وقتی رادنی بروکس در مورد رباتیک و هوش مصنوعی صحبت می کند، باید گوش کنید. او که در حال حاضر پروفسور بازنشسته رباتیک پاناسونیک در MIT است، همچنین سه شرکت کلیدی از جمله Rethink Robotics، iRobot و تلاش فعلی‌اش، Robust.ai را تأسیس کرد. بروکس همچنین آزمایشگاه علوم کامپیوتر و هوش مصنوعی MIT (CSAIL) را برای یک دهه از سال 1997 اداره کرد.

در واقع، او دوست دارد در مورد آینده هوش مصنوعی پیش بینی کند و یک کارت امتیازی در وبلاگ خود نگه می دارد که نشان می دهد چقدر خوب عمل می کند.

او می داند که در مورد چه چیزی صحبت می کند، و فکر می کند شاید زمان آن رسیده است که ترمز هیاهوی جیغی که هوش مصنوعی مولد است را بگیرد. بروکس فکر می‌کند که این فناوری چشمگیر است، اما شاید آنطور که بسیاری پیشنهاد می‌کنند کاملاً توانا نباشد. او به TechCrunch گفت: "من نمی گویم LLM مهم نیست، اما ما باید مراقب [در] نحوه ارزیابی آنها باشیم."

او او میگوید مشکل هوش مصنوعی مولد این است که در حالی که توانایی انجام مجموعه‌ای از وظایف را دارد، نمی‌تواند هر کاری را که یک انسان می‌تواند انجام دهد، و انسان‌ها تمایل دارند توانایی‌های آن را بیش از حد برآورد کنند. زمانی که یک انسان می بیند که یک سیستم هوش مصنوعی یک کار را انجام می دهد، بلافاصله آن را به موارد مشابه تعمیم می دهد و صلاحیت سیستم هوش مصنوعی را تخمین می زند. بروکس بيان کرد نه فقط عملکرد در آن، بلکه شایستگی در این زمینه. و آنها معمولاً بیش از حد خوشبین هستند، و این به این دلیل است که از مدلی از عملکرد یک فرد در یک کار استفاده می کنند.

او اضافه کرد که مشکل این است که هوش مصنوعی مولد انسان یا حتی شبیه انسان نیست و تلاش برای اختصاص دادن قابلیت‌های انسانی به آن ناقص است. او او میگوید که مردم آن را چنان توانا می‌بینند که حتی می‌خواهند از آن برای برنامه‌هایی که منطقی نیستند استفاده کنند.

بروکس آخرین شرکت خود، Robust.ai، یک سیستم رباتیک انبار را به عنوان نمونه ای از آن ارائه می دهد. اخیراً شخصی به او پیشنهاد داده است که با ساختن یک LLM برای سیستم خود به ربات‌های انبارش بگوید کجا بروند. با این حال، به نظر او، این مورد استفاده منطقی برای هوش مصنوعی مولد نیست و در واقع سرعت کار را کاهش می دهد. در عوض، اتصال ربات ها به جریان داده ای که از نرم افزار مدیریت انبار می آید، بسیار ساده تر است.

زمانی که 10000 سفارش دارید که باید در عرض دو ساعت ارسال کنید، باید برای آن بهینه سازی کنید. زبان کمکی نخواهد کرد. این فقط سرعت کارها را کم می کند.» او گفت. «ما پردازش داده‌های عظیم و تکنیک‌ها و برنامه‌ریزی عظیم بهینه‌سازی هوش مصنوعی داریم. و اینگونه است که ما سفارشات را به سرعت تکمیل می کنیم."

درس دیگری که بروکس در مورد ربات ها و هوش مصنوعی آموخته است این است که شما نمی توانید بیش از حد تلاش کنید. شما باید یک مشکل قابل حل را حل کنید که در آن ربات ها می توانند به راحتی ادغام شوند.

«ما باید در مکان‌هایی که چیزها قبلاً تمیز شده‌اند خودکار کنیم. پس مثال شرکت من این است که ما در انبارها عملکرد بسیار خوبی داریم، و انبارها در واقع بسیار محدود هستند. نور با آن ساختمان های بزرگ تغییر نمی کند. چیزی روی زمین نیست زیرا افرادی که گاری ها را هل می دهند با آن برخورد می کنند. هیچ کیسه پلاستیکی شناور در اطراف وجود ندارد. و تا حد زیادی به نفع افرادی که در آنجا کار می کنند نیست که برای ربات بد باشند.»

