Zo begint de robotopstand eindelijk

De schuldigen zijn Wintermeyer

De robotarm voert een eigenaardig soort Sisyphean-taak uit. Het zweeft over een glinsterende stapel gekookte kipdelen, duikt naar beneden en haalt een enkel stuk terug. Even later zwaait het rond en plaatst het stuk kip, heel voorzichtig, in een bentobox die langs een transportband beweegt.

Deze robot, bestuurd door software van een in San Francisco gevestigd bedrijf genaamd Osaro, is slimmer dan je ooit hebt gezien. De software heeft hem geleerd om in ongeveer vijf seconden kip te plukken en te plaatsen. Binnen het jaar verwacht Osaro dat zijn robots werk zullen vinden in een Japanse voedselfabriek.

Dit verhaal maakte deel uit van ons nummer van juli 2018

• Zie de rest van het nummer
• Abonneren

Iedereen die zich zorgen maakt over een robotopstand hoeft maar een moderne fabriek binnen te stappen om te zien hoe ver dat is. De meeste robots zijn krachtig en nauwkeurig, maar kunnen niets doen tenzij ze zorgvuldig zijn geprogrammeerd. Een gewone robotarm mist het gevoel dat nodig is om een ​​object op te pakken als het een centimeter wordt verplaatst. Het is volkomen hopeloos om iets onbekends vast te pakken; hij kent het verschil niet tussen een marshmallow en een blokje lood. Het oppakken van onregelmatig gevormde stukjes kip van een lukrake stapel is een geniale daad.

Industriële robots zijn grotendeels onaangetast gebleven door de nieuwste ontwikkelingen op het gebied van kunstmatige intelligentie. In de afgelopen vijf jaar is AI-software bedreven geworden in het identificeren van afbeeldingen, het winnen van bordspellen en het reageren op iemands stem zonder enige menselijke tussenkomst. Het kan zichzelf zelfs nieuwe vaardigheden aanleren, als het genoeg tijd krijgt om te oefenen. Dit alles terwijl AI's hardware-neven, robots, moeite hebben om een ​​deur te openen of een appel op te rapen.

Dat gaat veranderen. De AI-software die de robot van Osaro bestuurt, laat hem de objecten ervoor identificeren, bestuderen hoe ze zich gedragen wanneer ze worden gepord, geduwd en vastgepakt, en vervolgens beslissen hoe ze ermee om moeten gaan. Net als andere AI-algoritmen leert het van ervaring. Met behulp van een kant-en-klare camera in combinatie met machine learning-software op een krachtige computer in de buurt, ontdekt het hoe dingen effectief kunnen worden begrepen. Met genoeg vallen en opstaan, kan de arm leren hoe hij zo ongeveer alles kan grijpen dat hij tegenkomt.

Een robot haalt producten uit een bak op het hoofdkantoor van Osaro. Winni Wintermeyer

Robots op de werkplek die zijn uitgerust met AI zullen automatisering in veel meer werkgebieden laten doordringen. Ze kunnen overal mensen vervangen waar producten gesorteerd, uitgepakt of verpakt moeten worden. In staat om door een chaotische fabrieksvloer te navigeren, kunnen ze misschien nog meer banen in de productie aannemen. Het is misschien geen opstand, maar het kan desalniettemin een revolutie zijn. We zien nu veel experimenten en mensen proberen veel verschillende dingen, zegt Willy Shih, die trends in productie bestudeert aan de Harvard Business School. Er zijn enorm veel mogelijkheden voor het [automatiseren] van repetitieve taken.

Het is een revolutie, niet alleen voor de robots, maar ook voor AI. Door AI-software in een fysiek lichaam te plaatsen, kan het visuele herkenning, spraak en navigatie in de echte wereld gebruiken. Kunstmatige intelligentie wordt slimmer naarmate het zich voedt met meer gegevens. Dus met elke greep en plaatsing zal de software achter deze robots steeds bedrevener worden in het begrijpen van de wereld en hoe deze werkt.

Dit zou kunnen leiden tot vooruitgang die zonder al die gegevens niet mogelijk zou zijn, zegt Pieter Abbeel, een professor aan de University of California, Berkeley, en de oprichter van Covariant.ai (tot voor kort Embodied Intelligence genoemd), een startup die machine learning toepast en virtual reality tot robotica in de productie.

