В лаборатории стартапа Eka, расположенного в Кембридже, штат Массачусетс, робот выполняет задачу, которая ранее считалась практически невыполнимой для машин: он берет лампочку со стола и вкручивает ее в патрон. Процесс выглядит удивительно естественным. Когда лампочка выскальзывает из захвата, манипулятор не замирает в ожидании команд, а самостоятельно преследует ее, совершает повторный захват и завершает операцию.
Подобная демонстрация ловкости выделяет разработки Eka на фоне большинства существующих промышленных роботов, которые часто отличаются неуклюжестью даже при дистанционном управлении человеком.
Революция физического интеллекта
Основатели компании — профессор Массачусетского технологического института (MIT) Пулкит Агравал и бывший исследователь Google DeepMind Туомас Хаарноя — уверены, что проблема роботизированной манипуляции объектами находится на пороге решения. По их словам, способность машин взаимодействовать с физическим миром — это колоссальный неиспользованный потенциал, сравнимый с оборотом средств, проходящих через человеческие руки в мировой экономике.
Ключевые особенности подхода Eka:
- Самостоятельное обучение в виртуальной среде: роботы проводят тысячи часов, отрабатывая движения в симуляторах, изобретая собственные стратегии решения задач.
- Интеграция сенсорики: манипуляторы оснащены датчиками, позволяющими чувствовать вес, инерцию и фактуру предметов.
- Модель зрения-силы-действия: новый алгоритм учитывает физические законы, такие как масса и гравитация, что позволяет роботу адаптироваться к изменяющимся условиям в реальном времени.
От обучения по видео к глубокому пониманию физики
Ранее попытки обучить роботов манипуляциям, например, с кубиком Рубика, часто упирались в проблему разрыва между симуляцией и реальностью. Роботы, обученные в виртуальных моделях, нередко терялись, если предмет немного смещался или менял угол наклона.
В отличие от конкурентов, которые пытаются обучать нейросети на огромных массивах видеозаписей человеческих действий, команда Eka делает ставку на самостоятельное обучение алгоритмов через симуляции с глубоким учетом физических процессов. Это напоминает подход AlphaZero от Google DeepMind, который в свое время самостоятельно выработал принципиально новые стратегии в настольных играх, превзойдя возможности человеческих экспертов.
Практическое применение
Технология тестируется на повседневных задачах, которые сложны для автоматизации из-за непредсказуемости объектов. Например, робот эффективно справляется с сортировкой куриных наггетсов: он не просто перекладывает их, а импровизирует, подбрасывая или перемещая их с учетом скорости движения конвейера.
Эксперты отмечают, что подобная «физическая интеллект-система» может произвести переворот в самых разных сферах:
- Общественное питание: приготовление пищи и работа в ресторанах.
- Сборка высокотехнологичных устройств: выполнение задач, требующих высокой точности и тонкой моторики.
- Домашний быт: помощь в повседневных делах, которые ранее требовали исключительно человеческого участия.
Хотя проект находится на стадии разработки, текущие результаты показывают, что индустрия робототехники движется от программируемых сценариев к машинам, способным к адаптивному физическому мышлению. Основатели Eka ставят перед собой амбициозную цель: достичь уровня мастерства, превосходящего возможности среднестатистического человека.
