چرا فیسبوک در صنعت رباتیک تحقیقات می‌کند؟

فیسبوک حوزه‌ی تحقیقات رباتیک را به فعالیت‌های خود افزوده است و به‌نظر می‌رسد برنامه‌هایی جدی برای آینده‌ی این صنعت در نظر داشته باشد.

فیسبوک به‌دنبال افزایش تحقیقات در حوزه‌ی رباتیک است. شاید شنیدن این خبر در نگاه اول باعث تعجب همه شود که چرا غول شبکه‌های اجتماعی به‌جای پرداختن به مسائل تخصصی خود، حوزه‌های جدید را برای فعالیت انتخاب می‌کند. به‌هرحال فیسبوک سازمانی بزرگ است که اولویت‌های متعددی را برای رقابت در نظر می‌گیرد. به‌علاوه شاید تحقیقات فیسبوک در حوزه‌ی رباتیک، تأثیر مستقیمی بر تجربه‌‌ی کاربران در شبکه‌ی اجتماعی نداشته باشد، اما آن‌چه آن‌ها از تحقیقات می‌آموزند، احتمالا مفید واقع خواهد شد.

اگرچه صنعت رباتیک به‌عنوان فعالیتی جدید از سوی فیسبوک شناخته می‌شود، فعالیت آن‌ها در حوزه‌ی هوش مصنوعی، تایخچه‌ای طولانی دارد. امروزه مکانیزم‌هایی که با هوش مصنوعی پیاده می‌شوند، تقریبا همه‌ی بخش‌ها از جلوه‌های تصویری شبکه‌های اجتماعی تا مدیریت خودکار محتوا را بر عهده می‌گیرند.

هوش مصنوعی و رباتیک، حوزه‌های مشترک زیادی با هم دارند. به‌همین دلیل پیشرفت در یکی از آن‌ها می‌تواند به سود حوزه‌ی دیگر هم باشد. به‌علاوه دستاوردهای جدید در هر حوزه می‌تواند زمینه‌ای برای تحقیقات بیشتر در حوزه‌ی دوم را فراهم کند. به‌همین دلیل نمی‌توان تعجب کرد که فیسبوک با آن سابقه و علاقه‌ی شدید به هوش مصنوعی، در صنعت رباتیک نیز وارد شود. شاید آن‌ها قصد دارند با تحقیقات در این حوزه، بینش و چشم‌اندازهای جدید در بخش هوش مصنوعی دریافت کنند. در ادامه نگاهی به پروژه‌های در حال اجرای تیم تحقیقات رباتیک فیسبوک و کاربردهای آن‌ها خواهیم داشت.

یادگیری راه رفتن

راه رفتن یکی از پیچیده‌ترین یا مجموعه‌ای از پیچیده‌ترین عملکردهای بدنی محسوب می‌شود. به‌علاوه وقتی با رباتی ۶ پا روبه‌رو باشیم، راه رفتن پیچیده‌تر هم می‌شود. ربات‌های مورد تحقیق فیسبوک از همین نوع هستند. مهندسان می‌توانند ربات‌ها را به‌گونه‌ای برنامه‌ریزی کنند که راه بروند. البته با چنین روشی به‌نوعی راه رفتن را به آن‌ها آموخته‌اند. انسان‌ها هیچ‌گاه با آموزش، راه رفتن را نمی‌آموزند. به‌همین دلیل مهندسان فیسبوک تصمیم گرفتند یادگیری راه رفتن را بر عهده‌ی خود ربات بگذارند.

چنین تحقیقاتی در دنیای رباتیک تازگی ندارد. بسیاری از متخصصات رباتیک و محققان هوش مصنوعی مشغول تحقیقات در این بخش هستند. در گذشته مقاله‌ها و دستاوردهای گوناگونی از تیم‌های رباتیک دیده شد که یادگیری راه رفتن را به سوژه‌ی خود اضافه کردند. به‌عنوان نمونه می‌توان به ربات‌های حشره‌ای اشاره کرد که ژاپنی‌ها یادگیری فرایند راه رفتن را به‌عنوان قابلیتی درون آن‌ها قرار دادند.