Gescheiden bij de geboorte

Dit tijdperk heeft lang geduurd. In 1954 patenteerde George C. Devol, een uitvinder, een ontwerp voor een programmeerbare mechanische arm. In 1961 veranderde een productie-ondernemer genaamd Joseph Engelberger het ontwerp in de Unimate, een logge, onhandige machine die voor het eerst werd gebruikt op een assemblagelijn van General Motors in New Jersey.

Vanaf het begin was er een neiging om de intelligentie achter deze eenvoudige machines te romantiseren. Engelberger koos de naam robot voor de Unimate ter ere van de androïden bedacht door de sciencefictionauteur Isaac Asimov. Maar zijn machines waren ruwe mechanische apparaten die door relatief eenvoudige software een specifieke taak moesten uitvoeren. Zelfs de veel geavanceerdere robots van vandaag blijven niet veel meer dan mechanische sukkels die voor elke actie moeten worden geprogrammeerd.

Kunstmatige intelligentie volgde een ander pad. In de jaren vijftig wilde het de computerhulpmiddelen gebruiken om mensachtige logica en reden na te bootsen. Sommige onderzoekers probeerden deze systemen ook een fysieke aanwezigheid te geven. Al in 1948 en 1949 ontwikkelde William Gray Walter, een neurowetenschapper in Bristol, VK, twee kleine autonome machines die hij Elsie en Elmer noemde. Deze schildpadachtige apparaten waren uitgerust met eenvoudige, neurologisch geïnspireerde circuits waarmee ze zelfstandig een lichtbron konden volgen. Walter bouwde ze om te laten zien hoe de verbindingen tussen slechts een paar neuronen in de hersenen kunnen resulteren in relatief complex gedrag.

Een medewerker van Embodied Intelligence gebruikt een virtual-reality rig om een ​​robot te trainen. Hoffelijkheidsfoto

Maar het begrijpen en opnieuw creëren van intelligentie bleek een byzantijnse uitdaging, en AI ging een lange periode in met weinig doorbraken. Ondertussen bleek het programmeren van fysieke machines om nuttige dingen te doen in de rommelige echte wereld vaak onhandelbaar complex. AI en robots zijn al tientallen jaren stabiele vrienden in onderzoekslaboratoria, en onderzoekers hebben geprobeerd machine learning toe te passen op industriële robots, maar dat is nog niet van de grond gekomen in de industrie.

Toen, ongeveer zes jaar geleden, ontdekten onderzoekers hoe ze een oude AI-truc ongelooflijk krachtig konden maken. De wetenschappers gebruikten neurale netwerken - algoritmen die ruwweg de manier benaderen waarop neuronen en synapsen in de hersenen leren van input. Deze netwerken bleken directe afstammelingen van de componenten die Elsie en Elmer hun capaciteiten gaven. De onderzoekers ontdekten dat zeer grote of diepe neurale netwerken opmerkelijke dingen kunnen doen wanneer ze enorme hoeveelheden gelabelde gegevens voeden, zoals het herkennen van het object dat in een afbeelding wordt getoond met bijna menselijke perfectie.

Het veld van AI stond op zijn kop. Deep learning, zoals de techniek algemeen bekend is, wordt nu veel gebruikt voor taken waarbij perceptie betrokken is: gezichtsherkenning, spraaktranscriptie en het trainen van zelfrijdende auto's om voetgangers en wegwijzers te identificeren. Het heeft het mogelijk gemaakt om je een robot voor te stellen die je gezicht kan herkennen, intelligent tegen je kan praten en veilig naar de keuken kan navigeren om een ​​frisdrank uit de koelkast te halen.

De schuldigen zijn Wintermeyer

De man achter de slimmere robot van Osarou2019

• Osaro's CEO, Derik Pridmore, studeerde natuurkunde en informatica aan het MIT voordat hij bij een West Coast VC-bedrijf genaamd Founders Fund kwam. Terwijl hij daar was, identificeerde Pridmore DeepMind, een Brits AI-bedrijf, als een investeringsdoelwit, en hij werkte samen met de oprichters van het bedrijf om hun pitch aan te scherpen. DeepMind zou machines leren om dingen te doen die op dat moment onmogelijk leken. Het is beroemd geworden door de ontwikkeling van AlphaGo, het programma dat de beste menselijke grootmeester versloeg bij het bordspel Go.

• Toen Google DeepMind in 2014 overnam, besloot Pridmore dat AI commercieel potentieel had. Hij richtte Osaro op en richtte zich al snel op robotpicking als de ideale toepassing. Het grijpen van voorwerpen die in een bak zijn geladen of over een transportband rollen is een eenvoudige taak voor een mens, maar het vereist oprechte intelligentie.

