10 coisas mais difíceis de ensinar a um robô

Pegue algo tão simples como jogar bola com um amigo no jardim da frente. Quando você decompõe essa atividade nas funções biológicas discretas necessárias para realizá-la, não é nada simples. Você precisa de sensores, transmissores e efetores. Você precisa calcular a força do arremesso com base na distância entre você e seu companheiro. Você precisa levar em conta o brilho do sol, a velocidade do vento e as distrações próximas. Você precisa determinar com que firmeza segurar a bola e quando apertar a luva durante uma pegada. E você precisa ser capaz de processar vários cenários hipotéticos: E se a bola passar por cima da minha cabeça? E se rolar na rua? E se ele bater na janela do meu vizinho?

Essas perguntas demonstram alguns dos desafios mais urgentes da robótica e preparam o cenário para nossa contagem regressiva. Compilamos uma lista das 10 coisas mais difíceis de ensinar aos robôs ordenadas aproximadamente do "mais fácil" ao "mais difícil" - 10 coisas que precisaremos conquistar se quisermos cumprir as promessas feitas por Bradbury, Dick , Asimov, Clarke e todos os outros contadores de histórias que imaginaram um mundo em que as máquinas se comportam como pessoas.

1. Abra uma trilha
2. Demonstrar Destreza
3. Manter uma conversa
4. Adquira novas habilidades
5. Praticar Enganação
6. Antecipar Ações Humanas
7. Coordenar atividades com outro robô
8. Faça cópias de si mesmo
9. Agir com base no princípio ético
10. Sinta Emoções

Mover-se do ponto A para o ponto B parece tão fácil. Nós humanos fazemos isso o dia todo, todos os dias. Para um robô, no entanto, a navegação - especialmente através de um único ambiente que muda constantemente ou entre ambientes nunca encontrados antes - pode ser um negócio complicado. Primeiro, o robô deve ser capaz de perceber seu ambiente e, em seguida, deve ser capaz de entender os dados recebidos.

Os roboticistas abordam o primeiro problema armando suas máquinas com uma série de sensores, scanners, câmeras e outras ferramentas de alta tecnologia para avaliar seus arredores. Os scanners a laser tornaram-se cada vez mais populares, embora não possam ser usados ​​em ambientes aquáticos porque a água tende a atrapalhar a luz e reduz drasticamente o alcance do sensor. A tecnologia de sonar oferece uma opção viável em robôs subaquáticos, mas em aplicações terrestres é muito menos precisa. E, claro, um sistema de visão composto por um conjunto de câmeras estereoscópicas integradas pode ajudar um robô a "ver" sua paisagem.

Coletar dados sobre o meio ambiente é apenas metade da batalha. O maior desafio envolve processar esses dados e usá-los para tomar decisões. Muitos pesquisadores fazem seus robôs navegarem usando um mapa pré-especificado ou construindo um mapa em tempo real. Na robótica, isso é conhecido como SLAM – localização e mapeamento simultâneos . O mapeamento descreve como um robô converte as informações coletadas com seus sensores em uma determinada representação. A localização descreve como um robô se posiciona em relação ao mapa. Na prática, esses dois processos devem ocorrer simultaneamente, criando um enigma do ovo e da galinha que os pesquisadores conseguiram superar com computadores mais poderosos e algoritmos avançados que calculam a posição com base em probabilidades.

Os robôs recolhem encomendas e peças em fábricas e armazéns há anos. Mas eles geralmente evitam humanos nessas situações e quase sempre trabalham com objetos de formato consistente em ambientes livres de desordem. A vida é muito menos estruturada para qualquer robô que se aventure além do chão de fábrica. Se tal máquina espera funcionar em residências ou hospitais, ela precisará de um senso de toque avançado capaz de detectar pessoas próximas e selecionar um item de uma coleção desordenada de coisas.

Essas são habilidades difíceis para um robô aprender. Tradicionalmente, os cientistas evitavam o toque por completo, programando suas máquinas para falhar se fizessem contato com outro objeto. Mas nos últimos cinco anos, houve avanços significativos em designs compatíveis e pele artificial. Conformidade refere-se ao nível de flexibilidade de um robô. Máquinas altamente flexíveis são mais compatíveis; máquinas rígidas são menos.

Em 2013, pesquisadores da Georgia Tech construíram um braço robótico com molas para articulações, o que permite que o apêndice dobre e interaja com o ambiente mais como um braço humano. Em seguida, eles cobriram a coisa toda com "pele" capaz de sentir pressão ou toque. Algumas skins de robôs contêm placas de circuito hexagonais interligadas, cada uma carregando sensores infravermelhos que podem detectar qualquer coisa que se aproxime mais do que um centímetro. Outros vêm equipados com "impressões digitais" eletrônicas - superfícies elevadas e sulcadas que melhoram a aderência e facilitam o processamento do sinal.

