Το 2009, ένας επιστήμονας υπολογιστών τότε στο Πανεπιστήμιο του Πρίνστον ονομάστηκε Φέι-Φέι Λι εφηύρε ένα σύνολο δεδομένων που θα άλλαζε την ιστορία της τεχνητής νοημοσύνης. Γνωστό ως ImageNet, το σύνολο δεδομένων περιελάμβανε εκατομμύρια ετικέτες εικόνων που θα μπορούσαν να εκπαιδεύσουν εξελιγμένα μοντέλα μηχανικής μάθησης να αναγνωρίζουν κάτι σε μια εικόνα. Οι μηχανές ξεπέρασαν τις ικανότητες αναγνώρισης του ανθρώπου 2015. Αμέσως μετά, η Li άρχισε να ψάχνει για αυτό που αποκαλούσε ένα άλλο από τα "North Stars" που θα έδινε στην τεχνητή νοημοσύνη μια διαφορετική ώθηση προς την αληθινή νοημοσύνη.

Βρήκε έμπνευση κοιτάζοντας πίσω στο χρόνο πάνω από 530 εκατομμύρια χρόνια στην έκρηξη της Κάμβριας, όταν εμφανίστηκαν για πρώτη φορά πολυάριθμα είδη ζώων που κατοικούσαν στη στεριά. Μια ισχυρή θεωρία υποστηρίζει ότι η έκρηξη νέων ειδών προκλήθηκε εν μέρει από την εμφάνιση ματιών που μπορούσαν να δουν τον κόσμο γύρω τους για πρώτη φορά. Η Li συνειδητοποίησε ότι η όραση στα ζώα δεν εμφανίζεται ποτέ μόνη της, αλλά αντίθετα είναι «βαθιά ενσωματωμένη σε ένα ολιστικό σώμα που χρειάζεται να κινείται, να πλοηγείται, να επιβιώνει, να χειρίζεται και να αλλάζει στο ταχέως μεταβαλλόμενο περιβάλλον», είπε. «Γι’ αυτό ήταν πολύ φυσικό για μένα να στραφώ προς ένα πιο ενεργό όραμα [για την τεχνητή νοημοσύνη]».

Σήμερα, η δουλειά του Li επικεντρώνεται σε πράκτορες AI που δεν δέχονται απλώς στατικές εικόνες από ένα σύνολο δεδομένων, αλλά μπορούν να μετακινούνται και να αλληλεπιδρούν με το περιβάλλον τους σε προσομοιώσεις τρισδιάστατων εικονικών κόσμων.

Αυτός είναι ο ευρύς στόχος ενός νέου πεδίου που είναι γνωστό ως ενσωματωμένη τεχνητή νοημοσύνη, και ο Λι δεν είναι ο μόνος που το αγκαλιάζει. Αλληλεπικαλύπτεται με τη ρομποτική, καθώς τα ρομπότ μπορούν να είναι το φυσικό ισοδύναμο των ενσωματωμένων πρακτόρων τεχνητής νοημοσύνης στον πραγματικό κόσμο και η ενισχυτική μάθηση — η οποία πάντα εκπαίδευε έναν διαδραστικό πράκτορα να μαθαίνει χρησιμοποιώντας μακροπρόθεσμες ανταμοιβές ως κίνητρο. Ωστόσο, ο Li και άλλοι πιστεύουν ότι η ενσωματωμένη τεχνητή νοημοσύνη θα μπορούσε να τροφοδοτήσει μια σημαντική μετατόπιση από τις μηχανές που μαθαίνουν απλές ικανότητες, όπως η αναγνώριση εικόνων, στο να μάθουν πώς να εκτελούν σύνθετες ανθρώπινες εργασίες με πολλά βήματα, όπως η κατασκευή ομελέτας.

«Φυσικά, γινόμαστε πιο φιλόδοξοι και λέμε: "Εντάξει, τι θα λέγατε να φτιάξουμε έναν ευφυή πράκτορα;" Και σε εκείνο το σημείο, θα σκεφτείτε την ενσωματωμένη τεχνητή νοημοσύνη», είπε Jitendra Malik, επιστήμονας υπολογιστών στο Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ.

