Kamil Dreczkowski: AI potrafi napisać poemat, ale ze złożeniem koszulki jeszcze sobie dobrze nie radzi
|
|
Dr Kamil Dreczkowski urodził się w Polsce, ale od ósmego roku życia mieszka w Anglii. Licencjat uzyskał z fizyki, magisterium z uczenia maszynowego, a doktorat z robotyki w Robot Learning Lab w Imperial College London. Pracował również przy projekcie finansowanym przez amerykańską agencję wojskową DARPA – roboty uczyły się rozpoznawać, kiedy sytuacja wymyka się spod kontroli, i komunikować to operatorowi. Obecnie współtworzy start-up związany z robotyką. |
MARCIN ROTKIEWICZ: – Mózgi zwierząt zaskakują badaczy tym, że niezwykle szybko opanowują nowe umiejętności.
KAMIL DRECZKOWSKI: – Tak. Naczelne, do których się zaliczamy, potrafią nauczyć się manipulować obiektami po obejrzeniu tylko kilku demonstracji. A gryzoniom wystarczy mniej niż dziesięć pokazów, aby w pełni przyswoić sobie nowe zachowania czy np. zdolności nawigacyjne w terenie.
Roboty są gorsze?
Wymagają setek demonstracji, by poprawnie wykonać tylko jedno zadanie. A może nim być coś tak prostego jak podniesienie kubka za rączkę i postawienie go na talerzu, wrzucenie monety do skarbonki czy otwarcie drzwi piekarnika. Gdy zaś pojawiają się zadania wymagające koordynacji dwóch ramion i pracy z przedmiotami miękkimi, np. tkaniną, robi się naprawdę bardzo trudno. Do złożenia koszulki potrzeba ok. 8 tys. pokazów. Zbieranie danych to tygodnie pracy zespołów inżynierów, a nierzadko też ludzi zatrudnionych po to, by demonstrowali robotom czynności.
Dlaczego maszynom idzie to tak opornie?
Problem nie polega na tym, że sterujące nimi algorytmy są „głupie”. Z jednego przykładu robot ma wywnioskować, jaka jest geometria przedmiotu, gdzie on leży w przestrzeni względem jego ramienia i jakiego wymaga ruchu, a na dodatek musi powiązać wszystko z poleceniem językowym typu „podnieś kubek”. To kilka poważnych kwestii naraz.
Do tego dochodzi zmienność. Kubek może stać np. w dowolnym miejscu dużego blatu i być obrócony. Jeden też drugiemu nierówny. Człowiek odnosi to wszystko do wiedzy, którą gromadzi od dziecka – sieć neuronowa nie ma nic. Więc kiedy przykładów jest mało, model AI nie wychwytuje żadnej ogólnej prawidłowości. Zamiast tego zapamiętuje ograniczoną liczbę pokazów, ucząc się ich na pamięć, i przestaje poprawnie działać, gdy sytuacja odbiegnie od zapamiętanej. Jak uczeń, który wykuł trzy zadania z podręcznika matematyki, ale nie zrozumiał metody – na sprawdzianie polegnie.
Pod koniec 2025 r. w „Science Robotics” ukazała się praca, której jest pan pierwszym autorem. Prezentuje nową metodę uczenia pozwalającą opanować maszynom tysiąc różnorodnych czynności w ciągu kilkunastu godzin.
Opiera się na dwóch pomysłach. Pierwszy to „dekompozycja czynności”. Zamiast uczyć robota całej trajektorii ruchu jako jednej ciągłej sekwencji, dzielimy ją na dwie fazy: pozycjonowania, gdy maszyna ustawia się blisko obiektu docelowego, oraz interakcji, czyli samej manipulacji przedmiotem, np. otwarcia butelki czy wsypania czegoś do miski. Rządzą się one różnymi prawami.
Drugi pomysł to rezygnacja z klasycznego trenowania modelu na rzecz mechanizmu wyszukiwania. Zamiast zapamiętywać setki powtórzeń jednej czynności, robot ma w pamięci całą bibliotekę demonstracji. Kiedy np. dostaje polecenie „otwórz butelkę”, to najpierw wybiera wszystkie pokazy pasujące do tej umiejętności. Później analizuje geometrię obiektu za pomocą kamery i szuka demonstracji, w której przedmiot jest najbardziej podobny pod względem kształtu i ustawienia. Wreszcie odtwarza trajektorię ruchu dopasowaną do bieżącej sytuacji.
