دانشمندان حوزه هوش مصنوعی MIT روشی نوین برای آموزش ربات‌ها تنها با داده‌های مصنوعی ارائه داده‌اند. این روش می‌تواند تحولی در کنترل ربات‌ها ایجاد کند و چالش‌های جمع‌آوری داده‌های واقعی را کاهش دهد. ربات‌ها معمولاً با کدنویسی دستی برای انجام وظایف خاص برنامه‌ریزی می‌شوند، اما این روش در محیط‌های واقعی که پیچیدگی و عدم قطعیت بالایی دارند، ضعف دارد. از طرف دیگر، آموزش ربات‌ها با استفاده از یادگیری ماشینی بر پایه داده‌های واقعی، انعطاف‌پذیری بیشتری به آنها می‌بخشد. اما جمع‌آوری داده‌های کافی و متنوع از دنیای واقعی کاری پرهزینه و دشوار است. یکی از راه‌حل‌ها، استفاده از شبیه‌سازهای کامپیوتری برای ایجاد محیط‌های مجازی است. اما این روش با چالش شبیه سازی واقعیت مواجه است؛ زیرا محیط‌های شبیه‌سازی‌شده هنوز بازتاب دقیقی از دنیای واقعی ندارد. تیم MIT با ترکیب شبیه‌سازی و هوش مصنوعی مولد، موفق شده‌اند این شکاف را کاهش دهند و رباتی را تنها با داده‌های مصنوعی آموزش دهند. 

این پژوهشگران از یک چارچوب به نام LucidSim استفاده کرده‌اند که با کمک مدل‌های مولد تصاویر، محیط‌های بصری واقع‌گرایانه‌ای برای شبیه‌سازها ایجاد می‌کند. سپس از شبیه‌سازی MuJoCo برای تطبیق داده‌های هندسی و فیزیکی با این تصاویر استفاده شد. همچنین، برای افزایش تنوع داده‌ها، از ChatGPT جهت تولید هزاران دستور متنی برای مولد تصویر استفاده کردند.  با استفاده از این تصاویر، سیستم دیگری به نام Dreams in Motion ویدئوهایی کوتاه از دیدگاه ربات ایجاد می‌کند که حرکات ربات را در محیط شبیه‌سازی‌شده نمایش می‌دهد. داده‌های تولیدشده توسط LucidSim برای آموزش یک مدل هوش مصنوعی جهت کنترل ربات استفاده شد. این ربات توانست وظایفی مانند بالا و پایین رفتن از پله‌ها، صعود از جعبه‌ها و دنبال کردن توپ را یاد بگیرد. 

فرآیند آموزش شامل چند مرحله بود. ابتدا مدلی بر پایه داده‌های دقیق از یک سیستم خبره آموزش دید و سپس این داده‌ها با داده‌های تولیدشده توسط LucidSim ترکیب شدند. مدل نهایی با استفاده از داده‌های ترکیبی آموزش دید و توانست در ۴ وظیفه از ۵ وظیفه در دنیای واقعی عملکردی برابر یا بهتر از سیستم خبره داشته باشد. این روش، که بر پایه داده‌های بصری عمل می‌کند، توانست بر رویکردهای شبیه‌سازی مرسوم مانند "تصادفی‌سازی دامنه" برتری یابد. تیم پژوهشگران اکنون قصد دارند از LucidSim برای آموزش ربات‌های انسان‌نما و بازوهای رباتیک در وظایف دقیق‌تر استفاده کنند. این رویکرد نشان می‌دهد که داده‌های مصنوعی باکیفیت می‌توانند در آینده نقش مهمی در آموزش ربات‌ها ایفا کنند.

منبع خبر: singularityhub