Η εργασία στην ενσωματωμένη τεχνητή νοημοσύνη σήμερα περιλαμβάνει οποιονδήποτε παράγοντα που μπορεί να διερευνήσει και να αλλάξει το δικό του περιβάλλον. Ενώ στη ρομποτική ο πράκτορας AI ζει πάντα σε ένα ρομποτικό σώμα, οι σύγχρονοι πράκτορες σε ρεαλιστικές προσομοιώσεις μπορεί να έχουν ένα εικονικό σώμα ή μπορεί να αισθάνονται τον κόσμο μέσα από ένα κινούμενο πλεονέκτημα κάμερας που μπορεί ακόμα να αλληλεπιδράσει με το περιβάλλον τους. «Η έννοια της ενσάρκωσης δεν είναι το ίδιο το σώμα, είναι η ολιστική ανάγκη και η λειτουργικότητα της αλληλεπίδρασης και του να κάνεις πράγματα με το περιβάλλον σου», είπε ο Λι.

Αυτή η διαδραστικότητα δίνει στους πράκτορες έναν εντελώς νέο - και σε πολλές περιπτώσεις, καλύτερο - τρόπο μάθησης για τον κόσμο. Είναι η διαφορά ανάμεσα στο να παρατηρείς μια πιθανή σχέση μεταξύ δύο αντικειμένων και να είσαι αυτός που θα πειραματιστεί και θα προκαλέσει τη σχέση να συμβεί μόνος σου. Οπλισμένοι με αυτή τη νέα κατανόηση, η σκέψη πάει, θα ακολουθήσει μεγαλύτερη ευφυΐα. Και με μια σειρά νέων εικονικών κόσμων σε λειτουργία, οι ενσωματωμένοι πράκτορες τεχνητής νοημοσύνης έχουν ήδη αρχίσει να προσφέρουν αυτές τις δυνατότητες, σημειώνοντας σημαντική πρόοδο στα νέα τους περιβάλλοντα.

«Αυτή τη στιγμή, δεν έχουμε καμία απόδειξη ευφυΐας που να μην μαθαίνει μέσω της αλληλεπίδρασης με τον κόσμο», είπε. Βίβιαν Κλέι, ένας ενσωματωμένος ερευνητής AI στο Πανεπιστήμιο του Osnabrück στη Γερμανία.

Προς μια Τέλεια Προσομοίωση

Ενώ οι ερευνητές ήθελαν από καιρό να δημιουργήσουν ρεαλιστικούς εικονικούς κόσμους για να εξερευνήσουν οι πράκτορες της τεχνητής νοημοσύνης, μόλις τα τελευταία πέντε χρόνια μπορούσαν να αρχίσουν να τους κατασκευάζουν. Η ικανότητα προήλθε από βελτιώσεις στα γραφικά που προήλθαν από τη βιομηχανία ταινιών και βιντεοπαιχνιδιών. Το 2017, οι πράκτορες τεχνητής νοημοσύνης θα μπορούσαν να γίνουν σπίτι στους πρώτους εικονικούς κόσμους που θα απεικονίσουν ρεαλιστικά εσωτερικούς χώρους — σε κυριολεκτικά, αν και εικονικά, σπίτια. Κάλεσε ένας προσομοιωτής AI2-Thor, που κατασκευάστηκε από επιστήμονες υπολογιστών στο Allen Institute for AI, επιτρέπει στους πράκτορες να περιπλανηθούν σε νατουραλιστικές κουζίνες, μπάνια, σαλόνια και υπνοδωμάτια. Οι πράκτορες μπορούσαν να μελετήσουν τρισδιάστατες όψεις που θα μετατοπίζονταν καθώς κινούνταν, εκθέτοντας νέες γωνίες όταν αποφάσιζαν να ρίξουν μια πιο προσεκτική ματιά.

Τέτοιοι νέοι κόσμοι έδωσαν επίσης στους πράκτορες την ευκαιρία να σκεφτούν τις αλλαγές σε μια νέα διάσταση: τον χρόνο. «Αυτή είναι η μεγάλη διαφορά», είπε Μανώλης Σάββα, ερευνητής γραφικών υπολογιστών στο Πανεπιστήμιο Simon Fraser που έχει δημιουργήσει πολλούς εικονικούς κόσμους. «Στη ρύθμιση της ενσωματωμένης τεχνητής νοημοσύνης… έχετε αυτή τη χρονικά συνεκτική ροή πληροφοριών και έχετε τον έλεγχό της».

