Eine Gruppe von Wissenschaftlern an der Universität von Pennsylvania entwickelte ein System namens Dreureka, das Roboter mit großer Sprachmodellen für künstliche Intelligenz wie OpenAI GPT-4 ausbilden soll. Wie verstanden wird, ist dies eine effektivere Methode als eine Reihe von Aufgaben in der realen Welt.
Die Dreureka (Eureka) -Plattform hat seine Funktionalität mit dem Beispiel für den Unitree -GO1 -Roboter, einer vierkündigen Maschine mit Open -Source -Software, nachgewiesen. Es beinhaltet das Training eines Roboters in einer Umgebung, die unter Verwendung der zufälligen Auswahl grundlegender Variablen wie Reibung, Masse, Dämpfung, Schwerpunkt und anderen Parametern simuliert wurde. Künstliche Intelligenz hat eine Belohnung und einen Code erstellt, in dem das Kriminalsystem erklärt wird, den Roboter in einer virtuellen Umgebung basierend auf verschiedenen Benutzeranfragen zu schulen. Am Ende jeder Simulation analysiert die künstliche Intelligenz, wie gut der virtuelle Roboter mit der nächsten Aufgabe kaltet und wie die Leistung verbessert werden kann. Die Tatsache, dass das Nervennetz schnell Szenarien in großen Volumina erstellen und seine gleichzeitige Ausführung starten kann, erleichtert den Prozess.
Künstliche Intelligenz bildet Aufgaben mit maximalen und minimalen Parameterwerten an den Punkten, an denen der Mechanismus fehlfunktioniert oder gebrochen ist. Das Erfolgen oder Überwinden erfordert den Abschluss des Trainingsszenarios. Die Programmierer der Studie verursachen zusätzliche Sicherheitsanweisungen, die zum korrekten Schreiben von AI -Code erforderlich sind. Andernfalls beginnt das Nervennetz, „olarak während der Simulation zu betrügen, um eine maximale Leistung zu erzielen, und dies führt dazu, dass Motoren den Roboter in der realen Welt überhitzen oder beschädigen.
Die Forscher wiesen den ausgebildeten Roboter an, der künstlichen Intelligenz besondere Aufmerksamkeit zu schenken, da der Roboter in der realen Welt getestet wird. So bildeten sich das Nervennetz, die Glätte der Bewegungen, die horizontale Ausrichtung und die Körperhöhe zusätzlicher Sicherheitsfunktionen. Unter Berücksichtigung der Drehmomentmenge für Elektromotoren sollten die angegebenen Werte nicht überschreiten. Infolgedessen gelang es dem Dreureka -System, den Roboter besser auszubilden als der Mensch: Die Maschine verzeichnete einen Anstieg der Bewegungsgeschwindigkeit um 34 Prozent und einen Anstieg von 20 Prozent auf dem robusten Land. Die Forscher erklärten dieses Ergebnis mit einem Unterschied in den Ansätzen. Wenn die Person ein Problem lernt, unterteilt die Person es in mehrere Phasen und findet eine Lösung für jeden einzelnen. Der GPT lehrt gleichzeitig alles und es ist klar, dass die Menschen es nicht tun können.
Infolgedessen ermöglichte das Dreureka -System uns, direkt von der Simulation in die reale Welt zu wechseln. Die Autoren des Projekts behaupten, dass sie die Effizienz der Plattform weiter erhöhen können, wenn sie Feedback von der realen Welt zu künstlicher Intelligenz geben können. Dafür muss das neuronale Netzwerk die Videoaufnahmen der Tests untersuchen, anstatt die Videoaufnahmen einzuschränken. Analyse von Fehlern in den System -Diaries des Roboters. Es dauert ungefähr 1,5 Jahre, bis eine durchschnittliche Person zu Fuß lernt, und nur wenige können den Yogamall fahren. Der von Dreureka ausgebildete Roboter überwindet diese Aufgabe effektiv.
