NRN Agents ได้ประกาศเปิดตัวการผสานรวมหุ่นยนต์ใหม่ผ่าน NRN Agent SDK ซึ่งประกอบด้วยเฟรมเวิร์ก Sim-to-Real ที่สมบูรณ์และการเปิดตัว Robotic Sports โครงการนี้มีวัตถุประสงค์เพื่อเป็นสื่อกลางในการแข่งขันเพื่อเร่งการวิจัยด้านปัญญาประดิษฐ์ทั่วไป (AGI) โดยเน้นที่ Embodied AI ซึ่งแตกต่างจากโมเดลที่ฝึกฝนจากข้อความหรือข้อมูลแบบคงที่เท่านั้น ระบบ Embodied AI จะโต้ตอบและเรียนรู้จากโลกทางกายภาพ ซึ่งนำเสนอชุดความท้าทายและโอกาสที่แตกต่างกัน
Embodied AI
แตกต่างจากโมเดลภาษาขนาดใหญ่ (Large Language Models) ที่ทำงานบนชุดข้อมูลแบบคงที่ที่รวบรวมจากอินเทอร์เน็ต หุ่นยนต์ต้องการกระบวนทัศน์ที่แตกต่างออกไป ระบบ Embodied AI ต้องปรับตัวแบบเรียลไทม์ โต้ตอบกับสภาพแวดล้อมที่คาดเดาไม่ได้ และตอบสนองต่อสิ่งกระตุ้นทางกายภาพที่ซับซ้อน ระบบเหล่านี้มีพลวัตโดยธรรมชาติ และไม่สามารถพึ่งพาการเก็บเกี่ยวชุดข้อมูลครั้งเดียวหรือกระบวนการฝึกฝนแบบออฟไลน์เพียงครั้งเดียวได้ ตัวแปรในโลกทางกายภาพ เช่น อุณหภูมิ สภาพพื้นผิว และการสึกหรอทางกล ทำให้หุ่นยนต์ต้องเรียนรู้และปรับตัวอย่างต่อเนื่อง ความต้องการในการเรียนรู้แบบเรียลไทม์นี้ทำให้ Embodied AI อยู่ในแถวหน้าของการผลักดันไปสู่ AGI
NRN Agents เปิดตัว Robotic Sports เพื่อเร่ง AGI
การจัดการช่องว่างข้อมูลและการเรียนรู้จากโลกแห่งความเป็นจริง
อุปสรรคสำคัญในด้านหุ่นยนต์คือความขาดแคลนข้อมูลที่หลากหลายและปรับขนาดได้ แม้ว่าสภาพแวดล้อมจำลองจะช่วยได้ แต่ก็ไม่สามารถจำลองความซับซ้อนของโลกทางกายภาพได้อย่างเต็มที่ เพื่อเชื่อมช่องว่างนี้ NRN กำลังพัฒนาไปป์ไลน์ Sim-to-Real ที่มีความเที่ยงตรงสูง ซึ่งช่วยให้หุ่นยนต์ที่ฝึกฝนในสภาพแวดล้อมเสมือนสามารถทำงานได้อย่างมีประสิทธิภาพในสภาวะโลกแห่งความเป็นจริง การรวบรวมข้อมูลจากโลกแห่งความเป็นจริง รวมถึงการจับภาพวิดีโอ การติดตามการเคลื่อนไหว และการควบคุมระยะไกล ช่วยเสริมการฝึกฝนที่อิงจากการจำลองด้วยการนำเสนอสถานการณ์ที่หลากหลายซึ่งช่วยเพิ่มกระบวนการเรียนรู้
นอกจากนี้ นวัตกรรมทางสถาปัตยกรรม เช่น การเรียนรู้แบบถ่ายโอน (transfer learning) ช่วยให้ระบบหุ่นยนต์สามารถนำความรู้ที่ได้เรียนรู้ในโดเมนหนึ่งไปใช้กับอีกโดเมนหนึ่งได้ สิ่งนี้ช่วยลดความจำเป็นในการฝึกฝนใหม่และช่วยให้ปรับตัวได้เร็วขึ้น แพลตฟอร์มของ NRN ยังรวมถึงวงจรการเรียนรู้อย่างต่อเนื่อง (continual learning loops) ซึ่งหุ่นยนต์สามารถเรียนรู้ทีละน้อยจากประสบการณ์ในโลกแห่งความเป็นจริงและรักษาความรู้ที่ได้รับมาก่อนได้ แนวทางนี้ช่วยลดความต้องการข้อมูลและช่วยให้ระบบหุ่นยนต์มีความตอบสนองและปรับขนาดได้มากขึ้น
NRN Agents เปิดตัว Robotic Sports เพื่อเร่ง AGI