Αυτοί οι προσομοιωμένοι κόσμοι είναι πλέον αρκετά καλοί για να εκπαιδεύσουν πράκτορες να κάνουν εντελώς νέες εργασίες. Αντί να αναγνωρίζουν απλώς ένα αντικείμενο, μπορούν να αλληλεπιδράσουν μαζί του, να το σηκώσουν και να πλοηγηθούν γύρω του — φαινομενικά μικρά βήματα αλλά απαραίτητα για κάθε πράκτορα να κατανοήσει το περιβάλλον του. Και στο 2020, Οι εικονικοί πράκτορες ξεπέρασαν την όραση για να ακούσουν τους ήχους που κάνουν τα εικονικά πράγματα, παρέχοντας έναν άλλο τρόπο για να μάθετε για τα αντικείμενα και τον τρόπο λειτουργίας τους στον κόσμο.

Αυτό δεν σημαίνει ότι η δουλειά έχει τελειώσει. «Είναι πολύ λιγότερο πραγματικό από τον πραγματικό κόσμο, ακόμη και ο καλύτερος προσομοιωτής», είπε ο Daniel Yamins, επιστήμονας υπολογιστών στο Πανεπιστήμιο του Στάνφορντ. Με συναδέλφους στο MIT και την IBM, ο Yamins ανέπτυξε από κοινού ThreeDWorld, το οποίο δίνει μεγάλη έμφαση στη μίμηση της φυσικής της πραγματικής ζωής σε εικονικούς κόσμους — πράγματα όπως το πώς συμπεριφέρονται τα υγρά και πώς ορισμένα αντικείμενα είναι άκαμπτα σε μια περιοχή και μαλακά σε άλλες.

«Αυτό είναι πραγματικά δύσκολο να γίνει», είπε ο Σάββα. «Είναι μια μεγάλη ερευνητική πρόκληση».

Ωστόσο, είναι αρκετό για τους πράκτορες AI να αρχίσουν να μαθαίνουν με νέους τρόπους.

Σύγκριση νευρωνικών δικτύων

Μέχρι στιγμής, ένας εύκολος τρόπος μέτρησης της προόδου της ενσωματωμένης τεχνητής νοημοσύνης είναι η σύγκριση της απόδοσης των ενσωματωμένων πρακτόρων με αλγόριθμους που έχουν εκπαιδευτεί στις απλούστερες, στατικές εργασίες εικόνας. Οι ερευνητές σημειώνουν ότι αυτές οι συγκρίσεις δεν είναι τέλειες, αλλά τα πρώτα αποτελέσματα δείχνουν ότι οι ενσωματωμένοι πράκτορες τεχνητής νοημοσύνης μαθαίνουν διαφορετικά - και μερικές φορές καλύτερα - από τους προγόνους τους.

Σε ένα πρόσφατο χαρτί, οι ερευνητές βρήκαν ότι ένας ενσωματωμένος παράγοντας τεχνητής νοημοσύνης ήταν πιο ακριβής στον εντοπισμό συγκεκριμένων αντικειμένων, βελτιώνοντας την παραδοσιακή προσέγγιση κατά σχεδόν 12%. «Η κοινότητα ανίχνευσης αντικειμένων χρειάστηκε περισσότερα από τρία χρόνια για να επιτύχει αυτό το επίπεδο βελτίωσης», είπε Roozbeh Mottaghi, συν-συγγραφέας και επιστήμονας υπολογιστών στο Allen Institute for AI. «Απλώς αλληλεπιδρώντας με τον κόσμο, καταφέραμε να κερδίσουμε τόση βελτίωση», είπε.

Άλλα έγγραφα έχουν δείξει ότι η ανίχνευση αντικειμένων βελτιώνεται μεταξύ των παραδοσιακά εκπαιδευμένων αλγορίθμων όταν τους τοποθετείτε σε ενσωματωμένη μορφή και τους επιτρέπετε να διερευνήσει έναν εικονικό χώρο μόνο μία φορά ή όταν τους αφήνετε να κυκλοφορούν για να συγκεντρωθούν πολλαπλές προβολές αντικειμένων.