Trochę to skomplikowane.
Najprościej można to ująć tak: robot powtarza ruch, który mu pokazaliśmy, ale dopasowuje go do miejsca, w którym rzeczywiście w danym momencie znajduje się przedmiot.
Co daje ta metoda?
W ciągu 17 godzin nauczyliśmy robota Sawyera wykonywania tysiąca różnych codziennych czynności, takich jak składanie ubrań, otwieranie drzwi czy wrzucanie monety do skarbonki. Wykorzystaliśmy do tego 402 rozmaite obiekty.
Czy to zapowiedź przełomu w robotyce?
Wolę być tu ostrożny. Głównym celem publikacji nie było stworzenie jakiegoś spektakularnie działającego systemu ani wprowadzenie rewolucyjnego rozwiązania. Chodziło o coś bardziej fundamentalnego – przetestowanie dwóch filozofii uczenia robotów. Stosując pierwszą, nazwijmy ją strukturalną, z góry podpowiadamy robotowi, jak ma myśleć o zadaniu. Uczymy go np.: „Każda czynność ma dwa etapy: najpierw zbliż się do przedmiotu, później nim manipuluj”. Wbudowujemy pewne reguły, których robot się trzyma.
W drugiej – end-to-end, czyli „od początku do końca” – nie narzucamy żadnej struktury. Pokazujemy robotowi nawet dziesiątki tysięcy przykładów i pozwalamy sztucznej sieci neuronowej samodzielnie znaleźć w nich prawidłowości. Model uczy się wówczas wszystkiego naraz: jak rozpoznawać obiekty, jak planować ruch, jak reagować.
Nasze pytanie badawcze brzmiało: czy podejście z narzuconą strukturą, pozornie mniej elastyczne, może mimo wszystko dorównać temu drugiemu, a przy okazji uczyć się z ułamka danych? Okazało się, że tak.
I co z tego praktycznie wynika?
Po pierwsze, zmieniają się koszty uczenia robota. Dzisiejsze główne metody wymagają wielotygodniowej pracy zespołów zbierających dane, a same modele AI – będące „mózgiem” robota – trenuje się na serwerach, których wynajem, i to w najbardziej oszczędnym wariancie, kosztuje kilkadziesiąt tysięcy złotych tygodniowo. A rzadko wystarcza jeden i tylko siedem dni pracy. Dzięki naszej metodzie po jednej demonstracji robot wykonuje zadanie.
Po drugie, potencjalnie otwiera to drogę do budowy maszyn, które użytkownik sam może czegoś nauczyć. Proszę sobie wyobrazić, że kupuje pan robota domowego. Inżynier w fabryce nie przewidzi, jakie ma pan w domu przedmioty, a mogą być też nietypowe. Dlatego najlepsze rozwiązanie to takie, gdy robot potrafi szybko przyswoić nową czynność bez konieczności odsyłania go do producenta na kolejny cykl treningu.
To nie zastąpi jednak metod wykorzystujących pokaźne zbiory danych, tylko je uzupełni. Duże modele end-to-end dają bowiem szeroki repertuar zachowań. Nasza metoda pozwala rozszerzać je punktowo i szybko. Prawdziwy postęp w robotyce zobaczymy dopiero wtedy, kiedy nauczymy się łączyć obie te filozofie w jednym systemie.
Oglądając w internecie pokazy robotów, np. firmy Boston Dynamics czy chińskich odpowiedników, można odnieść wrażenie, że rewolucja już się dokonała.
Rzeczywiście, mamy do czynienia z ogromnym postępem. Jeszcze dekadę temu większość eksperymentów w robotyce odbywała się wirtualnie, co można porównać do gry komputerowej. Powód był praktyczny. Prawdziwe eksperymenty są kosztowne, powolne, a roboty podatne na awarie. W symulacji algorytm może próbować wykonać ten sam ruch tysiące razy w ciągu godziny, bez ryzyka, że coś się fizycznie zepsuje. Można też prowadzić eksperymenty równolegle na wielu komputerach.
