Prvi tjedan srpnja 2025. obilježen je značajnim napretkom u području umjetne inteligencije i robotike, jer su istraživači demonstrirali strojeve s dosad neviđenim sposobnostima anticipacije pokreta i prilagodbe strategija u dinamičnim okruženjima.
U središtu ovog napretka nalazi se ANYmal-D, četveronožni robot kojeg je razvio ETH Zurich, sposoban autonomno igrati badminton protiv ljudskih protivnika. Robot koristi inovativni sustav upravljanja temeljen na učenju potkrepljivanjem, što mu omogućuje praćenje, predviđanje i vješto vraćanje loptica. Njegov sofisticirani 'mozak' omogućuje mu praćenje putanje loptice, anticipaciju njezina kretanja te brzo kretanje po terenu kako bi je presreo i vratio. Ovo postignuće, detaljno opisano u časopisu Science Robotics, pokazuje potencijal primjene četveronožnih robota u dinamičnim zadacima koji zahtijevaju preciznu percepciju i brze, koordinirane pokrete cijelog tijela.
Robot je opremljen stereo kamerom za vizualnu percepciju i dinamičnom rukom za držanje reketa, što zahtijeva preciznu sinkronizaciju percepcije, kretanja i pokreta ruke. Istraživači su sustav trenirali učenjem potkrepljivanjem, omogućujući robotu da kroz eksperimentiranje i interakciju s okolinom razvije učinkovite strategije. U testovima protiv ljudskih igrača, ANYmal-D je pokazao sposobnost učinkovitog kretanja po terenu, vraćajući udarce različitih brzina i kutova te održavajući izmjene do 10 uzastopnih udaraca.
Ovo postignuće predstavlja više od puke tehnološke zanimljivosti. Četveronožni robot koristi vid, podatke senzora i strojno učenje za anticipaciju pokreta i prilagodbu strategije, najavljujući budućnost suradnje ljudi i robota u sportu i treningu. Projekt spaja fizičku robotiku s naprednim AI zaključivanjem, otvarajući nove mogućnosti za strojeve koji mogu raditi uz ljude u složenim, nepredvidivim okruženjima.
Robotičari su ostvarili velike pomake u načinu na koji roboti uče i prilagođavaju se. Jedan od ključnih napredaka je kombiniranje različitih vrsta podataka kako bi ih roboti mogli koristiti. Primjerice, istraživači mogu prikupljati podatke od ljudi koji izvode zadatke dok nose senzore, kombinirati ih s podacima teleoperacije kada ljudi upravljaju robotskim rukama, te ih nadopuniti internetskim slikama i videozapisima ljudi koji izvode slične radnje. Spajanjem ovih izvora podataka u nove AI modele, roboti dobivaju veliku prednost u odnosu na one trenirane tradicionalnim metodama. Promatranje više načina za izvršenje istog zadatka olakšava AI modelima improvizaciju i određivanje prikladnih sljedećih koraka u stvarnim situacijama. Ovo predstavlja temeljnu promjenu u načinu na koji roboti uče.
Ovo je značajan aspekt današnje AI proizvodnje. Proboji u učenju potkrepljivanjem omogućili su fizičkim robotima donošenje odluka i izvođenje složenih fizičkih zadataka, od vješanja majica na vješalice do izrade tijesta za pizzu. Ova fuzija generativne umjetne inteligencije i robotike radikalno je proširila potencijalne primjene u poslovanju, zdravstvu, obrazovanju i zabavi, sugerirajući budućnost u kojoj će se inteligentni strojevi neprimjetno integrirati u naše svakodnevne živote.