- OpenAI, un grupo de investigación con sede en San Francisco centrado en el estudio de la inteligencia artificial para ayudar a la humanidad (y fundado por Elon Musk), ha publicado imágenes de una mano robótica que está entrenada para resolver un Cubo de Rubik.
- La mano robótica en realidad tiene 15 años, pero fue entrenada usando nuevas redes neuronales que completaron el rompecabezas en simulación.
- Saltar de la simulación al mundo real requería un nuevo tipo de entrenamiento llamado aleatorización automática de dominios.
Primero vinieron los robots para nuestros trabajos, luego vinieron para nuestros juegos de rompecabezas. OpenAI ha lanzado imágenes de una mano robótica que puede resolver un cubo de Rubik el 60 por ciento del tiempo. Se acabo.
La organización, fundada por Elon Musk en 2015 para "colaborar libremente" con otros investigadores al hacer públicas todas sus patentes y otros trabajos, decidió trabajar en este robot, llamado Dactyl, porque los investigadores creen que entrenar una mano robótica para hacer algo Esto es un paso complicado para lograr robots de uso general.
"Construir robots que sean tan versátiles como los humanos sigue siendo un gran desafío de la robótica", escriben los científicos en un trabajo de investigación publicado esta semana. "Si bien existen sistemas de robótica humanoide, usarlos en el mundo real para tareas complejas sigue siendo un desafío desalentador".
De la simulación al mundo real
Uno de los grandes desafíos en robótica es enseñar a las máquinas a agarrar y sostener objetos, y mucho menos completar tareas complicadas como maniobrar alrededor de un cubo de Rubik con una mano. La manipulación con las manos a menudo se considera como una de las fronteras finales para introducir robots en el hogar o en entornos médicos debido al alto nivel de destreza requerido para mover los dígitos individuales de una mano robótica.
Sin embargo, ese desafío fue exactamente lo que OpenAI intentó completar. Al utilizar lo que los investigadores han acuñado como "aleatorización automática de dominios", podrían crear infinitamente entornos más desafiantes en la simulación, burlándose de algunas de las bolas curvas que la vida real ciertamente arrojaría al robot.
Ese tipo de entrenamiento permitió a los investigadores entrenar al robot en la simulación, al tiempo que encontraron el éxito en el mundo físico. Después de todo, factores como la fricción, la elasticidad y la dinámica son difíciles de modelar con precisión.