I ricercatori del MIT hanno sviluppato una nuova tecnica di addestramento per robot general-purpose, rendendoli capaci di svolgere una gamma più ampia di compiti in modo versatile. Questa tecnica sfrutta un approccio che combina enormi quantità di dati eterogenei, permettendo ai robot di apprendere compiti senza partire ogni volta da zero. Grazie a questo sistema, basato su modelli generativi e ispirato all’architettura dei grandi modelli linguistici come GPT-4, i robot possono ora acquisire abilità più rapidamente e adattarsi meglio a compiti e ambienti nuovi.
Architettura HPT: struttura di apprendimento ispirata ai Grandi Modelli Linguistici
L’approccio innovativo sviluppato dal MIT, noto come Heterogeneous Pretrained Transformers (HPT), utilizza una versione modificata dei transformer per preaddestrare i robot con dati raccolti da vari domini, come simulazioni, robot reali e sensori visivi e di movimento. HPT riesce a trasformare ogni input in “token” che possono essere elaborati uniformemente dal modello, aumentando le capacità dei robot nel multitasking e nel gestire movimenti complessi. In test su compiti simulati e reali, HPT ha migliorato le prestazioni dei robot di oltre il 20% rispetto all’addestramento tradizionale.
Un futuro per l’Intelligenza Artificiale nei robot generici
I ricercatori vedono HPT come un primo passo verso un “cervello universale” per robot, che un giorno potrebbe permettere ai robot di adattarsi automaticamente a compiti complessi senza richiedere addestramenti specifici. Gli sviluppi futuri mirano a rendere l’HPT capace di utilizzare dati non etichettati, similmente ai grandi modelli linguistici, e a sfruttare al massimo la diversità dei dati raccolti per migliorare le capacità generali dei robot.