แพลตฟอร์มที่สร้างขึ้นสำหรับการวิจัยหุ่นยนต์ที่ปรับขนาดได้
NRN Agents ได้สร้าง แพลตฟอร์ม ที่มีเป้าหมายเพื่อเปลี่ยนการเรียนรู้ของหุ่นยนต์จากกระบวนการแบบคงที่ให้เป็นระบบที่พัฒนาอย่างต่อเนื่อง NRN Agent SDK ประกอบด้วยส่วนประกอบหลักหลายอย่างที่สนับสนุนเป้าหมายนี้ SDK ประกอบด้วยประสบการณ์บนเบราว์เซอร์ที่ช่วยให้ผู้ใช้สามารถรวบรวมข้อมูลหุ่นยนต์ผ่านอินเทอร์เฟซที่เหมือนเกม แนวทางแบบเกมนี้ไม่จำเป็นต้องติดตั้งหรือความเชี่ยวชาญทางเทคนิคใดๆ ช่วยให้ผู้ใช้สามารถควบคุมหุ่นยนต์จำลองจาก เบราว์เซอร์ ของตนได้อย่างง่ายดาย ข้อมูลที่สร้างขึ้นจากการโต้ตอบนี้จะถูกป้อนเข้าสู่ไปป์ไลน์การฝึกฝนของ NRN โดยตรง ทำให้สามารถเข้าถึงได้สำหรับการมีส่วนร่วมในการวิจัยในวงกว้าง
แพลตฟอร์มนี้ยังรวมถึงระบบการระดมสมอง (crowdsourcing) สำหรับการรวบรวมข้อมูลพฤติกรรมของมนุษย์ที่มีโครงสร้าง ด้วยรูปแบบการจูงใจแบบ web3 ผู้ร่วมให้ข้อมูลสามารถส่งการสาธิตพฤติกรรม ซึ่งจะได้รับการประเมินตามคุณค่าและความเป็นเอกลักษณ์ ระบบนี้ไม่เพียงแต่เพิ่มความหลากหลายของชุดข้อมูลเท่านั้น แต่ยังรับประกันคุณภาพของข้อมูลผ่านการระบุแหล่งที่มาด้วยอัลกอริทึม
เฟรมเวิร์กการเรียนรู้อย่างต่อเนื่องใน NRN SDK ยังสนับสนุนความสามารถในการปรับตัว หุ่นยนต์สามารถอัปเดตพฤติกรรมของตนเองผ่านวงจรการป้อนกลับแบบ sim-to-real-to-sim โดยตอบสนองต่อการเปลี่ยนแปลงในสภาพแวดล้อมของตนเองในขณะที่ยังคงประสิทธิภาพไว้ การประมวลผลน้ำหนักเบาที่ Edge และกลไกการอัปเดตที่มีประสิทธิภาพช่วยให้มั่นใจได้ว่าพฤติกรรมจะสอดคล้องกับความเป็นจริงทางกายภาพ แม้ว่าสภาพฮาร์ดแวร์จะแตกต่างกัน
NRN Agents เปิดตัว Robotic Sports เพื่อเร่ง AGI
จาก AI Arena สู่ Robotic Sports
รากฐานของ NRN Agents ในการพัฒนา AI เริ่มต้นขึ้นด้วย AI Arena ซึ่งเป็นแพลตฟอร์มการแข่งขันที่ตัวแทน AI เสมือนเรียนรู้ผ่านการเลียนแบบและการเรียนรู้แบบเสริมกำลัง (reinforcement learning) การเปลี่ยนจาก AI Arena สู่ Robotic Sports ถือเป็นการพัฒนาที่สมเหตุสมผล โดยนำหลักการของการเรียนรู้แบบปรับตัวที่อิงจากเกมเข้าสู่โดเมนทางกายภาพ ในบริบทใหม่นี้ Robotic Sports ทำหน้าที่เป็นสภาพแวดล้อมการทดสอบในโลกแห่งความเป็นจริงสำหรับ Embodied AI โดยผลักดันระบบให้รับมือกับความไม่แน่นอน ข้อจำกัดทางกายภาพ และกรณีสุดขอบ (edge cases) ที่ยากต่อการจำลองในสภาพแวดล้อมเสมือน
สถานการณ์การแข่งขันเหล่านี้สามารถรวมถึงการแข่งหุ่นยนต์ การแข่งขันกรีฑา และ การต่อสู้ ซึ่งเน้นการเรียนรู้แบบเรียลไทม์และความสามารถในการปรับตัว Robotic Sports ไม่ใช่เพียงการแสดงประสิทธิภาพเท่านั้น แต่เป็นสภาพแวดล้อมการวิจัยที่ระบบ Embodied AI สามารถทดสอบ ปรับปรุง และเปรียบเทียบกับความท้าทายในโลกแห่งความเป็นจริงได้
