Google har for nylig arbejdet inden for såkaldt "skyrobotik". Dette er et fænomen, når robotter, efter at have lært at uafhængigt udføre enhver handling, kan dele deres "oplevelse" med andre robotter, blot ved at transmittere information ved hjælp af en hvilken som helst tilgængelig kommunikationsmetode. Dette princip om undervisning giver dig mulighed for at undgå øjeblikket af omprogrammering, eller så at sige "omskoling", når du sætter nye opgaver til teknikken.
Essensen af "skyrobotik" er som følger: det er baseret på neurale netværk, der bestemmer og gemmer rækkefølgen af udførte handlinger, er ansvarlige for processerne med automatisme og informationsoverførsel. Generelt for alt det, vi kalder oplevelse. Roboter baseret på neurale netværk kan sætte enhver opgave, og den kunstige hjerne finder sine egne løsninger. I fremtiden, når de udfører disse handlinger flere gange, vil roboten udvikle en optimal algoritme, som den vil være i stand til at overføre til andre maskiner, og de vil bruge og forbedre den, ikke starter fra bunden hver gang.
Forskere fra Google Research har testet deres algoritme på tre typer robotter, der udfører forskellige opgaver: at åbne døre, studere objekter på en bakke og en modificeret version af det første eksperiment, når roboten ikke blev trænet uafhængigt, men blev kontrolleret af en person med den efterfølgende opgave at forbedre de erhvervede færdigheder.
I det første tilfælde tog det bilen meget tid at forstå, at for at åbne døren, skal du tage fat i håndtaget, dreje det og skubbe døren. Men alle efterfølgende robotter brugte denne algoritme og sprang over træningsøjeblikket.
I eksperimentet med bakken blev maskinerne overladt til deres egne enheder, og i flere timer studerede de årsagsforholdene mellem genstande (for eksempel: en kedel - en kop - sukker: hvad de skal gøre med dette er kun åbenlyse for os, robotterne måtte "lære").
Eksperiment nummer tre, efter træning af robotten af operatøren, var prisgivet den "kollektive bevidsthed", som hurtigt sammen fandt de optimale løsninger, der adskiller sig i forskellige udgangspositioner for manipulatorerne og det endelige resultat, som accelererede manipulationen.
Det mest interessante øjeblik var, hvor en af robotterne blev tvunget til at åbne en dør, som en helt anden type håndtag var installeret på. Maskinen gjorde et fremragende stykke arbejde.
Hvorfor er alt dette nødvendigt ud over at konstruere teorier om opstanden til maskiner? Det er enkelt: denne acceleration af læringsprocessen giver industrielle robotter mulighed for at begynde at udføre komplekse opgaver meget hurtigere end med den traditionelle tilgang.
Salgsfremmende video:
VLADIMIR KUZNETSOV