تیم تحقیقاتی فیسبوک، موارد ابتدایی را به ربات خود اضافه کرده و ساختاری همچون جایزه دادن به‌خاطر راه رفتن را در برنامه‌هایش پیاده‌سازی کرد. هیچ آموزش مستقیمی درباره‌ی نحوه‌ی راه رفتن به ربات داده نشده و همه‌چیز به‌صورتی تجربی آموخته شد. هدف از این پروژه‌ی تحقیقاتی، کاهش حداکثری زمان یادگیری راه رفتن ربات بیان شد.

تحقیقات رباتیک فیسبوک

اکنون این سؤال پیش می‌آید که چنین پروژه‌ای چه فایده‌ای برای فیسبوک خواهد داشت؟ فیسبوک مجموعه‌ای عظیم از داده در اختیار دارد که به‌صورت پیچیده ساختاربندی شده‌اند. البته پیدا کردن مسیر در شبکه‌ای در هم تنیده از اطلاعات، با راه رفتن عادی تفاوت‌های زیادی دارد، اما ایده‌ی اصلی که سیستمی با استفاده از قوانین مختصر و در زمانی کوتاه، فعالیت‌ها را بیاموزد، در هر دو صورت مسئله مشترک است.

فرایند اصلی یادگیری توسط هوش مصنوعی و چگونگی از راه برداشتن موانع، دور زدن قوانین و پردازش داده‌ها و موارد دیگر، همگی برای کارگزاران هوش مصنوعی اهمیت دارند. کارگزارانی که در آینده در دنیای فیزیکی یا مجازی فعالیت خواهند کرد. شاید در مرتبه‌ی بعدی که فیسبوک قصد نظارت بر پلتفرم خود را داشته باشد، مدل هوش مصنوعی با قوانینی کار کند که در نتیجه‌ی همین یادگیری کسب خواهد کرد.

بهره‌گیری از کنجکاوی

پروژه‌ی دیگر فیسبوک جلوه‌ی فیزیکی ندارد، اما مرتبط‌تر با فرایندهای اصلی شرکت خواهد بود. همه‌ی مردم، تا حدودی حس کنجکاوی دارند و با وجود آن که از خطرات احتمالی آن مطلع می‌شوند، باز هم با بهره‌گیری از همین حس، یادگیری پربازده‌تری خواهند داشت. فیسبوک حس کنجکاوی را به یک بازوی رباتیک اضافه کرد که وظیفه‌ی انجام اموری ساده را بر عهده داشت.

شاید در نگاه اول عجیب به نظر برسد که حس کنجکاوی در رباتی اضافه شود. در تعریف دقیق‌تر باید بگوییم که هوش مصنوعی موجود در ربات، با اضافه شدن بخش کنجکاوی انگیزه می‌گیرد تا در فرایندهای خود به‌دنبال راه‌هایی برای کاهش عدم قطعیت باشد.

کنجکاوی در بازوی رباتیک، دستاوردهای گوناگونی خواهد داشت. به‌عنوان مثال تغییر زاویه‌ی دوربین از سوی آن، با هدف بهبود دید و انتخاب صحیح‌تر اجسام انجام می‌شود. شاید با اضافه شدن کنجکاوی، ربات مقصد خود را پیش از انجام عمل بررسی کند تا گذاشتن اجسام با فاصله و دقت عالی‌تر انجام شود. به‌هرحال، اضافه شدن قابلیتی که منجر به انجام مطمئن‌‌تر فرایندها می‌شود، درنهایت به افزایش سرعت خواهد انجامید. البته شاید در ابتدا کمی با کاهش سرعت به‌خاطر کنجکاوی پیش از تصمیم‌ها روبه‌رو شویم.

