A kortárs számítástudomány egyik legmarkánsabb törekvése humanoid robotika és mesterséges intelligencia szintézise, a fizikai intelligencia megvalósítása. MI-fejlesztő nagyágyúk és robotikai vállalatok összefogásával 2024 nyarától kezd változni a korábban siralmas helyzet: intelligenciában a robotok nagyon messze kullogtak a szoftveres MI-ktől.

A humanoid „forradalom” egyik élharcosa a Figure idén mutatta be a Helix kifinomult vizuális nyelvrendszert használó, például logisztikai raktárban akár órákon keresztül, megszakítás nélkül csomagokat szortírozó Figure 02 modellt. A neurális hálót legújabban érintés és rövidtávú memória kapacitásokkal bővítették, teljesítménye folyamatosan javul. 

A humanoidok három hónapja ügyesen felszedtek különféle méretű, formájú és keménységű csomagokat, és manipulálták az irányukat. Legutóbb egy ugyanolyan robot még nagyobb csomagválasztékot, köztük deformált polietilén zacskókat és lapos borítékokat is szortírozott.

Figure 02 szépen szemlélteti, hogy raktár-környezetben humanoid robotok mennyire közel kerültek legalábbis speciális feladatok emberszintű végrehajtásához. A Figure persze nincs egyedül, más cégek, mint a Tesla és az Agility Robotics szintén komoly erőfeszítéseket tesznek ismétlődő humán feladatok automatizálására. Még soha nem álltunk ennyire közel ahhoz a jövőhöz, amelyben kereskedelmi környezetek tele lesznek munkájukat végző kétlábú robotokkal.

Figure 02 valamivel több mint négy másodpercet tölt el csomagonként, egy teljes másodperccel javítva korábbi tempóján, és a gyorsulás nem ment a teljesítmény rovására. A szállítási címkék szkenneléshez történő elhelyezése kilencvenöt százalékban pontos, ami huszonöt százaléknyi javulást jelent az idei év elejéhez képest.

A robot fogási stratégiáján javítva, dinamikusan alkalmazkodik a csomagok egyedi alakjához, például csipeszfogásokkal ragad meg lapos borítékokat, vagy erőteljesen fordít meg puha zacskókat. Sok mozgást komoly tanulással sajátított el. A vonalkód így teljesen látható marad a szkenner számára.

Az ilyen szintű alkalmazkodás egyértelművé teszi a teljes, end-to-end tanulás szerepét. A gép olyan bemutató stratégiákból, közvetlenül az adatokból okul, amelyekben soha nem írták le explicit módon, mit kell tennie.

A raktárrobotok célja, hogy egy modell többfajta, és ne csak erősen specializált feladatokat hajtson végre. Kérdés, mikor érik el a költséghatékonyság és a megbízhatóság azon szintjét, hogy az emberi munkaerőt biztonságosan, kockázat nélkül helyettesíthetik velük.

Ez az egyik legnagyobb kihívás.