Combine esses braços de alta tecnologia com sistemas de visão aprimorados e você terá um robô que pode oferecer uma carícia terna ou alcançar armários para selecionar um item de uma coleção maior.

Alan M. Turing , um dos fundadores da ciência da computação, fez uma previsão ousada em 1950: as máquinas um dia seriam capazes de falar tão fluentemente que não seríamos capazes de diferenciá-las dos humanos. Infelizmente, os robôs (mesmo a Siri ) não corresponderam às expectativas de Turing – ainda. Isso porque o reconhecimento de fala é muito diferente do processamento de linguagem natural – o que nossos cérebros fazem para extrair significado de palavras e frases durante uma conversa.

Inicialmente, os cientistas pensaram que seria tão simples quanto conectar as regras da gramática nos bancos de memória de uma máquina. Mas codificar uma cartilha gramatical para qualquer idioma acabou sendo impossível. Até mesmo fornecer regras sobre os significados de palavras individuais tornou o aprendizado de idiomas uma tarefa assustadora. Precisa de um exemplo? Pense em "novo" e "sabia" ou "banco" (um lugar para colocar dinheiro) e "banco" (a margem de um rio). Acontece que os humanos entendem essas idiossincrasias linguísticas confiando em capacidades mentais desenvolvidas ao longo de muitos e muitos anos de evolução, e os cientistas não foram capazes de dividir essas capacidades em regras distintas e identificáveis.

Como resultado, muitos robôs hoje baseiam seu processamento de linguagem em estatísticas. Os cientistas os alimentam com enormes coleções de texto, conhecidas como corpus , e depois deixam seus computadores dividir o texto mais longo em pedaços para descobrir quais palavras geralmente se juntam e em que ordem. Isso permite que o robô "aprenda" uma linguagem com base na análise estatística. Por exemplo, para um robô, a palavra "morcego" acompanhada da palavra "voar" ou "asa" refere-se ao mamífero voador, enquanto "morcego" seguido de "bola" ou "luva" refere-se ao esporte de equipe.

Digamos que alguém que nunca jogou golfe queira aprender a balançar um taco . Ele poderia ler um livro sobre isso e depois tentar, ou poderia observar um golfista experiente fazer os movimentos apropriados, uma abordagem mais rápida e fácil para aprender o novo comportamento.

Os roboticistas enfrentam um dilema semelhante quando tentam construir uma máquina autônoma capaz de aprender novas habilidades. Uma abordagem, como no exemplo do golfe, é dividir uma atividade em etapas precisas e depois programar a informação no cérebro do robô. Isso pressupõe que todos os aspectos da atividade podem ser dissecados, descritos e codificados, o que, como se vê, nem sempre é fácil de fazer. Existem certos aspectos de balançar um taco de golfe, por exemplo, que provavelmente não podem ser descritos, como a interação do pulso e do cotovelo. Esses detalhes sutis podem ser comunicados muito mais facilmente mostrando em vez de contar.

In recent years, researchers have had some success teaching robots to mimic a human operator. They call this imitation learning or learning from demonstration (LfD), and they pull it off by arming their machines with arrays of wide-angle and zoom cameras . This equipment enables the robot to "see" a human teacher acting out a specific process or activity. Learning algorithms then process this data to produce a mathematical function map that connects visual input into desired actions. Of course, robots in LfD scenarios must be able to ignore certain aspects of its teacher's behavior -- such as scratching an itch -- and deal with correspondence problems, which refers to ways that a robot's anatomy differs from a human's.

A fina arte do engano evoluiu para ajudar os animais a ganhar vantagem sobre seus competidores e evitar serem comidos por predadores. Com a prática, a habilidade pode se tornar um mecanismo de sobrevivência altamente eficaz.

Para os robôs, aprender a enganar uma pessoa ou outro robô tem sido um desafio (e isso pode ser bom para você). O engano requer imaginação - a capacidade de formar idéias ou imagens de objetos externos não presentes aos sentidos - que é algo que as máquinas normalmente não têm (veja o próximo item da nossa lista). Eles são ótimos em processar entrada direta de sensores, câmeras e scanners, mas não tão bons em formar conceitos que existem além de todos esses dados sensoriais.

