Всего несколько лет назад в отчёте Robotics AAAS Report отмечалось, что изобретение роботов с очень расширенным и гибким спектром манипуляций, повышенным интеллектуальным восприятием и улучшенными возможностями обучения позволит достичь цели создания этих устройств, наиболее приближённо похожих способностями на человека.

Одним из возможных путей к успеху в создании роботов следующего поколения является интеллектуальная робототехника, основанная на искусственном интеллекте в нейросетях. Речь может идти о междисциплинарной прикладной области разработок, которая объединяет исследователей из неврологии, мехатроники, робототехники, информатики и других смежных сфер научной деятельности.

Интеллектуальная робототехника

Интеллектуальная робототехника, вдохновляемая способностью машинного обучения всё больше приближаться в этом аспекте к дарованиям человеческого мозга, нацелена на то, чтобы наделить роботов интеллектом, подобным человеческому, который может быть основан как на механизмах, так и на прикладной робототехнике.

Механическая робототехника

Механическая робототехника направлена на повышение производительности роботов путём имитации сознательной деятельности механизмов, структур и основных стандартов когнитивных движений и функций подобных человеческим.

Прикладная робототехника

Прикладная робототехника концентрируется на имитации человеческих операций с помощью новых алгоритмов или моделей, заимствованных из информатики. Тем не менее, такие роботы обычно разрабатываются для конкретных задач, а также их способность к обучению хуже, чем у людей. Следовательно, для этого необходимы тесные отношения между исследователями как в области робототехники, так и в области неврологии.

Основная проблема в развитии робототехники

Исследователи уже определили, что рост вычислительных систем, основанных на способностях и логических цепочках мозга, создаёт проблемы в базовой теории и в развитии программных сред, системной интеграции и аппаратных систем.

В настоящее время сфера робототехники является наиболее динамично развивающейся областью технологического роста. Однако нехватка интеллекта в современных сервисных и промышленных роботах серьёзно ограничивает их применение. Следовательно, основной проблемой в развитии этой области робототехники является наделение роботов когнитивными способностями.

В конечном счёте, исследователи рассматривают наиболее важные императивы как наделение роботов проницательными способностями, резко снижающими их энергопотребление. Если устройствам потребуются проницательные способности в динамично меняющейся и сложной среде, то им будет сложно помогать другим когнитивным операциям, не говоря уже о том, чтобы учиться и работать автономно без посторонней помощи.

Сотрудничество человека и искусственного интеллекта

Уже сейчас искусственный интеллект даёт способность компьютера или роботизированным системам, на основе вычислений, использовать информацию и достигать результатов способом, похожим на процесс восприятия людей при принятии решений. Но остаётся ещё масса нерешённых проблем в автономном обучении. ИИ определит применение в более широком спектре когнитивных областей, таких как распознавание речи, формирование фраз для ведения полноценного диалога с человеком, обучение творчеству, способность к планированию и мышлению.

По мнению учёных, в широком смысле, сотрудничество человека и искусственного интеллекта может включать следующие типы:

• Искусственный интеллект работает рядом с людьми в полезном режиме, помогая человеческому суждению и предоставляя вычислительные ресурсы, такие как прогнозирующие результаты или аналитические выкладки;
• ИИ выполняет действия, которые превосходят когнитивные возможности людей в приложениях, где физически невозможно для людей провести точный и быстрый анализ (например, крупномасштабный анализ генома в биоинформатике);
• Искусственный интеллект работает вместо людей – в основном в атмосфере, которая, возможно, опасна для людей или требует феноменального времени реакции (например, в токсичной атмосфере или там, где требуется быстрая реакция системы в ядерных реакторах).

В частности, разработчики утверждают, что трансферное обучение — это усиление эффективного способа приобрести машинные знания в новой задаче, за счёт передачи знаний из связанной задачи, которая уже была изучена и запомнена памятью машины ранее.

В то время как большинство методов предлагаются для решения отдельных задач, развитие методов, облегчающих обучение передаче, является концепцией, вызывающей постоянный интерес в сообществе производителей робототехники и машинного обучения. Методы переноса, как правило, в значительной степени зависят и от правильной методологии машинного обучения, которые использовались для изучения задач, и часто могут предполагаться расширением этих уже разработанных методов.

Некоторый анализ трансферного обучения относится к индуктивному обучению и включает расширение хорошо известных методов вывода и классификации, таких как марковские логические сети вероятностной логики, байесовские сети и нейронные сети.