NRN Agents เปิดตัว Robotic Sports เพื่อเร่ง AGI
ผลกระทบของหุ่นยนต์ต่อการวิจัย AGI
NRN มองว่า Robotic Sports เป็นส่วนประกอบสำคัญในการแสวงหา AGI ในวงกว้าง แพลตฟอร์มนี้ช่วยส่งเสริมการวิจัยผ่านสถาปัตยกรรม AI แบบแยกส่วนที่ปรับขนาดได้บนแพลตฟอร์มฮาร์ดแวร์ต่างๆ ข้อมูลพฤติกรรมที่มาจากผู้ใช้หลากหลายกลุ่ม ระบบการเรียนรู้แบบถ่ายโอนที่ลดเวลาในการฝึกฝน และวงจรการเรียนรู้อย่างต่อเนื่องที่เพิ่มความสามารถในการปรับตัวในระยะยาว องค์ประกอบเหล่านี้รวมกันสร้างสภาพแวดล้อมที่ AI สามารถพัฒนาได้ตามการตอบสนองต่ออินพุตทางกายภาพ ทำให้เกิดความก้าวหน้าสู่ระบบที่มีทั้งความฉลาดและความสามารถในการโต้ตอบทางกายภาพ
แผนงานและการพัฒนาในอนาคตของ NRN
NRN Agents กำลังดำเนินการตามแผนงานในสองระยะหลัก ระยะแรกมุ่งเน้นไปที่การตรวจสอบแนวคิดหลักโดยใช้ระบบแขนหุ่นยนต์ที่เรียกว่า RME-1 การสาธิตเบื้องต้นรวมถึงการจัดการวัตถุ การควบคุมมอเตอร์อย่างละเอียด และความท้าทายทางกายภาพอย่างง่าย การนำไปใช้ในระยะแรกเหล่านี้ออกแบบมาเพื่อยืนยันความแข็งแกร่งของระบบการรวบรวมข้อมูลและการเรียนรู้อย่างต่อเนื่องของ NRN
ระยะที่สองมีเป้าหมายเพื่อขยายขีดความสามารถของระบบไปสู่ Robotic Sports เต็มรูปแบบ ซึ่งจะรวมถึงรูปแบบการแข่งขัน เช่น การต่อสู้หุ่นยนต์ฮิวแมนนอยด์ การแข่งโดรน แข่ง และการแข่งขันกีฬาที่เน้นการปรับตัวตามภูมิประเทศและความแม่นยำในการควบคุม การใช้งานเหล่านี้จะทำหน้าที่เป็นเกณฑ์มาตรฐานเชิงปฏิบัติสำหรับการประเมินความก้าวหน้าของ AGI ในระบบ Embodied
NRN Agents เปิดตัว Robotic Sports เพื่อเร่ง AGI
ผลักดัน AI สู่พรมแดนทางกายภาพ
แม้ว่า AI จะมีความก้าวหน้าอย่างมากในโดเมนต่างๆ เช่น การประมวลผลข้อความ รูปภาพ และวิดีโอ แต่โดเมนเหล่านี้ส่วนใหญ่เป็นสภาพแวดล้อมที่มีโครงสร้าง ในทางตรงกันข้าม หุ่นยนต์นำเสนอความไม่แน่นอนและต้องการการมีส่วนร่วมกับโลกทางกายภาพ สิ่งนี้ทำให้หุ่นยนต์เป็นสนามทดสอบที่สำคัญสำหรับ AGI ซึ่งระบบต้องแสดงให้เห็นไม่เพียงแต่ความฉลาดในการคำนวณเท่านั้น แต่ยังรวมถึงความสามารถทางกายภาพและความสามารถในการปรับตัวแบบเรียลไทม์ด้วย
ผ่านการทำงานใน Robotic Sports และ Embodied AI NRN Agents กำลังสร้างโครงสร้างพื้นฐานที่จำเป็นในการทดสอบและปรับปรุงระบบ AI อเนกประสงค์ ด้วยการผสมผสานการรวบรวมข้อมูลที่ขับเคลื่อนโดยชุมชน การเรียนรู้แบบปรับตัว และการตรวจสอบในโลกแห่งความเป็นจริง NRN กำลังมีส่วนร่วมในการทำความเข้าใจที่ครอบคลุมมากขึ้นเกี่ยวกับสิ่งที่จำเป็นเพื่อให้บรรลุ AGI สำหรับผู้ที่สนใจติดตามความคืบหน้าของ NRN ข้อมูลเพิ่มเติมมีอยู่ใน NRN Robotics Whitepaper
