한 손으로 루빅스 큐브를 푸는 로봇핸드

한 손으로 루빅스 큐브를 푸는 로봇핸드

인공 지능 (AI)을 연구하는 '오픈 AI'는 인간의 손과 같은 로봇 손으로 루빅스 큐브를 푸는 방법을 학습하는 시스템을 선보였습니다. "닥틸"이라고 불리는 이 로봇은 "인간 수준의 손재주"를 가지고 있다고 주장되고 있습니다. 누구든지 루빅스 큐브를 빨리 풀 수 있다면, 손가락 끝이 민첩하고 퍼즐을 잘한다고 생각할 수 있습니다. 그러나 상대방이 로봇이라면 항상 그런 것은 아닙니다. 인공 지능 (AI) 연구원 인 OpenAI는 최근 인간의 한 손처럼 로봇 손으로 루빅스 큐브를 푸는 방법을 학습하는 시스템을 공개했습니다. OpenAI는 Elon Musk와 Sam Altman이 설립 한 비영리 단체입니다. OpenAI는 "Dactyl(이후 닥틸로 표기)"이라고 불리는 이 로봇이 "인간 수준의 손재주"를 가지고 있다고 주장합니다. 어렵지 않게 큐브를 회전시키는 이 기계의 영상을 보면 확실히 그럴 것 같습니다. 해당 비디오는 로봇 조작의 혁명이 마침내 도래했다는 표시로 일부 소셜 미디어에서 언급되었습니다. 그러나 실제로 로봇이 우리 인간이 당연하게 여기는 작업을 수행하려면 시간이 걸릴 수 있습니다. 닥틸 데모에는 간과해서는 안 되는 몇 가지 중요한 사항이 있습니다. 예를 들어, 이 로봇은 테스트 중에 큐브를 10번 중 8번 떨어 뜨립니다. 이것은 초인적인 손재주 나 인간 수준의 손재주에 대한 증거와는 거리가 먼 모습입니다. 또한 큐브 작동 방법을 배우는 데 10,000 년에 해당하는 시뮬레이션 교육이 필요했습니다. 캘리포니아 대학 버클리의 로봇 연구원 인 켄 골드버그에 따르면 "모든 것이 '과장'이라고 말하는 것이 아닙니다. 반복적인 실험을 통해 학습을 강화함으로써 AI가 "학습" 하도록 합니다. 사람들은 이 비디오를 보고 '이번에 카드를 셔플 할 거야?'라고 물을 것입니다. 그러나 실제로는 그렇지 않습니다. " 화려한 시연은 오늘날 AI 비즈니스의 표준입니다. 기업과 대학은 과학 논문이나 보도 자료를 게시하는 것보다 대중의 상상력을 자극하는 강력한 시연을 제공함으로써 뉴스를 얻는 것이 더 쉽다는 것을 알고 있습니다. 이는 연구 직원과 고객, 그리고 자금 조달 경쟁이 치열한 기업에게 특히 중요합니다. 일부는 이러한 경향을 비판했습니다. "6 세 어린이가 루빅스 큐브의 80 %를 떨어 뜨리는 것을 본 적이 있습니까?" AI의 "열풍"을 비판하는인지 과학자 Gary Marcus가 묻습니다. "이런 아이가 있다면 신경과 전문의를 만나야 합니다." 더 중요한 것은 닥틸의 손재주가 매우 제한적이고 제한적이라는 것입니다. 닥틸은 약간의 상황을 처리할 수 있습니다 (장난감 기린으로 로봇 손을 찌르는 방법에 대한 귀여운 데모도 있습니다). 그러나 많은 추가 훈련 없이는 큐브를 테이블 위로 들어올 리거나 다른 그립으로 조작하거나 다른 물체를 잡고 조작할 수 없습니다. "로봇의 관점에서 볼 때 이것을 할 수 있다는 것은 대단한 일"이라고 MIT (메사추세츠 공과대학)의 교수 인 Leslie Puck Kalebling은 말합니다. 반면에 그는 이러한 접근 방식이 많은 훈련이 필요하기 때문에 다목적 로봇으로 이어지지 않을 것이라고 경고합니다. 그래도 "유용할 수 있는 몇 가지 요소가 있다는 것은 사실"이라고 덧붙입니다. 닥틸의 진정한 혁신은 시뮬레이션에서 배운 것을 실제 세계에 적용할 수 있다는 것입니다. OpenAI의 시스템은 영국에 본사를 둔 Shadow Robot Company의 로봇 손과 강력한 컴퓨터 시스템, 카메라 및 기타 센서로 구성됩니다. 닥틸은 많은 실험을 사용하여 신경망이 손을 제어하도록 가르칩니다. 즉, 강화 학습 방법을 사용하여 물체를 조작하는 방법을 알아냅니다. 향상된 학습을 사용하는 다른 인상적인 AI 데모가 있습니다. 가장 유명한 것 중 하나는 알파벳 산하의 AI 개발 회사 인 DeepMind가 학습을 강화하여 알파고를 훈련시켰고 매우 어렵고 섬세한 보드 게임 인 Go에서 인간을 이기고 챔피언을 차지했다는 것입니다. 