با RoboCat: مدل جدید خود-بهبود هوش مصنوعی از DeepMind آشنا شوید

این مدل از طریق یک فرآیند هوشمندانه خودسازی بهتر و بهتر می شود. با یادگیری از یک مجموعه داده بزرگ که شامل تصاویر و اقدامات از بازوهای مختلف ربات است، شروع می شود.

سپس، وظایف جدیدی را انجام می دهد که قبلاً ندیده است و پنج مرحله مهم را برای بهتر شدن طی می کند:

• تماشای تظاهرات
• در حال تنظیم خود
• ایجاد داده های آموزشی بیشتر
• استفاده از داده های جدید و خود تولید
• آموزش یک نسخه جدید و بهبود یافته از خودش

این چرخه مدام تکرار می‌شود، و هر بار، RoboCat ماهرتر می‌شود.

یک مجموعه داده آموزشی گسترده و متنوع

boener noferatrel=”_oreferat”> چیزهای باورنکردنی چون از حجم عظیمی از داده های آموزشی یاد گرفته است. این داده ها شامل میلیون ها مسیر و حرکت مختلف از هر دو بازوهای ربات واقعی و شبیه سازی شده و حتی داده هایی است که این مدل توسط خود تولید می کند.

برای جمع آوری تمام این اطلاعات، محققان از چهار نوع مختلف ربات و بازوهای رباتیک زیادی استفاده کردند. مجموعه داده های آموزشی متنوع چیزی است که مدل را بسیار سازگار و همه کاره می کند. این می تواند بازوهای رباتیک مختلف را به خوبی اداره کند و کارهای بسیار سخت را حل کند.

تسلط بر بازوهای جدید و وظایف پیچیده

RoboCat می‌تواند کاری واقعاً شگفت‌انگیز انجام دهد – می‌تواند به سرعت انواع مختلف بازوهای رباتیک را یاد بگیرد و از آن استفاده کند. حتی اگر بازوها پیچیده‌تر باشند، مانند بازوهایی با سه انگشت و کنترل‌های بیشتر، تنها در چند ساعت می‌توانند آن‌ها را بفهمند. با تماشای تنها 1000 نمایش از انسان، این مدل در کنترل بازوی جدید واقعاً خوب می شود.

به عنوان مثال، 86٪ مواقع می تواند با موفقیت دنده ها را بلند کند، که واقعاً چشمگیر است! همچنین در کارهایی که به دقت و درک نیاز دارند، مانند انتخاب میوه مناسب از یک کاسه یا حل پازل های متناسب با شکل، بسیار خوب است.

این نشان می‌دهد که مدل Deepmind می‌تواند چالش‌های سخت‌تری را که به کنترل زیادی نیاز دارند، مدیریت کند.

عمومی خود-بهبود

RoboCat همیشه بهتر و بهتر می شود زیرا می تواند از خودش یاد بگیرد. هر بار که یک کار جدید یاد می گیرد، در یادگیری در آینده حتی بهتر می شود. هنگامی که RoboCat برای اولین بار شروع به کار کرد، فقط در 36٪ مواقع پس از تماشای 500 نمایش برای هر کار، می توانست وظایف را درست انجام دهد.

اما اکنون، با آموزش بیشتر در مورد وظایف مختلف، آخرین RoboCat می تواند وظایف مشابه را بیش از دو برابر بهتر انجام دهد! این نشان می‌دهد که Robo Cat می‌تواند خیلی سریع یاد بگیرد و با موقعیت‌های جدید و ناآشنا سازگار شود.

همچنین بخوانید:

نتیجه گیری

در نتیجه، عامل هوش مصنوعی RoboCat یک جهش قابل توجه به جلو در تلاش برای ربات های همه منظوره است. RoboCat با ترکیب داده‌های آموزشی متنوع، یادگیری سریع از حداقل نمایش‌ها و سازگاری با بازوهای رباتیک مختلف، راه را برای روبات‌هایی هموار کرده است که قادر به ادغام یکپارچه در جنبه‌های مختلف زندگی ما هستند. RoboCat با چرخه یادگیری پرفضیلت خود، پتانسیل هوش مصنوعی و روباتیک را تجسم می‌دهد و نوید آینده‌ای را می‌دهد که در آن روبات‌ها به متحدان ضروری در تلاش‌های روزانه ما تبدیل می‌شوند.