คล็อดและสุนัขหุ่นยนต์: สิ่งที่การทดลองแอนโทรปิกแสดงให้เห็น

การทดสอบใหม่ของ มานุษยวิทยา มุ่งเน้นไปที่ประเด็นที่ไม่ใช่เรื่องนิยายวิทยาศาสตร์อีกต่อไป: จะเกิดอะไรขึ้นเมื่อโมเดลภาษาทำหน้าที่ประสานงานกับหุ่นยนต์?. ใน โครงการดึงข้อมูลระบบ Claude ของพวกเขาช่วยในการควบคุมหุ่นยนต์สุนัข โดยมีจุดมุ่งหมายเพื่อทดสอบว่าหุ่นยนต์สามารถไปได้ไกลแค่ไหน AI ทางกายภาพ การเคลื่อนที่จากข้อความไปสู่การเคลื่อนไหว

นอกเหนือจากหัวข้อข่าว การทดลองนี้ยังให้เบาะแสที่ชัดเจนเกี่ยวกับความสามารถและข้อจำกัด: คล็อดทำให้โปรแกรมที่จำเป็นส่วนใหญ่กลายเป็นอัตโนมัติ เพื่อให้สัตว์สี่ขาสามารถกระทำกิจกรรมทางกายได้และ มันทำหน้าที่เป็นตัวเร่งให้ทีมงานก้าวหน้าได้เร็วขึ้นในงานบางอย่าง.

AI และโลกกายภาพ: จากห้องทดลองสู่การปฏิบัติ

Anthropic ซึ่งก่อตั้งโดยอดีตนักวิจัย OpenAI ได้ศึกษาความเสี่ยงและการประยุกต์ใช้จริงของแบบจำลองขั้นสูงมาเป็นเวลานาน ในครั้งนี้ สมมติฐานมีความตรงไปตรงมา: หาก LLM เชี่ยวชาญการเขียนโค้ดและการโต้ตอบกับ ซอฟต์แวร์, สามารถเริ่มมีอิทธิพลต่อวัตถุจริงได้ทีมรักษาความปลอดภัยภายใน (ทีมสีแดง) ต้องการสังเกตการเปลี่ยนแปลงนี้ในสภาพแวดล้อมที่มีการควบคุม

นักวิจัยชี้ให้เห็นว่าโมเดลปัจจุบันยังไม่สามารถควบคุมหุ่นยนต์ที่ซับซ้อนได้อย่างสมบูรณ์ แต่ พวกเขาคาดการณ์ว่าเวอร์ชันในอนาคตจะมีพื้นที่สำหรับการหลบหลีกมากขึ้นดังนั้น จึงเป็นประโยชน์ที่จะวิเคราะห์ว่ามนุษย์พึ่งพา AI ในการเขียนโปรแกรมและควบคุมพฤติกรรมทางกายภาพอย่างไร โดยเฉพาะอย่างยิ่งใน หุ่นยนต์ฮิวแมนนอยด์ก่อนที่ช่วงเวลานั้นจะมาถึง

Project Fetch ได้รับการออกแบบอย่างไร

การทดสอบนี้มีสองทีมที่ไม่มีประสบการณ์ด้านหุ่นยนต์มาก่อนมาแข่งขันกัน ทีมหนึ่งมีคล็อดช่วย ส่วนอีกทีมหนึ่งเขียนโปรแกรมโดยไม่ต้องใช้ AI ทั้งสองทีมต้องควบคุมหุ่นยนต์สุนัข Unitree Go2 โดยใช้รีโมตคอนโทรลและเขียนโค้ด โดยทำงานร่วมกับคอนโทรลเลอร์และแพลตฟอร์มต่างๆ เช่น Arduino Uno Qสำหรับ ปฏิบัติภารกิจที่มีความยากเพิ่มขึ้นตั้งแต่การเดินไปยังจุดหนึ่งไปจนถึงการค้นหาวัตถุ

กลุ่มที่มีคล็อดสามารถบรรลุวัตถุประสงค์บางอย่างได้เร็วขึ้น รวมถึงสัตว์สี่ขาด้วย ฉันเดินไปเจอลูกบอลชายหาดนี่เป็นสิ่งที่ทีมมนุษย์เท่านั้นไม่สามารถทำได้ภายใต้เงื่อนไขการทดสอบ กุญแจสำคัญไม่ใช่เวทมนตร์ แต่โมเดลนี้สร้างและปรับปรุงโค้ด ทำให้การเชื่อมต่อกับหุ่นยนต์เร็วขึ้นและลดความยุ่งยาก

Anthropic บันทึกและวิเคราะห์พลวัตของการทำงาน ในบันทึกการสนทนา ทีมที่ไม่มี AI แสดงความหงุดหงิดและสงสัยมากขึ้น ขณะที่ความช่วยเหลือของ Claude ดูเหมือนว่าจะทำให้มีอินเทอร์เฟซการควบคุมที่เข้าใจได้ง่ายขึ้น และการเริ่มต้นที่ราบรื่นยิ่งขึ้น ถึงกระนั้นก็ยังไม่สามารถบรรลุเป้าหมายทั้งหมดได้ และยังมีข้อจำกัดด้านความเป็นอิสระ

