ลูกสุนัข

งานของนักวิจัยได้รวบรวมสองเทคโนโลยีที่แตกต่างกัน แต่สนับสนุนซึ่งกันและกันซึ่งถูกนำมาใช้ในการพัฒนาระบบความรู้ความเข้าใจเทียม (ACS) เพื่อวัตถุประสงค์ที่แตกต่างกัน แนวทางดั้งเดิมของปัญญาประดิษฐ์ (AI) อาศัยระบบตามกฎซึ่งผู้ออกแบบส่วนใหญ่ให้ความรู้และการแสดงฉาก ทำให้หุ่นยนต์ทำตามขั้นตอนการตัดสินใจ เช่นเดียวกับการปีนผ่านกิ่งก้านของต้นไม้ไปยัง การตอบสนองที่กำหนดไว้ล่วงหน้า ในทางกลับกัน เครือข่ายประสาทเทียมที่ได้รับแรงบันดาลใจทางชีวภาพ (ANNs) อาศัยการประมวลผลสัญญาณอย่างต่อเนื่องและกระบวนการปรับให้เหมาะสมที่ไม่ใช่เชิงเส้นเพื่อให้ได้การตอบสนอง ซึ่งเนื่องจากขาดกฎที่กำหนดไว้ล่วงหน้า นักพัฒนาจึงต้องสร้างความสมดุลระหว่างข้อจำกัดของระบบและอย่างระมัดระวัง อิสระในการดำเนินการอย่างอิสระ Michael Felsberg นักวิจัยจาก Computer Vision Laboratory ของมหาวิทยาลัย Linköping ในสวีเดนอธิบายว่า “การพัฒนาระบบใน AI แบบคลาสสิกนั้นเป็นวิธีการจากบนลงล่างเป็นหลัก ในขณะที่ ANN นั้นเป็นวิธีการจากล่างขึ้นบน” “ปัญหาคือระบบเหล่านี้มีข้อบกพร่องที่สำคัญในการพัฒนาสถาปัตยกรรม ACS ขั้นสูง ANN เป็นเรื่องเล็กน้อยเกินกว่าจะแก้ไขงานที่ซับซ้อนได้ ในขณะที่ AI แบบคลาสสิกไม่สามารถแก้ไขได้หากไม่ได้ตั้งโปรแกรมไว้ล่วงหน้าให้ทำเช่นนั้น” เหนือกว่าความทันสมัย การทำงานในโครงการ COSPAL ที่ได้รับทุนสนับสนุนจากสหภาพยุโรป ทีมงานของ Felsberg พบว่าการใช้เทคโนโลยีทั้งสองร่วมกันสามารถแก้ปัญหาเหล่านี้ได้มากมาย ในสิ่งที่นักวิจัยเชื่อว่าเป็นตัวอย่างที่ล้ำหน้าที่สุดของระบบดังกล่าวที่พัฒนาขึ้นทุกที่ในโลก พวกเขาใช้ ANN เพื่อจัดการกับฟังก์ชันระดับต่ำตามอินพุตภาพที่หุ่นยนต์ได้รับ จากนั้นใช้ AI แบบดั้งเดิมใน ฟังก์ชั่นการกำกับดูแล “ด้วยวิธีนี้ เราพบว่าเป็นไปได้ที่หุ่นยนต์จะสำรวจโลกรอบตัวพวกเขาผ่านการโต้ตอบโดยตรง สร้างวิธีในการดำเนินการและจากนั้นควบคุมการกระทำของพวกเขาให้สอดคล้องกัน สิ่งนี้รวมข้อดีของ AI แบบคลาสสิกซึ่งเหนือกว่าเมื่อพูดถึงการทำงานที่ใกล้เคียงกับการใช้เหตุผลของมนุษย์ และข้อดีของ ANN ซึ่งเหนือกว่าในการปฏิบัติงานที่มนุษย์จะใช้จิตใต้สำนึก เช่น ทักษะยนต์พื้นฐานและทักษะระดับต่ำ งานด้านความรู้ความเข้าใจ” Felsberg ตั้งข้อสังเกต ความแตกต่างที่สำคัญที่สุดระหว่างแนวทางของ COSPAL กับสิ่งที่เคยเป็นมาล่าสุดคือ ACS ของนักวิจัยสามารถปรับขนาดได้ สามารถเรียนรู้ได้ด้วยตัวเองและสามารถแก้ไขงานที่ซับซ้อนมากขึ้นโดยไม่ต้องเขียนโปรแกรมเพิ่มเติม “มีการเชื่อมโยงโดยตรงจากหลักการทางสายตาไปจนถึงการแสดงแอ็คชั่น” Felsberg ยืนยัน “ในระบบก่อนหน้านี้ หากมีบางอย่างในสภาพแวดล้อมเปลี่ยนไปโดยที่ระบบระดับต่ำไม่ได้ถูกตั้งโปรแกรมให้รับรู้ ก็จะให้การตอบสนองแบบสุ่ม แต่กระบวนการ AI ที่ควบคุมดูแลจะไม่ตระหนักว่ามีอะไรผิดปกติ ด้วยแนวทางของเรา ระบบจะตระหนักได้ว่ามีบางสิ่งที่แตกต่างออกไป และหากการดำเนินการไม่ส่งผลให้เกิดความสำเร็จ ก็จะพยายามทำสิ่งอื่นแทน” ผู้ประสานงานโครงการอธิบาย “เหมือนกับการฝึกเด็กหรือ ลูกสุนัข ” วิธีการเรียนรู้แบบลองผิดลองถูกนี้ได้รับการทดสอบโดยให้หุ่นยนต์ COSPAL ต่อปริศนาการจัดเรียงรูปร่างให้สมบูรณ์ แต่ไม่มีการบอกว่าต้องทำอะไร ขณะที่มันพยายามตอกหมุดเข้าไปในรู มันก็ค่อยๆ เรียนรู้ว่าอะไรจะพอดีกับตำแหน่งนั้น ทำให้มันไขปริศนาได้รวดเร็วและแม่นยำมากขึ้นในแต่ละครั้ง “หลังจากการบูตสแตรปด้วยสายตา ข้อมูลของมนุษย์เพียงอย่างเดียวมาจากผู้ควบคุมที่มีปุ่มสองปุ่ม ปุ่มหนึ่งเพื่อบอกหุ่นยนต์ว่าทำสำเร็จ และอีกปุ่มหนึ่งเพื่อบอกว่ามันทำผิดพลาด มันเหมือนกับการฝึกเด็กหรือลูกสุนัข” Felsberg กล่าว แม้ว่าหุ่นยนต์เพื่อการเรียนรู้และรู้คิดประเภทที่พัฒนาขึ้นใน COSPAL ถือเป็นก้าวกระโดดที่สำคัญไปสู่การพัฒนาหุ่นยนต์ที่เป็นอิสระมากขึ้น Felsberg กล่าวว่าอาจต้องใช้เวลาสักระยะก่อนที่หุ่นยนต์จะได้รับสิ่งที่ใกล้เคียงกับความรู้ความเข้าใจและสติปัญญาของมนุษย์ หากพวกเขาทำได้ “ในแง่ของมนุษย์ หุ่นยนต์ของเราก็คงเหมือนเด็กอายุ 2-3 ขวบ และคงต้องใช้เวลาอีกนานที่เทคโนโลยีจะก้าวหน้าเทียบเท่าผู้ใหญ่ ฉันไม่คิดว่าเราจะได้เห็นมันในช่วงชีวิตของเรา” เขากล่าว อย่างไรก็ตาม หุ่นยนต์อย่างเช่นที่พัฒนาใน COSPAL จะเริ่มมีบทบาทในชีวิตของเรามากขึ้นอย่างไม่ต้องสงสัย พันธมิตรโครงการกำลังอยู่ในขั้นตอนของการเปิดตัวโครงการต่อเนื่องที่เรียกว่า DIPLECS เพื่อทดสอบสถาปัตยกรรม ACS ของพวกเขาในรถยนต์ จะใช้เพื่อทำให้ยานพาหนะรับรู้และรับรู้ถึงสิ่งรอบข้าง สร้างนักบินร่วมเทียมเพื่อเพิ่มความปลอดภัยไม่ว่าสภาพอากาศ ถนน หรือสภาพการจราจรจะเป็นอย่างไร “ในโลกแห่งความเป็นจริง คุณต้องการระบบที่สามารถปรับให้เข้ากับสถานการณ์ที่ไม่คาดฝันได้ และนั่นคือความสำเร็จที่ยิ่งใหญ่ที่สุดของ ACS ของเรา” Felsberg กล่าว