనను ఉత్పత్తి చేయగలదు. ఒక వ్యవస్థ reaction time మరియు పునరావృత అమలులో అద్భుతంగా ఉండవచ్చు, కానీ అది బాగా generalize చేయని మార్పులకు ఇంకా లోనవుతుంది.
ప్రజలు ఎందుకు భయపడాల్సిన అవసరం లేదు
ఫలితాన్ని అత్యంత కొలమానపూర్వకంగా చదివితే అదే అత్యంత ఆసక్తికరమవుతుంది. Ace ఒక milestone, ఎందుకంటే high-speed embodied AI ఎంత దూరం వచ్చిందో ఇది చూపుతుంది. ఇది రోబోట్లు ఒక్కసారిగా అన్ని నైపుణ్యభరిత భౌతిక రంగాల్లో మనుషులకంటే మెరుగ్గా మారిపోతాయని ఊహించడానికి కారణం కాదు. ఈ ప్రయోగం మరింత సూక్ష్మమైన సత్యాన్ని చూపిస్తోంది: మనుషులు ఒకప్పుడు ప్రత్యేకంగా కష్టం అనుకున్న భౌతిక ఉపసమస్యలను యంత్రాలు చాలా బాగా పరిష్కరించడం నేర్చుకుంటున్నాయి, కానీ మానవ అనుగుణ్యత ఇంకా ఎంతో ప్రాముఖ్యం కలిగి ఉంది.
అదే ఈ అధ్యయనాన్ని గమనించదగినదిగా చేస్తుంది. ఇది hype లేదా dismissalలో పడకుండా, నిజమైన సాంకేతిక పురోగతికి ఆధారాలను ఇస్తుంది. ఆ అర్థంలో, Ace ping-pong బంతులను తిరిగి పంపడానికన్నా ఎక్కువ చేసింది. advanced robotics వాస్తవంగా ఎక్కడ నిలిచిందో ప్రజలకు మరింత స్పష్టంగా చూపించింది: వేగంగా, సామర్థ్యవంతంగా, ఆకట్టుకునేలా, ఇంకా అజేయం కాకుండా.
ఈ వ్యాసం Mashable నివేదికల ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.
Originally published on mashable.com