이 기술은 로봇에도 사용되었습니다. 2008 년 구글과 바이도(백도)에서 활동했던 AI 연구원 앤드류 엔(우 온 타츠)은 이 기술을 드론에 적용 해 곡예비행을 수행했습니다. 몇 년 후 그의 학생 중 한 명인 Peter Abil은이 기술을 사용하여 로봇이 수건을 접도록 훈련시킬 수 있음을 보여 주었지만 상업적으로 성공하지는 못했습니다 (Abil). 그는 OpenAI에서 파트타임으로 일했으며 여전히 회사의 컨설턴트입니다. 작년에 OpenAI는 닥틸이 강화 학습 동작을 사용하여 손에 있는 큐브를 회전시킬 수 있음을 보여주었습니다. 그러나 닥틸의 루빅스 큐브를 해결하는 능력은 향상된 학습에만 기반하지 않습니다. 우리는 또한 이 퍼즐을 푸는 방법을 배우기 위해보다 일반적인 알고리즘의 도움을 받습니다. 닥틸에는 여러 대의 카메라가 있지만 큐브의 모든 면을 볼 수는 없습니다. 이러한 이유로 사각형이 가리키는 방향을 이해하려면 센서가 있는 특수 큐브가 필요했습니다. 강화 학습을 로봇 공학에 적용하는 것도 어려웠습니다. 이것은 종종 실패하기 때문입니다. 실생활에서 훈련은 종종 시뮬레이션을 통해 이루어집니다. 작업을 배우기 위해 로봇을 훈련시키는 데 수년을 소비하는 것은 현실적이지 않기 때문입니다. 그러나 시뮬레이션에서 잘 작동하는 것을 로봇 관절의 미세한 마찰이나 소음만으로도 계산 오류로 이어질 수 있는 더 복잡한 조건에 적용하는 것은 어려울 수 있습니다. 그리고 여기 닥틸의 진정한 혁신이 있습니다. 연구원들은 시뮬레이션에 노이즈와 외부 난류를 추가하여 현실 세계의 복잡성을 보다 효과적으로 시뮬레이션할 수 있는 방법을 찾았습니다. 최신 연구에서는 시스템이 현실 세계의 복잡성에 대해 더 많이 학습할 수 있도록 점차 노이즈를 추가했습니다. 이러한 방식으로 로봇은 이전에 시도한 것보다 더 복잡한 작업을 학습할 수 있으며 시뮬레이션은 실제로 학습한 것을 구현할 수 있습니다. 프레젠테이션 전에 연구에 대한 브리핑을 받은 캘리포니아 대학의 Goldberg는 시뮬레이션 학습 접근 방식이 현명하고 일반적으로 적용 가능하다고 말했습니다. 사실, 그는 그것을 스스로 사용하려고 합니다. 그러나 Goldberg는 시스템의 한계를 더 명확하게 보여줄 수 있었을 것이라고 지적합니다 예를 들어, 실패율은 종이 깊숙이 묻혀 있고 비디오는 로봇이 큐브를 떨어 뜨리는 것을 보여주지 않습니다. “여전히 상업적인 기업이고 이것이 학계와 기업의 차이입니다.”라고 그는 말합니다. 인지 과학자 마커스는 닥틸을 많은 관심을 끄는 "특징"으로 보고 있습니다. 그는 OpenAI의 과장의 증거로 "너무 위험한"텍스트 생성 알고리즘에 대한 회사의 이전 발표를 인용합니다. "OpenAI가 이 작업을 수행한 것은 이번이 처음이 아닙니다."라고 그는 말합니다. OpenAI에 이 연구에 대한 의견을 요청했지만 답변을 받지는 못했습니다. 로봇이 인간의 손재주를 습득하려면 아직 갈 길이 먼 것 같습니다. 이에 대한 강력한 증거 중 하나는, 로봇이 산업에서 제한된 범위의 반복 작업만 수행할 수 있다는 것입니다. 예를 들어, Tesla는 자체 공장에서 추가 자동화로 어려움을 겪고 있으며 Foxcon은 iPhone과 같은 장치를 생산하는 지루한 작업을 로봇에 의존할 수 없었습니다. 로봇 공학 및 AI 개척자 인 Rodney Brooks는 증강 학습과 같은 학술 연구가 상업적으로 유용 해지기까지는 아직 갈 길이 멀다고 말합니다. 그는 스마트하고 사용하기 쉬운 산업용 로봇 Baxter를 생산하고자 하는 Rethink Robotics의 설립자였지만 회사는 파산했습니다. 현재 로봇 스타트 업 Robust.ai에서 Marcus와 함께 일하는 Brooks에 따르면 AI 시스템의 힘은 쉽게 오해되고 있습니다. "사람이 어떤 일을 하는 것을 볼 때 우리는 그것을 다른 무언가 일반화될 수 있는 것으로 받아들입니다. 마찬가지로 로봇이 어떤 일을 하는 것을 볼 때 지금은 매우 과장된 수준입니다. 그것은 일반화될 것입니다."