Първата седмица на юли 2025 г. стана свидетел на значителен пробив в областта на изкуствения интелект и роботиката, след като изследователи демонстрираха машини с безпрецедентни способности да предвиждат движения и да адаптират стратегии в динамична среда.
В центъра на този напредък е ANYmal-D – четириног робот, разработен от ETH Zurich, който може автономно да играе бадминтон срещу човешки опоненти. Роботът използва иновативна система за управление, базирана на обучение чрез подсилване, която му позволява да проследява, предвижда и умело да връща перото. Неговият усъвършенстван „мозък“ му дава възможност да следи траекторията на перото, да предвижда пътя му и да се движи бързо по корта, за да го пресрещне и върне. Това постижение, описано в списание Science Robotics, показва потенциала за използване на роботи с крака в динамични задачи, изискващи прецизно възприятие и бързи, координирани движения на цялото тяло.
Роботът е оборудван със стерео камера за визуално възприятие и динамична ръка за държане на бадминтон ракета, което изисква прецизна синхронизация между възприятие, движение и работа с ръка. Изследователите са обучили системата чрез обучение с подсилване, което позволява на робота да развие ефективни стратегии чрез експериментиране и взаимодействие с околната среда. В тестове срещу човешки играчи ANYmal-D демонстрира способност да се движи ефективно по корта, да връща удари с различна скорост и ъгъл, и да поддържа разигравания до 10 последователни удара.
Този пробив е не просто технологично любопитство. Четириногият робот използва зрение, сензорни данни и машинно обучение, за да предвижда движения и да адаптира стратегията си, демонстрирайки бъдещето на сътрудничеството между хора и роботи в спорта и обучението. Проектът съчетава физическа роботика с напреднало AI мислене, отваряйки нови възможности за машини, които могат да работят рамо до рамо с хора в сложни и непредсказуеми среди.
Роботиката отбелязва големи пробиви в начина, по който роботите се учат и адаптират. Един от ключовите напредъци е комбинирането на различни типове данни, за да станат полезни за роботите. Например, изследователите могат да събират данни от хора, които изпълняват задачи със сензори, да ги комбинират с данни от телероботика, при които хора управляват роботизирани ръце, и да допълват с интернет изображения и видеа на хора, изпълняващи сходни действия. Чрез обединяване на тези източници в нови AI модели, роботите получават огромно предимство пред традиционните методи на обучение. Виждайки множество начини за изпълнение на една задача, AI моделите по-лесно импровизират и избират най-подходящите следващи стъпки в реални ситуации. Това представлява фундаментална промяна в начина, по който роботите се учат.
Това е съществен аспект на съвременното AI производство. Пробивите в обучението чрез подсилване позволиха на физическите роботи да вземат решения и да изпълняват сложни физически задачи – от закачане на тениски на закачалки до разточване на тесто за пица. Това сливане на генеративен AI и роботи радикално разширява потенциалните приложения в бизнеса, здравеопазването, образованието и развлеченията, като подсказва бъдеще, в което интелигентните машини ще се интегрират безпроблемно в ежедневието ни.