• De technieken die DeepMind pionierde, ook wel bekend als diep versterkend leren, stellen machines in staat complexe taken uit te voeren zonder te leren van door mensen verstrekte voorbeelden. Positieve feedback, zoals het behalen van een hogere score in een videogame, stemt het netwerk af en brengt het algoritme dichter bij het doel totdat het een expert wordt.

• De redenering die dit mogelijk maakt, ligt diep in het netwerk begraven, gecodeerd in het samenspel van tientallen miljoenen onderling verbonden gesimuleerde neuronen. Maar het resulterende gedrag kan eenvoudig en instinctief lijken. Met voldoende oefening kan een arm leren om dingen efficiënt op te pakken, zelfs wanneer een object wordt verplaatst, verborgen door een ander object of een beetje anders wordt gevormd. Osaro gebruikt diepgaande versterkingsleer, samen met verschillende andere machine-leertechnieken, om industriële robots een stuk slimmer te maken.

Een van de eerste vaardigheden die AI machines zal geven, is een veel grotere behendigheid. De afgelopen jaren heeft Amazon een robotpick-uitdaging uitgevoerd waarbij onderzoekers strijden om een ​​robot zo snel mogelijk een breed scala aan producten te laten oppikken. Al deze teams maken gebruik van machine learning en hun robots worden geleidelijk vaardiger. Amazon heeft duidelijk één oog op het automatiseren van het picken en verpakken van miljarden artikelen in zijn fulfilmentcentra.

Ik werk al 35 jaar in robotgrijpen en we hebben weinig vooruitgang geboekt, zegt Ken Goldberg, een collega van Abbeel aan UC Berkeley. Dankzij de vooruitgang in AI verandert dat: we staan ​​nu op het punt een grote sprong voorwaarts te maken.

AI krijgt een lichaam

In de NoHo-buurt van New York is een van 's werelds meest vooraanstaande experts op het gebied van kunstmatige intelligentie momenteel op zoek naar de volgende grote doorbraak van het veld. En hij denkt dat robots een belangrijk stukje van de puzzel kunnen zijn.

Yann LeCun speelde een cruciale rol in de revolutie op het gebied van diepgaand leren. In de jaren tachtig, toen andere onderzoekers neurale netwerken afwezen als onpraktisch, zette LeCun door. Als hoofd van Facebook's AI-onderzoek tot januari, en nu als hoofd AI-wetenschapper, leidde hij de ontwikkeling van diepgaande algoritmen die gebruikers kunnen identificeren in zowat elke foto die een persoon plaatst.

Maar LeCun wil dat AI meer doet dan alleen zien en horen; hij wil dat het redeneert en actie onderneemt. En hij zegt dat het een fysieke aanwezigheid nodig heeft om dit mogelijk te maken. Menselijke intelligentie omvat interactie met de echte wereld; menselijke baby's leren door met dingen te spelen. AI ingebed in grijpmachines kan hetzelfde doen. Bij veel van het meest interessante AI-onderzoek zijn nu robots betrokken, zegt LeCun.

Er zou zelfs een opmerkelijk soort machine-evolutie kunnen ontstaan, een afspiegeling van het proces dat aanleiding gaf tot biologische intelligentie. Visie, behendigheid en intelligentie begonnen samen in een versneld tempo te evolueren zodra mensachtigen rechtop begonnen te lopen en hun twee vrije handen gebruikten om objecten te onderzoeken en te manipuleren. Hun hersenen werden groter, waardoor meer geavanceerde tools, taal en sociale organisatie mogelijk werden.

Zou AI iets soortgelijks kunnen ervaren? Tot nu toe bestond het grotendeels in computers, in interactie met ruwe simulaties van de echte wereld, zoals videogames of stilstaande beelden. AI-programma's die in staat zijn om de echte wereld waar te nemen, ermee om te gaan en erover te leren, kunnen uiteindelijk veel beter worden in redeneren en zelfs communiceren. Als je manipulatie volledig oplost, zegt Abbeel, heb je waarschijnlijk iets gebouwd dat dicht in de buurt komt van volledige intelligentie op menselijk niveau.

Correctie: een eerdere versie van dit verhaal suggereerde dat AI en robotica-onderzoek al decennia grotendeels gescheiden velden zijn. Er zijn enkele wijzigingen aangebracht om te verduidelijken dat de scheiding grotendeels in commerciële toepassingen plaatsvond en niet in het onderzoekslaboratorium.

zich verstoppen