تحقیقات رباتیک فیسبوک

درباره‌ی فواید این دستاورد برای فیسبوک باید بدانید که غول شبکه‌های اجتماعی، تخصصی عمیق در بینایی کامپیوتری دارد. نمونه‌هایی از تخصص آن‌ها را در دستگاه هوشمند Portal دیده‌ایم که کاربر را دنبال کرده و پردازش تصویری دقیقی هم ارائه می‌کند. کسب اطلاعات از محیط پیرامون، برای این کاربردها و هر مورد دیگری که با دیدن و حس کردن همراه باشد، مفید خواهد بود.

هر دوربینی که داخل یک اپلیکیشن یا دستگاه وجود داشته باشد، به‌صورت دائمی در حال بررسی تصاویر اطراف است تا اطلاعاتی مفید از آن‌ها استخراج کند. به‌همین دلیل وقتی یک چهره وارد تصویر دوربین می‌شود، چندین الگوریتم به کار می‌افتند تا تحلیل اطلاعات را شروع کنند. وقتی دوربین‌ها فرد را می‌بینند، چنین سؤال‌هایی را در الگوریتم‌ها حل می‌کنند: آیا مخاطب جسمی در دست دارد؟ آیا متنی دارد که باید ترجمه شود؟ آیا یک بارکد در دست دارد؟ پس‌زمینه‌ی تصویر چگونه است؟ چه‌قدر با سوژه فاصله دارد؟ به‌علاوه وقتی جلوه‌های واقعیت افزوده در دوربین لحاظ شود، سؤال‌ها بیشتر هم می‌شوند. مثلا هوش مصنوعی باید خطوط چهره و موهای مخاطب را تشخیص دهد تا آن‌ها را با سوژه‌های واقعیت افزوده جایگزین کند.

پیشرفت در صنعت رباتیک به بهبود کارگزارهای هوش مصنوعی هم منجر می‌شود

اگر دوربین یا هر گجت دیگر یا ربات، بخواهد وظایف و سؤال‌های بالا را به‌یک‌باره بررسی کند، قدرت عظیمی از پردازنده مصرف خواهد کرد. چنین رویکردی نه‌تنها مورد پسند کاربر نیست، بلکه مهندسان سیستم نیز به‌دنبال آن نیستند. به‌علاوه اگر بررسی‌ها همیشگی باشند هم نتایج خوبی نخواهند داشت. دراین‌میان اگر کارگزار هوشمند وارد عمل شود و با کمی حس کنجکاوی به‌دنبال کاهش عوامل عدم قطعیت باشد، می‌توان دستاوردی قابل قبول را انتظار داشت. شاید حس کنجکاوی تنها در این بخش برای فیسبوک کاربرد داشته باشد که باتوجه‌به اولویت‌های آن‌ها، بخش مهمی محسوب می‌شود.

دیدن به کمک لمس کردن

بینایی یک حس بسیار مهم برای انسان‌ها و همچنین ربات‌ها محسوب می‌شود، اما ما و ربات‌ها تنها ازطریق این حس با جهان ارتباط برقرار نمی‌کنیم. ربات‌های بسیاری به حسگرهای صوتی، نوری، حرکتی و موارد دیگر مجهز هستند، اما لمس کردن آن‌چنان مرسوم نیست. چالش اصلی در این بخش، کمبود فناوری‌های بازخورد لمسی است. به‌هرحال محققان فیسبوک قصد دارند از همین بازخوردها به‌عنوان کمکی برای داده‌های بصری استفاده کنند.

با نگاهی کلی، می‌توان منطقی بودن طرح مورد نظر را درک کرد. انسان‌های مبتلا به اختلالات بینایی نیز از حس لامسه برای مسیریابی یا درک موقعیت اطراف استفاده می‌کنند. البته نمی‌توان ادعا کرد که آن‌ها به‌کمک لامسه می‌بینند، اما به‌هرحال مفاهیم مشترکی در این تجربه به‌دست می‌آید. محققان فیسبوک در این بخش مدلی از هوش مصنوعی پیاده کردند که عملکرد خود را براساس ویدئو تنظیم می‌کند. ویدئو نیز به‌جای داده‌های واقعی، از داده‌های باکیفیت لمسی به‌دست می‌آید.

