Чи можуть агентні роботи вирішити проблему масштабування даних у робототехніці?
· Майбутнє
Дослідники UC Berkeley та Nvidia представили «агентну робототехніку» — метод програмування роботів через зрозумілий людині код замість безкінечного збору даних для ШІ.
Робототехнічні компанії вкладають значні кошти, вірячи, що дані вирішать найскладніші проблеми в робототехніці. Вважається, що як тільки системи штучного інтелекту засвоять достатньо даних, отриманих із демонстрацій людських дій, роботи зможуть виконувати переважну більшість ручних завдань, які зараз виконують люди. Існують навіть компанії, що спеціалізуються виключно на зборі навчальних даних для їх подальшого продажу іншим виробникам роботів заради досягнення цієї мети.
Однак залишається відкритим питання, чи приведуть нас дані врешті-решт до створення універсальних роботів. Ніхто не знає, який обсяг даних необхідний, які саме типи даних є важливими або чи не бракує нам чогось іншого. Існують й інші проблеми, пов’язані з опорою на величезні масиви даних: отримані алгоритми ШІ — це, по суті, «чорні скриньки», які, попри високу продуктивність, важко або неможливо зрозуміти людям. Ця характеристика стає все більш тривожною в комерційному впровадженні, де роботи повинні бути гнучкими, надійними та безпечними.
На Конференції з навчання роботів 2026 року (2026 Conference on Robot Learning), що проходить цього тижня, Каліфорнійський університет у Берклі спільно з Nvidia оголошують про новий підхід до використання ШІ для програмування роботів для повсякденних практичних завдань у промислових середовищах. Ця методика, що отримала назву агентна робототехніка (agentic robotics), використовує останні досягнення в інструментах ШІ для написання коду, водночас повертаючи робототехніку до її витоків: розуміння принципів роботи робота та написання зрозумілого людині коду для виконання корисних завдань — без потреби в даних (і без участі людей).
Проблема даних
Протягом десятиліть роботів програмували за допомогою методів, що базуються на моделях, тобто їхня поведінка ґрунтувалася на детальному розумінні фізики та математики, що лежать в основі самого робота та його оточення. Робототехніки спочатку розробляли ці моделі, а потім писали надзвичайно детальний код, що вказував роботам, як діяти. Отримані таким чином системи працювали швидко й надійно, проте цей підхід втратив популярність, оскільки потребував багато часу та високої кваліфікації фахівців. Набагато простіше просто завантажити величезний обсяг даних людських демонстрацій у систему машинного навчання, результати роботи якої є адаптивними та надійними — до певної міри.
«Парадигма навчання через імітацію досягла плато», — пояснює Кен Голдберг, професор робототехніки Каліфорнійського університету в Берклі, чия лабораторія представляє роботу з агентної робототехніки на цьоготижневій конференції. «Вона перспективна для таких речей, як домашні роботи, де швидкість і надійність менш критичні. Але для промислового застосування дуже важко забезпечити той рівень надійності, якого вимагає галузь». Голдберг, який також є співзасновником компанії Ambi Robotics, особисто зіткнувся з цією проблемою, як і інші компанії, з якими він співпрацює, зокрема Siemens і Bosch. «Спочатку ви отримуєте хорошу продуктивність завдяки даним, але потім щось йде не так. Ви починаєте давати системі більше даних. Але потім виникають інші проблеми. Немає впевненості, що додавання ще більшої кількості даних допоможе вирішити питання».
Надія, за словами Голдберга, полягає в тому, що з достатньою кількістю даних роботи якось почнуть працювати надійно, як це сталося з ChatGPT. «Саме на це розраховували люди, і саме тому інвестори вкладають гроші в ці компанії», — каже Голдберг. «Але всіх починає турбувати те, що ми досі не досягли цієї точки конвергенції».
Як працює агентна робототехніка
Мовні моделі, такі як ChatGPT, досягли успіху завдяки тому, що можуть навчатися на даних масштабу всього інтернету. У робототехніці немає набору даних, який наближався б до такого масштабу, і хоча компанії відчайдушно намагаються створити дані, які, на їхню думку, їм потрібні, це повільний і дорогий процес. Агентна робототехніка — термін, популяризований Голдбергом разом зі Спенсером Хуангом, директором з питань продуктів для робототехніки в Nvidia, — це спроба перетворити програмування роботів із проблеми даних на проблему написання коду, що дозволяє безпосередньо використовувати масштабованість мовних моделей.
«Це справді те, що значно прискорилося за останній рік», — каже Голдберг. «Якість агентного написання коду стала настільки високою, що використання цих інструментів для створення програм для роботів стало життєздатним».
Оскільки агентна робототехніка базується на великих мовних моделях, вона проста у використанні — ви можете використовувати природну мову, щоб сказати роботу, що робити. Одним із прикладів, використаних дослідниками з Берклі, було прохання до роботизованої руки скласти продукти в пакет. Спочатку це відносно складне (для робота) завдання розбивається на простіші підзадачі, кожна з яких призначається окремому кодуючому агенту. У програмному забезпеченні на базі LLM агент — це автономна система ШІ, яка може планувати, писати, тестувати та модифікувати код з мінімальним втручанням людини. Наприклад, один агент відповідає за сприйняття об’єктів (ідентифікація продуктів і пакета), другий — за маніпуляції з об’єктами за допомогою захвату, а третій — за транспортування об’єктів після їх захоплення.
«У нас є всі ці роботизовані інструменти, які ми створювали останні кілька десятиліть», — пояснює Хуанг. «Проблема була в тому, що людині доводилося писати код самостійно. Але класифікатори об’єктів, оцінка пози, планування завдань і рухів, генерація траєкторій — усе це вже існує». Агенти можуть безпосередньо використовувати всі ці наявні знання, що містяться в мовних моделях, для створення власного коду, адаптованого до конкретних завдань.
