Mi az igazi akadály?
A kihívás nem elsősorban hardveres: a gépek már elég fejlettek, a komoly gondot az önálló tanulás, vagyis az emberi tapasztalatból származó fizikai intuíció pótlása jelenti. Egy MI egy rutint ugyanolyan körülmények között könnyen végrehajt, csakhogy a világ nem steril labor: a járdák egyenetlenek, a lépcsők csúszósak, az emberek lökdösődnek.
Más szóval, egy robot igazi teljesítménye abban mérhető, hogyan küzd meg egy sötét, zsúfolt szobában, miközben egy tál levest visz. Minden lépés új döntést és állandó igazítást követel meg, ehhez pedig az MI-kben még mindig nincs meg a helyzethez igazodó, „megtestesült” tudás.
Az MI és az „élettapasztalat” problémája
A klasszikus, szövegalapú MI-rendszerek – mint a ChatGPT – hiába ismernek milliónyi szöveget, ők a hajósokról olvasó, de sosem tengerre szálló elméleti szakértők. Képesek leírni a hullámzás elméletét, de a kötél valódi súlyát vagy a szél erejét nem érzik. Abból, hogy YouTube-videókat vagy más vizuális adatokat adunk nekik, még nem fogják tudni, mit jelent három dimenzióban egy összetett mozdulatsort kivitelezni. Ráadásul, amíg egy gyerek négy éves korára ötvenszer annyi vizuális információt dolgoz fel, mint amennyit a legnagyobb nyelvi modellek a tanulás során kaptak, addig az MI-k általános fizikai tapasztalata nevetségesen kevés: a költemények és blogbejegyzések tanulmányozása nem teszi őket alkalmasabbá a lepedőcsere vagy az ágyazás elvégzésére sem.
Tanítás vagy szimuláció?
A problémát két nagy irány próbálja áthidalni. Az egyik, hogy emberek VR-rel vagy más távirányított rendszerek segítségével „mutatják meg” a robotnak a helyes mozdulatokat, így tanulásra alkalmas adatbázis épül. A másik a szimuláció, ahol az MI virtuális környezetben, gyorsított ütemben végezhet próbákat. Itt azonban mindig megjelenik a „valóságrés”: a szimulátorban tökéletesen végrehajtott feladat a való világ apró eltérései (mint a súrlódás, a lágy anyagok vagy a fényviszonyok változásai) miatt könnyen csődöt mond.
Ezért válik egy parkour-sztár robot hasztalanná a mosogatónál. A kínai humanoid olimpián már láthattunk focizó és bokszoló gépeket, de valóban hasznos lenne egy házimunka-olimpia, ahol pólót kell megfordítani, zacskóból kakit összeszedni, vagy éppen mogyoróvajat letakarítani a saját kezéről. Ezek a valódi, komoly kihívások.
Az önvezető autók tanulsága
Az autóiparban az MI-t éveken át, hatalmas mennyiségű valós vezetési adattal kellett „tanítani”, hogy elérje a mai önvezetési szintet. Viszont a robotok feladata még bonyolultabb: egy lakás, ház vagy építkezési terület kiszámíthatatlanabb és változatosabb, mint bármely autópálya.
A valóságban sikeres robotok és a jövő
Ezért készülnek a mai humanoid robotok – például az Agility Robotics Digitje vagy a Figure AI gépei – szigorúan körülhatárolt helyekre: raktárakba, futószalag mellé, kórházba, ahol egyetlen feladatot kell jól végezni. Ezek a robotok már képesek dobozokat cipelni, elemcserét önállóan elvégezni vagy tárgyakat felemelni, de a komplex, mindennapos háztartási szerep még messze van.
Továbbá egyes szakemberek szerint kevesebb mint öt év, mások szerint legalább tíz esztendő múlva lesznek profittal üzemeltethető, alapvetően még ügyetlen humanoidok. Egyes fejlesztők határozottan óvatosságra is intenek: három méternél közelebb sem érdemes kerülni egy teljes méretű, gyalogló robothoz.
Hosszú tanulás, csendes fejlődés
A következmények messzire nyúlnak: amíg a robotok „óvodában” tanulnak, VR-segítséggel vagy szimulátorban, a köztereken marad a sci-fi nélküli valóság. Hogy meddig tart a gépek „óvodás korszaka”, az kérdéses. Abban viszont biztosak lehetünk, hogy amikor végre mindennapossá válnak, kevésbé lesznek látványosak, mint a TikTokon – inkább csendesen, kiszámíthatóan végzik majd a gyakorlati munkát, amire betanították őket.