หุ่นยนต์สุนัขที่ถูกเลือก: Unitree Go2 และวัตถุประสงค์ของมัน

รุ่น Go2 ซึ่งผลิตโดย Unitree ในเมืองหางโจว ประเทศจีน ได้รับเลือกให้เข้ารับการประเมิน มีราคาประมาณ 16.900 ดอลลาร์สหรัฐซึ่งเป็นตัวเลขที่ค่อนข้างแคบเมื่อเทียบกับอุปกรณ์อื่นๆ ในภาคส่วนนี้ และมักใช้ในงานตรวจสอบระยะไกล การลาดตระเวนรักษาความปลอดภัย หรือการเยี่ยมชมงานก่อสร้างและการผลิต

สัตว์สี่ขาชนิดนี้สามารถเคลื่อนไหวได้เอง แต่ในทางปฏิบัติมันขึ้นอยู่กับ คำสั่งระดับสูงหรือการควบคุมบุคคลจากการวิเคราะห์ตลาดล่าสุด พบว่าระบบ Unitree เป็นระบบที่แพร่หลายที่สุด ทำให้ระบบนี้กลายเป็นพื้นที่ทดสอบที่น่าสนใจเพื่อดูว่าการเขียนโปรแกรมด้วย AI สามารถขยายขอบเขตได้ไกลแค่ไหน

ผลลัพธ์เผยให้เห็นอะไรเกี่ยวกับ LLM?

รูปแบบภาษาที่ยิ่งใหญ่ไม่ได้แค่เขียนข้อความอีกต่อไป แต่ในช่วงไม่กี่ปีที่ผ่านมา พวกเขามีความเชี่ยวชาญใน สร้างโค้ดและจัดการ ซอฟต์แวร์ใน Project Fetch ความสามารถดังกล่าวถูกแปลงให้ใช้เวลาน้อยลงกับงานการเขียนโปรแกรมที่ซ้ำซาก และมีคำแนะนำทีละขั้นตอนในการแก้ไขข้อผิดพลาดและปรับเปลี่ยนพฤติกรรมของหุ่นยนต์

การตีความที่รอบคอบก็คือ แม้ว่าเราไม่ได้พูดถึงการควบคุมทั้งหมด AI ลดอุปสรรคในการเข้าร่วมสำหรับทีมที่ไม่มีความเชี่ยวชาญ สิ่งเหล่านี้ช่วยให้แพลตฟอร์มทางกายภาพสามารถดำเนินการที่เป็นประโยชน์ได้ นับเป็นการเปลี่ยนแปลงเชิงคุณภาพ: จากการเป็นเพียงเครื่องมือสร้างข้อความ LLM กำลังเริ่มทำหน้าที่เป็นผู้ประสานงานระบบ

ความเสี่ยงและการป้องกัน: วิธีหลีกเลี่ยงความหวาดกลัว

การให้ AI มีความสามารถในการดำเนินการกับเครื่องจักรนั้นนำมาซึ่งความเสี่ยงที่ชัดเจน: ข้อผิดพลาดของรหัส ข้อมูลที่ผิดพลาด หรือการใช้งานโดยเจตนา ความล้มเหลวเหล่านี้อาจส่งผลทางกายภาพได้ หุ่นยนต์อุตสาหกรรมได้เรียนรู้มานานแล้วว่าควรลดความล้มเหลวเหล่านี้ด้วยการป้องกันที่เป็นอิสระ ซอฟต์แวร์.

ในบริบทนี้ ผู้เชี่ยวชาญแนะนำให้รวมเลเยอร์หลายชั้นเข้าด้วยกัน ได้แก่ ขอบเขตการทำงาน การตรวจสอบโค้ดที่สร้างขึ้น และเหนือสิ่งอื่นใด สวิตช์ฉุกเฉินทางกลและโปรโตคอล ที่ไม่ได้ขึ้นอยู่กับแบบจำลอง การศึกษาแบบ Anthropic ถูกวางกรอบอย่างแม่นยำภายใต้ตรรกะเชิงป้องกันดังกล่าว

แอปพลิเคชันใหม่ ๆ และข้อควรระวังที่จำเป็น

ด้วยการป้องกันที่เหมาะสม แนวทางเดียวกันนี้สามารถนำไปใช้กับโลจิสติกส์ การบำรุงรักษา การตรวจสอบ หรือ ความช่วยเหลือในสภาพแวดล้อมที่มีมนุษย์อยู่เป็นจำนวนมากแนวคิดนี้ไม่ได้มุ่งไปที่การแทนที่ช่างเทคนิค แต่เพื่อจัดหาเครื่องมือที่ช่วยเร่งการกำหนดค่าและรองรับการตอบสนองที่ปรับเปลี่ยนได้มากขึ้น

เพื่อให้เกิดประโยชน์เหล่านี้ จำเป็นต้องตกลงกันเกี่ยวกับแนวทางปฏิบัติที่ปลอดภัย เอกสารที่ชัดเจน และ เกณฑ์การจัดวางอย่างมีความรับผิดชอบมิฉะนั้น ความก้าวหน้าทางเทคนิคอาจขัดแย้งกับความไว้วางใจของสาธารณะหรือความเสี่ยงในการปฏิบัติงานที่หลีกเลี่ยงได้

ประสบการณ์ Project Fetch ชี้ให้เห็นจุดเปลี่ยน: คล็อดแสดงให้เห็นว่า LLM สามารถลดระยะห่างระหว่างโค้ดและการดำเนินการได้การปรับปรุงงานในโลกแห่งความเป็นจริงของหุ่นยนต์สี่ขา ขณะเดียวกันก็เตือนเราว่าการก้าวเข้าสู่โลกแห่งกายภาพนั้นต้องอาศัยการควบคุม การทดสอบที่เข้มงวด และวัฒนธรรมความปลอดภัยที่สอดคล้องกัน