Naukowcy zajmujący się sztuczną inteligencją i robotyką stale postępują w kierunku rozwoju ogólnej inteligencji, która wyposaża roboty w zwinność, mobilność i zrozumienie potrzebne do poruszania się w fizycznym świecie w sposób podobny do zwierząt i ludzi. Jednym z głównych punktów ostatnich postępów jest głębokie uczenie ze wzmocnieniem (DLR), metoda łącząca dwa różne strategie uczenia się stosowane przez sztuczną inteligencję.
Stan obecnego badania jest intrygująco zaprezentowany podczas meczu piłki nożnej rozgrywanego przez roboty. Podczas gdy roboty czteronożne pokazały imponujące, płynne umiejętności piłkarskie, ich dwunóżne odpowiedniki są wciąż we wczesnych fazach opanowywania podstawowych ruchów z powodu wyzwań związanych ze stabilnością i ograniczeniami sprzętowymi.
Jednym z przełomowych projektów jest ten, prowadzony przez Google DeepMind, gdzie za pomocą DLR badacze przeszkolili miniaturowe roboty do grania w piłkę nożną i rywalizowania w pojedynkach jeden na jednego. Poprzez eksperymentowanie zarówno w symulowanych środowiskach, jak i w rzeczywistym świecie, osiągnęli zauważalne wyniki, które zostały opublikowane w czasopiśmie Science Robotics.
Początkowo skupiano się na nauczaniu robotów dwóch podstawowych umiejętności: wstawania z ziemi i zdobywania bramek przeciwko nieprzeszkolonym przeciwnikom. Wyniki z uczenia ze wzmocnieniem były obiecujące; roboty szybko nauczyły się stać, chodzić, obracać się i efektywnie kopać, demonstrując wszechstronność w dostosowywaniu tych działań.
Roboty nauczyły się nawet blokować strzały swoich przeciwników oraz przewidywać kierunek piłki, co sugerowało, że programowanie manualne takich umiejętności byłoby mniej skuteczne w porównaniu z podejściem uczącym się dynamicznie dostosowującym się do sytuacji.
Symulacje okazały się bardzo przenośne na roboty rzeczywiste. Podczas meczów eksperymentalnych przeszkolone roboty poprawiły swoją prędkość i zwinność o imponujące marginesy: były o 181% szybsze w ruchu, obracały się o 302% szybciej, kopały piłkę o 34% szybciej i wracały do równowagi o 63% szybciej niż ich odpowiednicy działający na podstawowej wiedzy zapisanej w skryptach.
Badacze wierzą, że te postępy mogą ostatecznie prowadzić do stworzenia robotów o kształcie ludzkim, zdolnych do bezpiecznego i wyrafinowanego poruszania się w dynamicznych środowiskach. To mogłoby rewolucjonizować sposób, w jaki roboty oddziałują ze światem i pomagają ludzkości.