Ang unang linggo ng Hulyo 2025 ay naghatid ng mahalagang tagumpay sa larangan ng artificial intelligence at robotics, matapos ipakita ng mga mananaliksik ang mga makina na may hindi pa nararanasang kakayahan sa pag-anticipate ng galaw at pag-aadjust ng estratehiya sa pabago-bagong kapaligiran.
Sa sentro ng makabagong tagumpay na ito ay ang ANYmal-D, isang apat na paa na robot na binuo ng ETH Zurich na kayang maglaro ng badminton nang awtonomo laban sa mga tao. Gumagamit ang robot ng makabagong control system na pinapagana ng reinforcement learning, na nagbibigay dito ng kakayahang subaybayan, hulaan, at mahusay na ibalik ang shuttlecock. Ang sopistikadong "utak" nito ay nagbibigay-daan upang sundan ang trajectory ng shuttlecock, asahan ang magiging direksyon nito, at mabilis na gumalaw sa court upang saluhin at ibalik ito. Ang tagumpay na ito, na inilathala sa journal na Science Robotics, ay nagpapakita ng potensyal ng mga legged robots sa mga dinamikong gawain na nangangailangan ng eksaktong persepsyon at mabilis, buong-katawang tugon.
Ang robot ay nilagyan ng stereo camera para sa vision-based perception at isang dynamic na braso para humawak ng badminton racket, na nangangailangan ng eksaktong pagsabay ng persepsyon, paggalaw, at kilos ng braso. Sinanay ng mga mananaliksik ang sistema gamit ang reinforcement learning, kaya natutunan ng robot ang epektibong mga estratehiya sa pamamagitan ng eksperimento at interaksyon sa kapaligiran. Sa mga pagsubok laban sa mga tao, ipinakita ng ANYmal-D ang kakayahan nitong gumalaw nang mahusay sa court, ibalik ang mga tira sa iba't ibang bilis at anggulo, at mapanatili ang rally ng hanggang 10 magkasunod na tira.
Higit pa sa pagiging teknolohikal na kuryusidad ang tagumpay na ito. Gamit ang vision, sensor data, at machine learning, nagagawa ng quadruped robot na asahan ang galaw at mag-adjust ng estratehiya, na nagpapakita ng hinaharap ng pakikipagtulungan ng tao at robot sa sports at pagsasanay. Pinagsasama ng proyekto ang pisikal na robotics at advanced AI reasoning, na nagbubukas ng mga bagong posibilidad para sa mga makinang kayang makipagtulungan sa mga tao sa masalimuot at hindi tiyak na mga sitwasyon.
Malalaking tagumpay ang naabot ng mga roboticist sa paraan ng pagkatuto at pag-aadjust ng mga robot. Isa sa mga pangunahing inobasyon ay ang pagsasama-sama ng iba't ibang uri ng datos upang maging kapaki-pakinabang para sa mga robot. Halimbawa, maaaring mangolekta ng datos mula sa mga tao habang gumagawa ng gawain na may suot na sensors, pagsamahin ito sa teleoperation data mula sa mga taong gumagamit ng robotic arms, at dagdagan pa ng mga larawan at video mula sa internet ng mga taong gumagawa ng katulad na aksyon. Sa pamamagitan ng pagsasanib ng mga pinagmumulan ng datos na ito sa mga bagong AI model, nakakakuha ang mga robot ng malaking kalamangan kumpara sa mga sinanay gamit ang tradisyunal na paraan. Ang pagkakita ng maraming paraan para tapusin ang isang gawain ay nagpapadali sa AI models na mag-improvise at magpasya ng tamang susunod na hakbang sa totoong mundo. Ito ay isang pundamental na pagbabago sa paraan ng pagkatuto ng mga robot.
Mahalaga ito sa kasalukuyang industriya ng AI manufacturing. Ang mga tagumpay sa reinforcement learning ay nagbigay-daan sa mga pisikal na robot na magdesisyon at magsagawa ng masalimuot na pisikal na gawain, mula sa pagsabit ng t-shirt sa hanger hanggang sa paggawa ng pizza dough. Ang pagsasanib ng generative AI at robotics ay lubos na nagpalawak ng mga posibleng aplikasyon sa negosyo, healthcare, edukasyon, at entertainment, na nagpapahiwatig ng hinaharap kung saan ang mga intelligent na makina ay magiging bahagi na ng ating araw-araw na buhay.