Os futuros robôs podem ser mais versados ​​em truques. Pesquisadores da Georgia Tech conseguiram transferir algumas habilidades enganosas de esquilos para robôs em seu laboratório. Primeiro, eles estudaram os roedores felpudos, que protegem seus esconderijos de comida enterrada levando os concorrentes a esconderijos antigos e não utilizados. Em seguida, eles codificaram esses comportamentos em regras simples e os carregaram nos cérebros de seus robôs. As máquinas foram capazes de usar os algoritmos para determinar se o engano pode ser útil em uma determinada situação. Nesse caso, eles foram capazes de fornecer uma comunicação falsa que levou um bot companheiro para longe de seu esconderijo.

Em "Os Jetsons", Rosie, a empregada robô , foi capaz de conversar, cozinhar refeições, limpar a casa e atender às necessidades e desejos de George, Jane, Judy e Elroy. Para entender o desenvolvimento avançado de Rosie, considere esta cena do primeiro episódio da primeira temporada: Sr. Spacely, o chefe de George, vem à casa dos Jetson para jantar. Após a refeição, o Sr. Spacely pega um charuto e o coloca na boca, o que leva Rosie a correr com um isqueiro. Essa ação simples representa um comportamento humano complexo – a capacidade de antecipar o que vem a seguir com base no que acabou de acontecer.

Como o engano, antecipar a ação humana requer que um robô imagine um estado futuro. Deve ser capaz de dizer: "Se eu observar um humano fazendo x, então posso esperar, com base na experiência anterior, que ele provavelmente seguirá com y". Este tem sido um sério desafio na robótica, mas os humanos estão progredindo. Na Universidade de Cornell, uma equipe está trabalhando para desenvolver um robô autônomo que possa reagir com base em como um companheiro interage com objetos no ambiente. Para fazer isso, o robô usa um par de câmeras 3-D para obter uma imagem do ambiente. Em seguida, um algoritmo identifica os principais objetos na sala e os isola da desordem do fundo. Então, usando uma riqueza de informações coletadas em sessões de treinamento anteriores, o robô gera um conjunto de antecipações prováveis ​​com base no movimento da pessoa e nos objetos que ela toca. O robô faz um palpite sobre o que acontecerá em seguida e age de acordo.

Os robôs Cornell ainda erram algumas vezes, mas estão fazendo um progresso constante, especialmente à medida que a tecnologia das câmeras melhora.

Construir uma única máquina em grande escala – um andróide, se preferir – requer investimentos significativos de tempo, energia e dinheiro. Outra abordagem envolve a implantação de um exército de robôs menores e mais simples que trabalham juntos para realizar tarefas mais complexas.

Isso traz um conjunto diferente de desafios. Um robô trabalhando dentro de uma equipe deve ser capaz de se posicionar com precisão em relação aos colegas de equipe e deve ser capaz de se comunicar de forma eficaz – com outras máquinas e com operadores humanos. Para resolver esses problemas, os cientistas se voltaram para o mundo dos insetos, que exibem um comportamento complexo de enxame para encontrar comida e concluir tarefas que beneficiam toda a colônia. Por exemplo, estudando formigas, os pesquisadores sabem que os indivíduos usam feromônios para se comunicarem uns com os outros.

Os robôs podem usar essa mesma "lógica de feromônios", embora dependam da luz, não de produtos químicos, para se comunicar. Funciona assim: um grupo de bots minúsculos está disperso em uma área confinada. A princípio, eles exploram a área aleatoriamente até que um indivíduo se depare com um rastro de luz deixado por outro bot. Ele sabe seguir a trilha e o faz, deixando seu próprio rastro de luz pelo caminho. À medida que a trilha é reforçada, mais e mais bots a encontram e se juntam ao vagão. Alguns pesquisadores também encontraram sucesso usando gorjeios audíveis. O som pode ser usado para garantir que os bots individuais não se afastem muito ou para atrair companheiros de equipe para um item de interesse.

Deus disse a Adão e Eva: "Sede fecundos e multiplicai-vos, e enchei a terra". Um robô que recebesse o mesmo comando se sentiria confuso ou frustrado. Por quê? Porque a auto-replicação provou ser indescritível. Uma coisa é construir um robô -- outra coisa é construir um robô que pode fazer cópias de si mesmo ou regenerar componentes perdidos ou danificados .

Curiosamente, os robôs podem não olhar para os humanos como modelos reprodutivos. Talvez você tenha notado que na verdade não nos dividimos em duas partes idênticas. Animais simples, no entanto, fazem isso o tempo todo. Parentes de águas- vivas conhecidas como hidra praticam uma forma de reprodução assexuada conhecida como brotamento : um pequeno saco se expande para fora do corpo do pai e depois se rompe para se tornar um novo indivíduo geneticamente idêntico.

