آموزش ربات‌ها از طریق مدل‌های زبانی پیشرفته

، دانشگاه «ام‌آی‌تی»(MIT) مدلی تازه از آموزش ربات‌ها را معرفی کرده است. این روش به‌جای اتکا به مجموعه‌های استاندارد داده‌های متمرکز که برای آموزش وظایف جدید ربات‌ها به‌کار می‌رود، از انبوه زیادی از اطلاعات جامع برای آموزش مدل‌های زبانی بزرگ بهره می‌گیرد.

بر اساس گزارش تک کرانچ، محققان تأکید کردند که یادگیری تقلیدی – که در آن عامل با تقلید از عمل‌کننده واقعی یاد می‌گیرد – ممکن است در شرایطی خاص شکست بخورد. چنین چالش‌هایی ممکن است شامل مواردی همچون نورپردازی متغیر، محیط‌های مختلف یا موانع تازه باشند. در این گونه سناریوها، ربات‌ها به سادگی قادر به دسترسی به داده‌های کافی برای سازگاری با این چالش‌ها نخواهند بود.

این تیم تحقیقاتی به مدل‌هایی نظیر GPT-4 به عنوان رویکردی برای حل این مسائل نگریسته است. «لیروی وانگ»(Lirui Wang)، پژوهشگر اصلی این پروژه، بیان کرد: در زمینه زبان، داده‌ها به سادگی جملات هستند. اما در حوزه رباتیک با توجه به تنوع زیادی که در داده‌ها وجود دارد، برای انجام پیش‌آموزش به متد متفاوتی نیاز داریم.

این گروه یک روش نوین به نام «ترانسفورماتورهای پیش‌آموزش ناهمگون»(HPT) را معرفی کردند که این قابلیت را دارد که اطلاعات را از حسگرها و محیط‌های مختلف جمع‌آوری کند. سپس، از یک ترانسفورماتور برای تجمیع این داده‌ها در مدل‌های آموزشی استفاده می‌شود. هرچه ابعاد ترانسفورماتور بزرگ‌تر باشد، کیفیت خروجی به طرز چشمگیری افزایش می‌یابد. در مرحله بعد، کاربران می‌توانند طراحی ربات، نحوه پیکربندی و وظیفه‌ای که قرار است انجام شود را مشخص کنند.