Legalábbis a legújabb kutatásból ez derült ki.
Az intelligens robotok létrehozására irányuló erőfeszítéseik során a kutatók érthető módon inkább az agyakra összpontosítanak. Az MIT egyik csoportja szerint azonban a mesterséges intelligencia segíthet abban, hogy jobb testeket tervezzenek a robotok számára, így mindkettővel párhuzamosan kellene foglalkoznunk.
Ahhoz, hogy egy robot megoldjon egy feladatot, az agyának és a testének tökéletesen össze kell hangolódnia, hogy a munkát elvégezze. Ez azt jelenti, hogy egy hatékony mesterséges intelligencia-vezérlő, amely jól irányít egyfajta testet, nem feltétlenül fog jól működni egy más test esetében.
A szokásos megközelítés az, hogy egyszerűen megtervezünk egy robottestet – akár kézzel, akár mesterséges intelligencia tervezőeszközökkel – , majd betanítunk egy mesterséges intelligenciát az irányítására. Még jobb megoldás azonban, ha mindkét folyamatot egyszerre végezzük el, így az irányító mesterséges intelligencia visszajelzést adhat arról, hogy a test változtatásai hogyan könnyítik vagy éppenséggel nehezítik a feladat megoldását.
Ez az úgynevezett társtervezés, és nem újdonság.
A két optimalizálási folyamat párhuzamos futtatása azonban nagyon bonyolult, és hosszú időbe telhet, amíg használható megoldás születik. Mivel a tervezési algoritmusnak több ezer különböző konfigurációt kell kipróbálnia, a megközelítés csak szimulációban működik, és jellemzően a kutatóknak a semmiből kell tesztelési környezetet építeniük, vagy erősen adaptálniuk kell a meglévő robotképző szimulációkat.
Mindez rengeteg munkát igényel, ami oda vezetett, hogy a legtöbb társtervezési környezet néhány egyszerű feladatra összpontosít. És mivel a legtöbbet különálló csoportokat fejlesztették ki, nem könnyű összehasonlítani az eredményeket.
E problémák megoldására az MIT Számítástechnikai és Mesterséges Intelligencia Laboratóriumának (CSAIL) csapata létrehozta az Evolution Gym nevű társtervezési szimulátort, amely lehetővé teszi a kutatók számára, hogy a feladatok és terepek széles skáláján teszteljék megközelítéseiket egy rendkívül testreszabható robottervezési keretrendszer segítségével. A szimulátort úgy is tervezték, hogy a kevesebb számítási erőforrással rendelkező csoportok is használhassák.
Az egyszerűség kedvéért a szimulátor, amelyet ezen a héten mutatnak be a Conference on Neural Information Processing Systems konferencián, csak két dimenzióban működik. A csapat 30 egyedi feladatot tervezett, amelyek között olyanok szerepelnek, mint a járás, az akadályok átugrása, a tárgyak cipelése vagy húzása, valamint az akadályok alá kúszás, de a kutatók akár saját kihívásokat is tervezhetnek.
Ahhoz, hogy a szimulátoruk számára néhány viszonyítási pontot állítsanak fel, a kutatók három különböző tervezési algoritmust próbáltak ki, amelyek egy mély megerősítő tanulási algoritmussal működtek együtt, amely sok-sok próbálkozás és hiba útján tanulta meg a robotok irányítását.
A közösen tervezett robotok jól teljesítettek az egyszerűbb feladatokban, mint például a járás vagy a tárgyak cipelése, de a nehezebb kihívásokban, mint az elkapás és az emelés, nehézségekbe ütköztek, ami arra utal, hogy a közösen tervezett algoritmusokban még bőven van lehetőség a fejlődésre. Mindazonáltal a mesterséges intelligencia által tervezett robotok szinte minden feladatban felülmúlták az emberek által tervezetteket.
Érdekes módon a társtervező robotok közül sokan a valódi állatokhoz hasonló alakot öltöttek. Egyikük egy galoppozó lóra hasonlított, míg egy másik, akinek az volt a feladata, hogy felmásszon egy kéményen, karokat és lábakat fejlesztett ki, és egy majomhoz hasonlóan mászott felfelé.