بروکس توضیح می دهد که در مورد ربات ها و انسان ها نیز با هم کار می کنند، پس شرکت او این ربات ها را برای اهداف عملی مربوط به عملیات انبار طراحی کرده است، برخلاف ساخت یک ربات به ظاهر انسان. در این حالت مانند یک سبد خرید دسته دار به نظر می رسد.

پس فاکتور شکلی که ما استفاده می‌کنیم، راه رفتن انسان‌نما نیست، حتی اگر من بیش از هر کس دیگری انسان‌نما ساخته و تحویل داده‌ام. اینها شبیه چرخ دستی های خرید هستند. او گفت: "این یک دسته دارد، پس اگر مشکلی در ربات وجود داشته باشد، یک نفر می تواند فرمان را بگیرد و هر کاری که می خواهد با آن انجام دهد."

پس از این همه سال، بروکس آموخته است که این فناوری در دسترس و هدفمند ساخته شده است. من همیشه سعی می‌کنم فناوری را برای مردم آسان کنم و پس می‌توانیم آن را در مقیاس به کار ببریم و همیشه به موارد تجاری نگاه کنیم. بازگشت سرمایه نیز بسیار مهم است. »

حتی با این وجود، بروکس او میگوید که ما باید بپذیریم که همیشه در مورد هوش مصنوعی مواردی وجود دارد که به سختی قابل حل هستند، که حل آنها ممکن است دهه‌ها طول بکشد. بدون تحلیل دقیق نحوه استقرار یک سیستم هوش مصنوعی، همیشه دنباله ای طولانی از موارد خاص وجود دارد که کشف و رفع آنها دهه ها طول می کشد. به طور متناقض، تمام این اصلاحات خود هوش مصنوعی کامل هستند.

بروکس می افزاید که این باور اشتباه، بیشتر به لطف قانون مور، وجود دارد که همیشه رشد تصاعدی در مورد فناوری وجود خواهد داشت - این ایده که اگر ChatGPT 4 به این خوبی باشد، تصور کنید که ChatGPT 5، 6 و 7 چگونه خواهد بود. او این نقص را در این منطق می بیند که علیرغم قانون مور، فناوری همیشه به صورت تصاعدی رشد نمی کند.

او از آی پاد به عنوان مثال استفاده می کند. برای چند بار تکرار، در واقع حجم فضای ذخیره سازی از 10 تا 160 گیگابایت دو برابر شد. اگر به همین مسیر ادامه می‌داد، او متوجه می‌شد که تا سال 2017 یک آی‌پاد با 160 ترابایت فضای ذخیره‌سازی خواهیم داشت، اما البته این کار را نکردیم. مدل‌هایی که در سال 2017 فروخته می‌شوند در واقع با 256 یا 160 گیگابایت عرضه می‌شوند، زیرا، همانطور که او اشاره کرد، هیچ‌کس واقعاً به بیش از این نیاز نداشت.

بروکس اذعان می‌کند که LLM می‌تواند در برخی مواقع به ربات‌های خانگی کمک کند، جایی که می‌توانند وظایف خاصی را انجام دهند، به‌ویژه با جمعیت مسن و افراد کافی برای مراقبت از آنها. اما او او میگوید که حتی این نیز می‌تواند با مجموعه‌ای از چالش‌های منحصربه‌فرد همراه باشد.

"مردم می گویند، "اوه، مدل های زبان بزرگ باعث می شود ربات ها بتوانند کارهایی را انجام دهند که نمی توانند انجام دهند." مشکل اینجا نیست. مشکل توانایی انجام کارها در مورد تئوری کنترل و انواع دیگر بهینه‌سازی‌های ریاضی سخت است. »

بروکس توضیح می دهد که این امر در نهایت می تواند منجر به ایجاد روبات هایی با رابط های زبانی مفید برای افرادی شود که در شرایط مراقبت قرار دارند. او گفت: «در انبار مفید نیست که به یک ربات بگویید بیرون برود و در ازای یک سفارش یک چیز دریافت کند، اما ممکن است برای مراقبت از سالمندان در خانه ها مفید باشد که مردم بتوانند چیزهایی را به روبات ها بگویند.

خبرکاو