Οι ερευνητές διαπιστώνουν επίσης ότι οι ενσωματωμένοι και οι παραδοσιακοί αλγόριθμοι μαθαίνουν θεμελιωδώς διαφορετικά. Για αποδεικτικά στοιχεία, εξετάστε το νευρικό σύστημα — το βασικό συστατικό πίσω από τις μαθησιακές ικανότητες κάθε ενσωματωμένου και πολλών μη ενσωματωμένων αλγορίθμων. Ένα νευρωνικό δίκτυο είναι ένας τύπος αλγορίθμου με πολλά στρώματα συνδεδεμένων κόμβων τεχνητών νευρώνων, χαλαρά διαμορφωμένοι σύμφωνα με τα δίκτυα στον ανθρώπινο εγκέφαλο. Σε δύο ξεχωριστά χαρτιά, το ένα με επικεφαλής τον Κλέι και το άλλο από Γκρέις Λίντσεϊ, ένας εισερχόμενος καθηγητής στο Πανεπιστήμιο της Νέας Υόρκης, οι ερευνητές διαπίστωσαν ότι τα νευρωνικά δίκτυα σε ενσωματωμένους παράγοντες είχαν λιγότερους νευρώνες ενεργούς ως απόκριση σε οπτικές πληροφορίες, που σημαίνει ότι κάθε μεμονωμένος νευρώνας ήταν πιο επιλεκτικός ως προς το τι θα ανταποκρινόταν. Τα μη ενσωματωμένα δίκτυα ήταν πολύ λιγότερο αποτελεσματικά και απαιτούσαν πολύ περισσότερους νευρώνες για να είναι ενεργοί τις περισσότερες φορές. Η ομάδα του Lindsay συνέκρινε ακόμη και τα ενσωματωμένα και τα μη ενσωματωμένα νευρωνικά δίκτυα με τη νευρωνική δραστηριότητα σε έναν ζωντανό εγκέφαλο - τον οπτικό φλοιό ενός ποντικιού - και βρήκε ότι οι ενσωματωμένες εκδόσεις ταιριάζουν περισσότερο.

Η Lindsay σπεύδει να επισημάνει ότι αυτό δεν σημαίνει απαραίτητα ότι οι ενσωματωμένες εκδόσεις είναι καλύτερες – είναι απλώς διαφορετικές. Σε αντίθεση με τα έγγραφα ανίχνευσης αντικειμένων, το έργο του Clay και του Lindsay που συγκρίνει τις υποκείμενες διαφορές στα ίδια νευρωνικά δίκτυα κάνει τους πράκτορες να κάνουν τελείως διαφορετικές εργασίες — έτσι θα μπορούσαν να χρειαστούν νευρωνικά δίκτυα που λειτουργούν διαφορετικά για να επιτύχουν τους στόχους τους.

Όμως, ενώ η σύγκριση των ενσωματωμένων νευρωνικών δικτύων με τα μη ενσωματωμένα είναι ένα μέτρο προόδου, οι ερευνητές δεν ενδιαφέρονται πραγματικά να βελτιώσουν την απόδοση των ενσωματωμένων πρακτόρων στις τρέχουσες εργασίες. αυτή η γραμμή εργασίας θα συνεχιστεί χωριστά, χρησιμοποιώντας παραδοσιακά εκπαιδευμένη τεχνητή νοημοσύνη. Ο πραγματικός στόχος είναι να μάθουν πιο περίπλοκες, ανθρώπινες εργασίες, και εκεί είναι που οι ερευνητές ενθουσιάστηκαν περισσότερο βλέποντας σημάδια εντυπωσιακής προόδου, ιδιαίτερα στις εργασίες πλοήγησης. Εδώ, ένας πράκτορας πρέπει να θυμάται τον μακροπρόθεσμο στόχο του προορισμού του, ενώ σφυρηλατεί ένα σχέδιο για να φτάσει εκεί χωρίς να χαθεί ή να μπει σε αντικείμενα.

Σε λίγα μόλις χρόνια, μια ομάδα με επικεφαλής Ντριβ Μπάτρα, διευθυντής έρευνας στο Meta AI και επιστήμονας υπολογιστών στο Ινστιτούτο Τεχνολογίας της Τζόρτζια, βελτιώθηκε γρήγορα απόδοση σε έναν συγκεκριμένο τύπο εργασίας πλοήγησης που ονομάζεται πλοήγηση σημείου-στόχου. Εδώ, ένας πράκτορας απορρίπτεται σε ένα ολοκαίνουργιο περιβάλλον και πρέπει να πλοηγηθεί για να στοχεύσει συντεταγμένες σε σχέση με την αρχική θέση («Μετάβαση στο σημείο που είναι 5 μέτρα βόρεια και 10 μέτρα ανατολικά») χωρίς χάρτη. Δίνοντας στους πράκτορες ένα GPS και μια πυξίδα και εκπαιδεύοντάς το στον εικονικό κόσμο του Meta, καλείται Οικότοπος AI, "καταφέραμε να έχουμε ακρίβεια μεγαλύτερη από 99.9% σε ένα τυπικό σύνολο δεδομένων", είπε ο Batra. Και αυτό μήνας, επέκτεισαν με επιτυχία τα αποτελέσματα σε ένα πιο δύσκολο και ρεαλιστικό σενάριο όπου ο πράκτορας δεν έχει GPS ή πυξίδα. Ο πράκτορας έφτασε σε ακρίβεια 94% καθαρά εκτιμώντας τη θέση του με βάση τη ροή των pixel που βλέπει ενώ κινείται.