Dlatego przez lata symulacja była naturalnym środowiskiem w robotyce. A jeśli już konstruowano maszyny, to ich działania ograniczano do prostych zadań typu „weź i połóż”. To, że dziś widzimy roboty tańczące, wykonujące salta, grające w piłkę nożną czy ping-ponga oraz ogólnie sprawnie poruszające się, jest wynikiem realnego postępu inżynieryjnego.
Nie są to wyselekcjonowane ujęcia, które robią wrażenie, bo nie widać tego, co się nie udało?
Oczywiście warto zachować odpowiednią perspektywę. Inżynierowie z Boston Dynamics przez lata tworzyli dokładne modele matematyczne mechaniki robotów: korpusu, kończyn, wagi, momentów bezwładności. I kiedy maszyna ma wykonać np. salto, komputer w czasie rzeczywistym rozwiązuje równania: gdzie musi być kolano, jaką siłę wygenerować, jak przenieść ciężar. To bardziej przypomina precyzyjny rachunek inżyniera lotniczego niż uczenie się dziecka.
Zaletą jest stabilność – system zachowuje się przewidywalnie, bo nie zgaduje, tylko liczy. Wadą jest to, że każda nowa czynność wymaga zaprogramowania od nowa. Trudno tą drogą dojść do robota, który sam poradziłby sobie z np. przestawieniem nietypowego, ręcznie wykonanego wazonu w czyimś salonie. Dlatego branża przesuwa się w stronę uczenia maszynowego, czyli algorytmów AI, dzięki którym komputery same uczą się z danych, zamiast wykonywać tylko sztywne reguły. Płacimy jednak za tę elastyczność utratą części wspomnianej pewności.
W jakim zatem stopniu te internetowe filmiki są prawdziwe?
One nie są fałszywe, bo robot naprawdę wykonywał salta czy świetnie tańczył. Tylko nie wiadomo, ile prób poprzedziło jedno udane ujęcie, ilu inżynierów za tym stało, ile miesięcy pracy w to włożono. Kiedy zabrałem Sawyera do domu, żeby nagrać kilka klipów, stałem przy nim trzy, cztery godziny, żeby wyszedł jeden przyzwoity.
Wyobraźmy sobie robota, który jedną prostą czynność wykonuje poprawnie w 90 proc. przypadków. Problem pojawia się wtedy, gdy chcemy, by wykonał kilka takich czynności jedna po drugiej, jak w prawdziwym zadaniu domowym: otwórz szafkę, wyjmij kubek, postaw na blacie, nalej wody. Prawdopodobieństwa się tu mnożą, bo przy dwóch czynnościach z rzędu mamy już tylko 81 proc. skuteczności. Przy siedmiu – poniżej połowy. Robot, który wygląda na niemal niezawodnego, w praktyce częściej zawiedzie, niż wykona całe złożone zadanie do końca.
Ile w takim razie jest szumu, a ile prawdy wokół rozwoju inteligentnych robotów? Wiosną Melania Trump pojawiła się w Białym Domu w towarzystwie robota Figure 3, który ma być wykorzystywany w edukacji.
Obejrzałem kilka krótkich fragmentów i zobaczyłem tylko tyle: robot wyszedł na scenę, pomachał, przywitał się bodaj w 14 językach i poszedł. Nie wiem nawet, czy został wyposażony w sztuczną inteligencję i czy działał autonomicznie. Na konferencjach naukowych roboty chodzące w ten sposób widuje się rutynowo.
Nie chcę przy tym podważać roli AI w edukacji, bo już jest dość istotna. Tylko nie widzę powodu, dla którego miałaby mieć postać robota. Zwykła aplikacja prawdopodobnie wykona pracę lepiej i taniej. A co do szumu, to na pewno jest. Mamy dziś chyba ponad 200 start-upów w robotyce, które starają się o duże pieniądze, mają na karku inwestorów z oczekiwaniami i jeszcze walczą o dobre recenzje – dlatego potrzebują efektownego materiału wideo, ale też strony internetowej i np. bloga. Uwaga przesuwa się z badań na PR.
Żyjemy w epoce wielkich zmian wywołanych przez tzw. duże modele językowe (LLM). Czy wpłynęły również na robotykę?