Подолання бар’єру симуляції
Як тільки агенти мають прийнятний алгоритм, вони запускають свій код у симуляції, щоб перевірити результат, зовсім як це робила б людина. Вони можуть змінювати початкові умови, виявляти помилки, вдосконалювати код і повторювати процес доти, доки не отримають успішну програму. Звісно, код, який працює в симуляції, може бути настільки ж універсальним і надійним, наскільки надійною є сама симуляція.
«Симуляції не так просто створити», — пояснює Голдберг. Чим точнішою є симуляція, тим більше параметрів потрібно налаштувати для досягнення та підтримки цієї точності — зазвичай це робить людина для кожного окремого завдання. Голдберг вирішив спробувати надати агенту ШІ прямий доступ до цих параметрів симуляції та доручити йому підігнати симуляцію під відео реального світу.
«У нас мурашки побігли по шкірі. Агент зміг відтворити все середовище: освітлення, фон, всі ці дрібниці, які надзвичайно втомливо робити вручну. Ми б ніколи не зробили це так само добре, але агент зміг. Поруч було дуже важко відрізнити симуляцію від відео».
Тим не менш, незалежно від того, наскільки якісно виглядає симульоване середовище, подолання прірви між ним і реальним світом залишається невирішеним завданням для спільноти робототехніків, каже Торстен Крегер, головний науковий співробітник компанії Intrinsic, що входить до складу Alphabet. Крегер, який не бере безпосередньої участі в цьому дослідженні, продовжує: «Скажу це з повагою, але просто не існує фізичного рушія, який міг би точно моделювати фізичний контакт із реальним світом». Але, як і у випадку з командою розробників-людей, агенти можуть займатися усуненням несправностей, коли щось іде не так. Здатність агентів працювати над самою симуляцією дає значні переваги: агентам можна надати відео невдалого виконання завдання, щоб оновити симуляцію, після чого кодуючі агенти знову ітерують, щоб виправити помилку.
Щодо будь-якої діяльності ШІ, Хуанг добре усвідомлює, що агенти, які пишуть код для роботів, можуть мати свої недоліки. «Ми всі знаємо, що агенти ШІ можуть створювати "сміттєвий" код», — каже Хуанг. «Щоб протистояти цьому, ми використовуємо концепцію змагальних агентів — де один агент розробляє рішення, а інший намагається його розібрати та знайти слабкі місця».
Під час тестування в Берклі підходи агентної робототехніки досягали показників успішності до 99 відсотків, зрівнявшись із продуктивністю людських інженерів, навіть у тих завданнях, де базові методи навчання через імітацію показували успіх лише на рівні 20 відсотків. Але, як зазначає Голдберг, агентна робототехніка — це не лише продуктивність, а й ефективність та безпека. «Ви використовуєте готові агентні рішення для написання коду. Вам не потрібно збирати жодних даних. І агент генерує код, який ви насправді можете зрозуміти та виправити у разі потреби».
Агентна робототехніка в реальному світі
У найближчому майбутньому найбільш сприятливою сферою для практичного застосування агентної робототехніки стане промислове виробництво та маніпуляційні завдання, які потребують високої точності, каже Хуанг. «Зараз деяким нашим партнерам у сфері напівпровідників потрібно розміщувати компоненти з точністю до 0,3 міліметра. Сьогодні неможливо змусити таку систему, як GR00T [платформа розробки гуманоїдних роботів від Nvidia], зробити це з хоча б якимось натяком на повторюваність і надійність. Агентна робототехніка дає нам прикладні рішення вже зараз».
Але справжня цінність, за словами Хуанга, полягає в здатності до адаптації. «У компанії Wistron на Тайвані [яка виробляє материнські плати для графічних процесорів Nvidia] щоразу, коли додається новий продукт, переналаштування одного робота займає мінімум 8 годин. З агентною робототехнікою це переналаштування займає хвилину або дві».
Вийти за межі цих досить вузьких варіантів використання може бути складно, але Хуанг бачить у цій техніці шлях до складніших завдань. «Агентна робототехніка може генерувати масу високоякісного робототехнічного коду, який є даними, що ми можемо використовувати для навчання наступної моделі». Така генерація коду — лише ітеративний крок до універсальних можливостей, але Хуанг вважає, що агентна робототехніка може допомогти переосмислити саме значення загального інтелекту в контексті робототехніки. «Моя теза полягає в тому, що загальний інтелект для роботів спочатку з’явиться у формі агента, який координує поєднання звичайних технологій і спеціалізованих стратегій. Для людини це виглядатиме як загальний інтелект, тому що агент координує все "під капотом"».
Крегер з Intrinsic більш обережно ставиться до довіри агентам. «У контексті безпеки — як ми можемо бути впевнені, що ці агенти справді роблять правильні речі весь час? Це проблема узгодження цілей. Інженер-людина може перевірити все, але викликом стане момент, коли ми почнемо довіряти цим агентам. Я можу собі уявити, що це стане актуальною темою для обговорення в галузі».
Наразі Голдберг зосереджений на співпраці з реальними компаніями для впровадження агентної робототехніки на практиці. Серія бенчмарків для агентної робототехніки, розроблених за допомогою Nvidia Isaac Lab-Arena та фізичного рушія Newton, допоможе дослідникам оцінювати ефективність роботи агентів. «Я не хочу сказати, що у нас є готове рішення, але я дуже натхненний цим напрямком», — каже він. Хуанг додає: «Це кардинальна зміна в тому, як ми робимо справу».
Оригінал: spectrum.ieee.org