Os cientistas estão trabalhando em robôs que podem realizar esse procedimento básico de clonagem . Muitos desses robôs são construídos a partir de elementos repetitivos, geralmente cubos, que contêm máquinas idênticas e o programa de autorreplicação. Os cubos têm ímãs em suas superfícies para que possam se prender e se desprender de outros cubos próximos. E cada cubo é dividido em duas partes ao longo de uma diagonal para que cada metade possa girar independentemente. Um robô completo, então, consiste em vários cubos dispostos em uma configuração específica. Enquanto houver um suprimento de cubos disponível, um único robô pode se curvar, remover cubos de seu "corpo" para semear uma nova máquina e depois pegar blocos de construção do estoque até que dois robôs totalmente formados estejam lado a lado.

À medida que interagimos com as pessoas ao longo do dia, tomamos centenas de decisões. Em cada um, pesamos nossas escolhas contra o que é certo e errado, o que é justo e injusto. Se quisermos que os robôs se comportem como nós, eles precisarão entender a ética.

Assim como a linguagem, codificar o comportamento ético é um enorme desafio, principalmente porque não existe um conjunto geral de princípios éticos universalmente aceitos. Diferentes culturas têm diferentes regras de conduta e diferentes sistemas de leis . Mesmo dentro das culturas, as diferenças regionais podem afetar a forma como as pessoas avaliam e medem suas ações e as ações daqueles ao seu redor. Tentar escrever um manual de ética globalmente relevante que os robôs pudessem usar como ferramenta de aprendizado seria praticamente impossível.

Com isso dito, os pesquisadores recentemente conseguiram construir robôs éticos, limitando o escopo do problema. Por exemplo, uma máquina confinada a um ambiente específico - uma cozinha, digamos, ou o quarto de um paciente em uma instalação de vida assistida - teria muito menos regras para aprender e teria um sucesso razoável ao tomar decisões eticamente corretas. Para conseguir isso, engenheiros de robôs inserem informações sobre escolhas consideradas éticas em casos selecionados em um algoritmo de aprendizado de máquina. As escolhas são baseadas em três critérios de escala móvel: o quanto uma ação resultaria de bem, o quanto de dano ela evitaria e uma medida de justiça. O algoritmo então gera um princípio ético que pode ser usado pelo robô enquanto toma decisões. Usando este tipo de inteligência artificial, seu robô doméstico do futuro será capaz de determinar quem na família deve lavar a louça e quem controla o controle remoto da TV durante a noite.

"As melhores e mais belas coisas do mundo não podem ser vistas nem tocadas. Devem ser sentidas com o coração." Se essa observação de Helen Keller for verdadeira, os robôs estariam destinados a perder o que há de melhor e mais bonito. Afinal, eles são ótimos em sentir o mundo ao seu redor, mas não conseguem transformar esses dados sensoriais em emoções específicas. Eles não podem ver o sorriso de um ente querido e sentir alegria, ou registrar a careta de um estranho sombrio e tremer de medo.

Isso, mais do que qualquer coisa em nossa lista, pode ser o que separa o homem da máquina. Como você pode ensinar um robô a se apaixonar ? Como você pode programar frustração, desgosto, espanto ou pena? Vale mesmo a pena tentar?

Alguns cientistas pensam assim. Eles acreditam que os futuros robôs integrarão os dois sistemas de emoção cognitiva e, como resultado, poderão funcionar melhor, aprender mais rápido e interagir de forma mais eficaz com os humanos. Acredite ou não, já existem protótipos que expressam uma gama limitada de emoções humanas. Nao, um robô desenvolvido por uma equipe de pesquisa europeia, tem as qualidades afetivas de uma criança de 1 ano. Pode mostrar felicidade, raiva, medo e orgulho, tudo combinando posturas com gestos. Essas ações de exibição, derivadas de estudos de chimpanzés e bebês humanos, são programadas no Nao, mas o robô decide qual emoção exibir com base em sua interação com pessoas e objetos próximos. Nos próximos anos, robôs como o Nao provavelmente funcionarão em vários ambientes - hospitais,

Nota do autor: 10 coisas mais difíceis de ensinar aos robôs

O Robô de "Perdidos no Espaço" (a série de TV dos anos 1960, não o horrível filme de 1998) percorria minha imaginação enquanto escrevia este artigo. Foi difícil escrever sobre humanos interagindo com máquinas e não ouvir o aviso icônico do Robô - "Perigo, Will Robinson, perigo!" -- ecoando em meus pensamentos.

Artigos relacionados