Tak, i można to nazwać przełomem. Proszę sobie wyobrazić, że zatrudniamy pracownika, który o świecie nie wie nic – i uczymy go wszystkiego od podstaw. Albo kogoś oczytanego, znającego nazwy przedmiotów, rozumiejącego polecenia i wiedzącego, do czego służy np. młynek do kawy – takiej osobie wystarczy pokazać samą czynność.
LLM to ten drugi przypadek. Potrafią m.in. powiązać piksele kubka na zdjęciu ze słowem „kubek”. Dlatego w robotyce używamy ich jako tzw. modeli bazowych: to fundament wiedzy o świecie, na którym można dalej budować. Dokładamy do niego moduł odpowiadający za ruch i dotrenowujemy system na znacznie mniejszej porcji danych. Robot widzi pomieszczenie, rozumie polecenie i wykonuje ruch, bo interpretacji obrazu i języka nie musi się już uczyć od zera.
Jednak to, że model rozumie słowo „delikatnie” w sensie językowym, nie znaczy, że przełoży je na właściwą siłę uchwytu ramienia robota – tego w tekstach nie znajdzie. LLM były więc potężnym katalizatorem w robotyce, ale to dopiero punkt wyjścia. Potrzebujemy jeszcze danych opisujących manipulację przedmiotami oraz modeli zbudowanych od podstaw z myślą o działaniu w świecie fizycznym. A to niełatwe, czego przykładem może być ramię z dłonią, które układało kostkę Rubika – zaprezentowało je przed kilku laty OpenAI, twórca ChatGPT. Nauczenie tej czynności trwało ponad rok, a niedługo później firma zamknęła oddział robotyki.
Jaka jest więc szansa, że powstaną naprawdę autonomiczne roboty, np. pomagające ludziom w placówkach opieki?
Raczej nie za pięć ani nawet dziesięć lat. Czynności takie wiążą się z całym spektrum trudności. Przynieść coś to w gruncie rzeczy podnieść i położyć – bywa łatwe. Ale pomóc obolałej osobie wstać? Robot musi rozumieć, że kogoś coś boli, utrzymywać jego stabilność, reagować na bieżąco na każdy jego ruch. A od tego jesteśmy bardzo daleko. Z drugiej strony w branżę robotów inwestorzy wpompowali ostatnio ogromne pieniądze, więc być może jakimś start-upom uda się zrobić coś naprawdę przełomowego.
A co z bardziej specjalistycznymi zastosowaniami? Czy roboty będą w stanie np. wyręczać chirurgów?
W medycynie już dokonała się rewolucja, tyle że nie za sprawą maszyn autonomicznych. Mamy np. systemy, które podczas prześwietlenia obserwują oddech pacjenta i minimalnie korygują położenie aparatu, żeby zdjęcie wyszło ostrzejsze. Jest da Vinci – robot, którym chirurg steruje zdalnie, zyskując ogromną precyzję i eliminując drżenie ręki.
Autonomia to jednak zupełnie inny poziom trudności. Wymaga niezawodnej precyzji, bezpieczeństwa oraz błyskawicznej adaptacji do nieprzewidywalnych sytuacji. Tu potrzeba ogromnej ilości danych, a tych jest w medycynie mało. Poza tym trzeba będzie zbudować zaufanie poparte tysiącami wykonanych zabiegów i rozstrzygnąć, kto odpowiada za potencjalny błąd maszyny: osoba nadzorująca, firma sprzedająca oprogramowanie czy inżynier? To już teren etyki i prawa.
Nie obawia się pan, że roboty znajdą zastosowania militarne?
Oczywiście, że się obawiam. Od dawna istnieją np. autonomiczne pociski rakietowe: wyznacza się im cel, a dalej działa system z wbudowaną kamerą, który sam koryguje swoją trajektorię. Czym to się różni od robota? Rozwój maszyn przeznaczonych dla wojska się nie zatrzyma. Zostaje nam to samo, co przy broni jądrowej: międzynarodowe regulacje i wiara w ludzką odpowiedzialność. Jak każda technologia, również robotyka przynosi rzeczy dobre i złe. Dlatego jako badacze musimy być transparentni. Potrzebujemy też międzynarodowego dialogu o granicach autonomii robotów, a także systemów regulacji tej branży. Innej drogi nie widzę.
ROZMAWIAŁ MARCIN ROTKIEWICZ.