«Αυτή είναι φανταστική πρόοδος», είπε ο Mottaghi. "Ωστόσο, αυτό δεν σημαίνει ότι η πλοήγηση είναι μια λυμένη εργασία." Εν μέρει, αυτό οφείλεται στο ότι πολλοί άλλοι τύποι εργασιών πλοήγησης που χρησιμοποιούν πιο σύνθετες γλωσσικές οδηγίες, όπως «Περάστε από την κουζίνα για να ανακτήσετε τα ποτήρια στο κομοδίνο στην κρεβατοκάμαρα», παραμένουν σε ακρίβεια μόνο περίπου 30% έως 40%.

Αλλά η πλοήγηση εξακολουθεί να αντιπροσωπεύει μια από τις απλούστερες εργασίες στην ενσωματωμένη τεχνητή νοημοσύνη, καθώς οι πράκτορες κινούνται μέσα στο περιβάλλον χωρίς να χειρίζονται τίποτα σε αυτό. Μέχρι στιγμής, οι ενσωματωμένοι πράκτορες AI απέχουν πολύ από το να κατακτήσουν οποιαδήποτε εργασία με αντικείμενα. Μέρος της πρόκλησης είναι ότι όταν ο πράκτορας αλληλεπιδρά με νέα αντικείμενα, υπάρχουν πολλοί τρόποι που μπορεί να πάει στραβά και τα λάθη μπορεί να συσσωρευτούν. Προς το παρόν, οι περισσότεροι ερευνητές το ξεπερνούν επιλέγοντας εργασίες με λίγα μόνο βήματα, αλλά οι περισσότερες ανθρώπινες δραστηριότητες, όπως το ψήσιμο ή το ψήσιμο των πιάτων, απαιτούν μεγάλες ακολουθίες ενεργειών με πολλά αντικείμενα. Για να φτάσουν εκεί, οι πράκτορες AI θα χρειαστούν μεγαλύτερη ώθηση.

Και εδώ, η Li μπορεί να είναι στην πρώτη γραμμή, έχοντας αναπτύξει ένα σύνολο δεδομένων που ελπίζει ότι θα κάνει για την ενσωματωμένη τεχνητή νοημοσύνη ό,τι έκανε το έργο της ImageNet για την αναγνώριση αντικειμένων AI. Όταν κάποτε χάρισε στην κοινότητα της τεχνητής νοημοσύνης ένα τεράστιο σύνολο δεδομένων εικόνων για τα εργαστήρια για την τυποποίηση των δεδομένων εισόδου, η ομάδα της κυκλοφόρησε τώρα ένα τυποποιημένο προσομοιωμένο σύνολο δεδομένων με 100 ανθρώπινες δραστηριότητες για τους πράκτορες που μπορούν να δοκιμαστούν σε οποιονδήποτε εικονικό κόσμο. Δημιουργώντας μετρήσεις που συγκρίνουν τους πράκτορες που κάνουν αυτές τις εργασίες με πραγματικά βίντεο ανθρώπων που κάνουν την ίδια εργασία, το νέο σύνολο δεδομένων του Li θα επιτρέψει στην κοινότητα να αξιολογήσει καλύτερα την πρόοδο των πρακτόρων εικονικής τεχνητής νοημοσύνης.

Μόλις οι πράκτορες επιτύχουν σε αυτές τις περίπλοκες εργασίες, ο Λι βλέπει τον σκοπό της προσομοίωσης ως εκπαίδευση για τον απόλυτο ευέλικτο χώρο: τον πραγματικό κόσμο.

«Η προσομοίωση είναι ένας από τους πιο σημαντικούς, κατά τη γνώμη μου, τομείς της ρομποτικής έρευνας», είπε.

Τα νέα ρομποτικά σύνορα

Τα ρομπότ είναι, εγγενώς, ενσωματωμένοι πράκτορες πληροφοριών. Με το να κατοικούν κάποιο είδος φυσικού σώματος στον πραγματικό κόσμο, αντιπροσωπεύουν την πιο ακραία μορφή ενσωματωμένων παραγόντων AI. Αλλά πολλοί ερευνητές ανακαλύπτουν τώρα ότι ακόμη και αυτοί οι πράκτορες μπορούν να επωφεληθούν από την εκπαίδευση σε εικονικούς κόσμους.