در نتیجه‌ی تحقیقات فیسبوک مشخص شد که هوش مصنوعی اهمیتی به دیدن یا ندیدن محیط اطراف نمی‌دهد. تا زمانی‌که داده‌ها به‌صورت تصویری عرضه شوند (حتی به‌صورت نقشه‌ی نقاط فشار روی یک حسگر)، تصمیم‌گیری توسط هوش مصنوعی مانند هر تصویر دیگر انجام می‌شود.

نمی‌توان ادعا کرد که فیسبوک به‌دنبال لمس کردن کاربران از نزدیک باشد، اما کاربرد تحقیقات بالا را نباید تنها در لمس کردن دید. شاید هدف نهایی، باز هم پیاده‌سازی یادگیری در مفاهیم مختلف باشد.

تصور کنید که دو جسم را بدون دیدن و تنها ازطریق لامسه، از هم تشخیص دهید. چنین فرایندی عموما بدیهی به نظر می‌رسد، اما چرا ما چنین توانایی‌هایی داریم؟ چون وقتی جسمی را می‌بینیم، تنها شکل آن را درک نمی‌کنیم، بلکه مدلی از زوایا و احساسات مختلف آن را نیز در ذهن ترسیم می‌کنیم.

شاید روزی بتوان از ترکیب حس‌ها در ربات‌ها استفاده کرد

شاید کارگزارهای هوش مصنوعی هم باید فرایند یادگیری خود را از زمینه‌ای به زمینه‌ی دیگر منتقل کنند. به‌عنوان مثال شاید روزی داده‌های شنوایی به حسگر یک بازو بگویند که جسم را با چه فشاری بگیرد. یا داده‌های تصویری به میکروفن بگویند که چگونه صداها را از هم تشخیص دهد. جهان واقعی پیچیدگی‌های فراوان دارد و داده‌ها نیز در آن پیچیده‌تر  وبیشتر هستند. درنهایت توانایی بهره‌گیری از حجم بالای داده صرف‌نظر از نوع آن، به توانایی در درک و ارتباط با دنیای واقعی منجر می‌شود.

تحقیقات فیسبوک در حوزه‌ی رباتیک را می‌توان به زبان ساده توضیح داد. مهم‌تر از مفاهیم تحقیقات، زمینه‌هایی هستند که از آن‌ها بهره خواهند برد. فیسبوک در پستی وبلاگی درباره‌ی همین کاربردها نوشت:

ما روی فعالیت‌های رباتیک متمرکز شده‌ایم تا نه‌تنها ربات‌ها را بهبود ببخشیم، بلکه مرزهای هوش مصنوعی را نیز در سال‌ها و دهه‌های پیش رو گسترش دهیم. اگر بخواهیم به مفهوم ماشین‌هایی با توانایی فکر کردن، برنامه‌ریزی و منطق شبیه به انسان نزدیک شویم، باید سیستم‌های هوش مصنوعی بسازیم که بتوانند در موضوعات گوناگون و حتی فراتر از دنیای دیجیتال، یادگیری خودکار داشته باشند. 

فیسبوک به‌شدت تلاش می‌کند تا تأثیرگذاری‌اش را از مجموعه‌ی اپلیکیشن‌های شبکه‌ی اجتماعی و پیام‌رسان به جهان واقعی یعنی اتاق خواب، آشپزخانه یا دفتر کار مردم بیاورد. در چنین مسیری، کارگزارهای هوشمند غول شبکه‌های اجتماعی باید رویکردی قوی‌تر و پیچیده‌تر داشته باشند. البته قطعا ما در آینده‌ی نزدیک شاهد «ربات فیسبوک» به مفهوم واقعی نخواهیم بود.

منبع techcrunch

از سراسر وب

  دیدگاه
کاراکتر باقی مانده

بیشتر بخوانید