您是否曾经想过为什么您不能创建适应现实世界的机器人？显然，人工智能模型（AI）越来越攀登，单个身体的功能正在加强。但是，当合并的机器人执行集体任务时，它们通常会“跌落”，因为它们的响应太多以无法跟上实时任务或无法适应新方案。今天，英国剑桥大学的计算机和技术科学系集体和机器人情报教授阿曼达·普雷洛克（Amanda Prelock）在《科学杂志》（Science Journal Science）机器人机器人方面发表了一篇意见文章，揭示了机器人中“集体情报失败”的原因，该原因专注于独立运作的个别机器人。简而言之，机器人情报的未来不是“征服世界的超级大脑”，而不是与一群专业合作伙伴那样，而不是Trthey Abaj。 Prorok教授甚至认为这种方法是“基本的实现机器人自主权的方法是不可扩展的或可持续的，因为规模方法表明，实现更复杂的行为需要不成比例的投资。她提议研究人员需要进行范式变化：设计一组由多样化和专业的机器人组成的机器人，以便作为较大系统的一部分，文章链接。文章链接： www.science.org/doi/10.1126/scirobotics.adv4049今天，一个模型不能走得更远，这是基于具有集中控制的大型机器人，试图完成所有任务，例如导航，感知，互动，但是，与他人互动，如今，代理人之间的集体行动通常被视为偶然性的，而不是智力本质的组成部分。系统，在设计开始时，考虑了与其他代理（例如机器和人类）进行互动的需求。它没有完成。 AI的现有认知框架和基本教科书仍然定义了经典AI的问题，例如非社交环境中孤立的机器的冲突。同样，机器人自治立场的传统定义独立机器人作为代理，可以独立于环境对待而无需依赖外部因素。深度学习规模的法律表明，模型的规模和对数据的需求呈指数增长，以使机器人行为更加复杂。当前，典型的AI产品使用集中的整体架构，参数量表达到数百万或数十亿。这意味着，要使您的机器人变得更聪明，您必须指数级投入精力，时间和金钱。更糟糕的是，这些伟大的模型根本不实用。模型本身的计算需要数百GB的备忘录Y，并且正向传播延迟现在只能在较低的速度下脱离线，并且无法做出响应，这使得很难实现机器人应用程序的许多阶段，因为它们用于高频控制场景。下图显示了两个平台上四个大型模型的性能。数据表明，甚至更强大的开发板，只有较小的模型几乎不能遵守“真实时间响应”标准。图|比较两个平台上Dinov2模型的推理频率（a）。显示了模型（B）数据的线性调整。 Intelligencection CIA：1+1超过2位Prorok教授说，机器人研究领域目前符合自主系统体系结构中准备就绪，密集和整体模型的趋势，而这项决定 – 制定设计推动了通用机器人开发的繁荣。但是，智能不是一个超级体验，也不是所有可以被视为SI的任务ngle超级机器人。单个模型不起作用，所以您可以让机器人作为人类合作吗？答案是肯定的。科学家们应该更多地专注于相互依存的机器人群体的设计，而不是追求由同一通用大脑控制的独立机器人，该机器人应更加专注，并能够作为较大系统的一部分一起工作。我认为是这样。因此，集体机器人智能需要在硬件和软件设计中采用更模块化的设计方法。 Janthis Architecture，多种模型不仅可以互相学习，而且可以在实体之间和之间进行交互。首先，集体信息核心是劳工专业部门。取而代之的是，该模型照顾一切，每个机器人都专注于技能，并通过协作结合复杂的技能。由使用专业模型的代理商组成的群体可以通过相结合的技能和以新颖而未反应的方式整合个人技能来实现多木的改进。这个自动标准方法与模块化结合，可以使代理和机器人有效地模拟巨型神经元网络的行为模式，并在执行时间内动态重组以适应任务的要求并实现“超细胞增益”。随着技能组合的数量的增加，性能Ratesthey进一步与单个模型的改进作斗争。图|机器人模型集群量表方法图2，只能通过小组社会学习来学习一些技能。基于从头开始培训的概念，协作学习过程还允许单个专家模型获得对其独特能力和局限性的更深入的了解。这种看法鼓励人们在什么情况下以及在哪些情况下与其他模型一起工作以克服其缺陷并实现更复杂的任务的理解。思想理论和元认知都不是天生的，它们是在集体环境中学到的。这些技能非常重要涉及与人类以及其他代理和机器人互动的任务。此外，即使通过加速学习过程和长期效果的优化，集体学习也可以提高单个代理的性能。这个优势来自共享机制的经验。在机器人领域，进行物理操作而不是虚拟模拟，因此收集实验数据通常是昂贵，危险甚至是安全性的风险。根据他人的经验，学习过程可以是催化剂，更重要的是，重复性和危险行为可以避免。共享知识还可以通过共享和共享特定技能来缓解遗忘的灾难性问题。集体智能不仅仅是“制作数字”。当然，“与一组机器人的合作”并不像组装多个机器人那么容易。在这个赛场中，仍然有许多挑战必须解决D此时，研究人员必须继续“通过障碍”。第一级是“协作方法”的技术级别。机器人之间的当前显式本地交互通常取决于狭窄的频段通信网络。但是，如何设计形式来帮助机器人确定“通信内容，时间，对象”是一个未解决的问题。机器人之间的大多数通信都是基于狭窄的频段网络，这使得很难设计一种“说什么和何时说”的策略。一些研究人员正在尝试使用可区分的通信渠道，以使机器人能够使用图形神经网络自动生成交互式信号并计划协作路线，但是这些技术仍处于早期阶段。需要更多的研究来了解这些新方法在稳健和自适应机器人群体的构建中的补偿和局限性。第二级是“实施方法”的设计级别。尽管有该领域的快速进步，“机器人混合”范式的概念仍然未知，这使得很难管理可以处理不同行动领域的模型，这可能不会叠加。在“混合机器人”方法中，可以将此问题转化为连接不同模型的算法或机制。尽管初步研究可以将研究结果用作集成模型，混合专家，超核和分层学习，但最终目标是根据基本任务的要求组装机器人群集。这些方面仍然存在许多技术差距，尤其是专业机器人技能和行为的结合。第三级是“评估方法”的标准级别。当前的性能定义仍然存在于基本级别，在许多情况下，单个机器人简化了模型T中学习划分或优化目标的替代指标，但忽略了最复杂的AND综合指标，例如团队满意度和集体抵抗。该评估系统没有考虑到任务的多样性，也没有考虑团队适应各种协作，对象和类型场景的组成能力。结果，该系统可以与独立的对照测试一起效果很好，但是在需要灵活的团队工作或需要精确角色的环境中不能这样做。因此，Prorok教授建议必须制定更全面的参考标准，以建立超过纯人成功率的全面评估系统。如今，使用AI技术很重要，但是真正的进步必须抵制诱惑，以避免短期利润的深层基本挑战。在Prorok教授中，未来的机器人不是一个独特的，巨大的模型，而是一个隐性的合作团队。当机器人学习“制服”时，他们确实具有进入现实世界的能力。汇编：如果小纽需要压抑或发送文章，请直接将消息留给您的官方帐户
特殊声明：先前的内容（包括照片和视频（如果有），如有）已由网络自我媒体平台的用户收费和发布。该平台仅提供信息存储服务。
请注意：C的Up The Ontent（包括照片和视频，如果有照片和视频），由NetEase Hao的用户（社交网络平台）的用户加载和发布，仅提供信息存储服务。
别再着迷于“ AI Super Brain”！剑桥教授出版：机器人集体情报是未来