«Οι αλγόριθμοι τελευταίας τεχνολογίας [στη ρομποτική], όπως η ενισχυτική μάθηση και αυτά τα είδη πραγμάτων, συνήθως απαιτούν εκατομμύρια επαναλήψεις για να μάθουν κάτι ουσιαστικό», είπε ο Mottaghi. Ως αποτέλεσμα, η εκπαίδευση πραγματικών ρομπότ σε δύσκολες εργασίες μπορεί να διαρκέσει χρόνια.

Αλλά η εκπαίδευσή τους σε εικονικούς κόσμους προσφέρει πρώτα την ευκαιρία να εκπαιδεύονται πολύ πιο γρήγορα από ό,τι σε πραγματικό χρόνο, και χιλιάδες πράκτορες μπορούν να εκπαιδεύονται ταυτόχρονα σε χιλιάδες ελαφρώς διαφορετικά δωμάτια. Επιπλέον, η εικονική εκπαίδευση είναι επίσης ασφαλέστερη για το ρομπότ και κάθε κοντινό άνθρωπο στο πέρασμά του.

Πολλοί ρομποτικοί άρχισαν να παίρνουν πιο σοβαρά τους προσομοιωτές 2018, όταν ερευνητές στο OpenAI απέδειξαν ότι η μεταφορά δεξιοτήτων από την προσομοίωση στον πραγματικό κόσμο ήταν δυνατή. Εκπαίδευσαν ένα ρομποτικό χέρι για να χειριστεί έναν κύβο που είχε δει μόνο σε προσομοιώσεις. Οι πιο πρόσφατες επιτυχίες το επέτρεψαν αεροσκάφη που φέρουν για να μάθετε πώς να αποφεύγετε τις συγκρούσεις στον αέρα, αυτο-οδήγηση αυτοκινήτων για να αναπτυχθούν σε αστικά περιβάλλοντα σε δύο διαφορετικές ηπείρους, και τετράποδα ρομπότ σαν σκυλιά ολοκληρώστε μια ωριαία πεζοπορία στις Ελβετικές Άλπεις ταυτόχρονα παίρνει τους ανθρώπους.

Στο μέλλον, οι ερευνητές ενδέχεται επίσης να κλείσουν το χάσμα μεταξύ των προσομοιώσεων και του πραγματικού κόσμου στέλνοντας ανθρώπους στον εικονικό χώρο μέσω ακουστικών εικονικής πραγματικότητας. Βασικός στόχος της έρευνας στη ρομποτική, σημειώνει Ντίτερ Φοξ, ο ανώτερος διευθυντής έρευνας ρομποτικής στη NVIDIA και καθηγητής στο Πανεπιστήμιο της Ουάσιγκτον, πρόκειται να κατασκευάσει ρομπότ που είναι χρήσιμα για τον άνθρωπο στον πραγματικό κόσμο. Αλλά για να γίνει αυτό, πρέπει πρώτα να εκτεθούν και να μάθουν πώς να αλληλεπιδρούν με τους ανθρώπους.

«Η χρήση της εικονικής πραγματικότητας για να φέρει τους ανθρώπους σε αυτά τα προσομοιωμένα περιβάλλοντα και να τους επιτρέψει να επιδείξουν πράγματα και να αλληλεπιδράσουν με τα ρομπότ θα είναι πολύ ισχυρή», είπε ο Fox.

Είτε υπάρχουν σε προσομοιώσεις είτε στον πραγματικό κόσμο, οι ενσωματωμένοι πράκτορες AI μαθαίνουν περισσότερα όπως εμείς, σε εργασίες που μοιάζουν περισσότερο με αυτές που κάνουμε καθημερινά. Και το πεδίο προχωρά σε όλα τα μέτωπα ταυτόχρονα — νέους κόσμους, νέες εργασίες και νέους αλγόριθμους εκμάθησης.

«Βλέπω μια σύγκλιση βαθιάς μάθησης, ρομποτικής μάθησης, όρασης και ακόμη και γλώσσας», είπε ο Λι. «Και τώρα νομίζω ότι μέσα από αυτό το φεγγάρι ή το Βόρειο Αστέρι προς την ενσωματωμένη τεχνητή νοημοσύνη, θα μάθουμε τη θεμελιώδη τεχνολογία της νοημοσύνης, ή AI, που μπορεί πραγματικά να οδηγήσει σε σημαντικές ανακαλύψεις».