Roboter sliter med hverdagslige oppgaver tross AI-fremgang

Spekulasjonene om at menneskelignende roboter snart vil utføre det meste av menneskelig arbeid, som Teslas Optimus-robot, dempes av ledende AI-forskere. De advarer mot å overføre framgangen fra språkmodeller direkte til robotikk, fordi den fysiske verden er langt mer kompleks og uforutsigbar enn tekst. En sentral utfordring er at dagens AI-modeller, selv de avanserte visjons-språk-handlings-modellene (VLA) som Google DeepMinds Gemini Robotics bruker, er spesialiserte. De kan utføre oppgaver som å pakke en lunsjboks – noe som var umulig for bare tre år siden – men feiler hvis oppgaven er utenfor treningssettet. Dette står i kontrast til hypen rundt humanoidroboter, og viser at «generelle» AI-roboter fortsatt er i en tidlig fase. En hovedårsak til denne begrensningen er mangel på treningsdata. Mens språkmodeller har tilgang til «hav av tekst», finnes det ingen tilsvarende mengde med høykvalitetsdemonstrasjoner for robotbevegelser. Selv om man samler inn mer data gjennom teleoperasjon eller videoer av mennesker, er det kostbart, tidkrevende og ofte med dårlig kvalitet. Denne «data-sulten» er en barriere for å oppnå den generelle forståelsen som trengs for å navigere i en dynamisk, norsk arbeidsplass. En alternativ tilnærming er «verdensmodeller», en form for AI som bygger en intern representasjon av hvordan den fysiske verden fungerer, basert på video, 3D-skanninger og sensordata. Slike modeller skal la roboter resonnere og forutsi konsekvenser, ikke bare reagere, og bedrifter som Nvidia og Google investerer tungt. Eksempler er World Labs, som ble kjøpt av AMD for 8,2 milliarder dollar, og AMI Labs, som hentet 1 milliard dollar i finansiering. Men forskerne innrømmer at dette er i et «nascent» stadium, altså svært tidlig i utviklingen.