211service.com
Deze virtuele robotarmen worden slimmer door elkaar te trainen
naar virtueel robotarm heeft geleerd een breed scala aan verschillende puzzels op te lossen —blokken stapelen, tafel dekken, schaakstukken rangschikken — zonder dat je voor elke taak opnieuw hoeft te worden getraind. Het deed dit door te spelen tegen een tweede robotarm die was getraind om hem steeds moeilijkere uitdagingen te geven.
Zelf spelen: Ontwikkeld door onderzoekers van OpenAI , leren de identieke robotarmen - Alice en Bob - door een spel tegen elkaar te spelen in een simulatie, zonder menselijke tussenkomst. De robots maken gebruik van wapeningsleren, een techniek waarbij AI's met vallen en opstaan worden getraind welke acties in verschillende situaties moeten worden ondernomen om bepaalde doelen te bereiken. Het spel omvat het verplaatsen van objecten op een virtueel tafelblad. Door objecten op specifieke manieren te rangschikken, probeert Alice puzzels op te lossen die voor Bob moeilijk op te lossen zijn. Bob probeert de puzzels van Alice op te lossen. Terwijl ze leren, stelt Alice complexere puzzels op en wordt Bob beter in het oplossen ervan.
Na training op blokpuzzels van Alice, kan Bob generaliseren naar een reeks taken, waaronder het dekken van een tafel en het rangschikken van schaakstukken.
Multitasking: Modellen voor diep leren moeten doorgaans tussen taken worden bijgeschoold. AlphaZero (dat ook leert door spelletjes tegen zichzelf te spelen) gebruikt bijvoorbeeld één enkel algoritme om zichzelf te leren schaken, shogi en Go, maar slechts één spel tegelijk. De schakende AlphaZero kan Go niet spelen en de Go-spelende kan geen shogi spelen. Het bouwen van machines die echt kunnen multitasken, is een groot onopgelost probleem de weg naar meer algemene AI .
AI-dojo: Een probleem is dat het trainen van een AI om te multitasken een groot aantal voorbeelden vereist. OpenAI vermijdt dit door Alice te trainen om de voorbeelden voor Bob te genereren en de ene AI te gebruiken om een andere te trainen. Alice leerde doelen stellen, zoals het bouwen van een toren van blokken, deze vervolgens oppakken en in evenwicht brengen. Bob leerde eigenschappen van de (virtuele) omgeving, zoals wrijving, te gebruiken om objecten vast te pakken en te draaien.
Virtuele realiteit: Tot nu toe is de aanpak alleen getest in een simulatie, maar onderzoekers van OpenAI en elders worden steeds beter in het overbrengen van in virtuele omgevingen getrainde modellen naar fysieke. Een simulatie laat AI's in korte tijd door grote datasets bladeren, voordat ze worden verfijnd voor real-world instellingen.
Algemene ambitie: De onderzoekers zeggen dat hun uiteindelijke doel is om een robot te trainen om elke taak op te lossen die een persoon hem zou kunnen vragen. Net als GPT-3, een taalmodel dat taal op een groot aantal verschillende manieren kan gebruiken, maken deze robotarmen deel uit van OpenAI's algemene ambitie om een multitasking AI te bouwen. Het gebruik van de ene AI om een andere te trainen kan daar een belangrijk onderdeel van zijn.