即使在所有四個腿被鋸被鋸切成鋸子之後，這四個腿的機器人仍保留著爬行，這對大多數人來說都是噩夢。
對於Skill Skild AI的創始人兼首席執行官Deepak Pathak來說，這款精緻的圍欄是鼓勵新型，更通用的自動智能類型的粉絲。
帕塔克說：“這是我們稱之為多體大腦的東西。”開始從通用人工智能算法開始與機器人的進步對抗主要挑戰的開始：“任何機器人，任何任務，一個大腦。這是一個荒謬的一年。”
許多研究人員認為，用於控制機器人的人工智能模型可能會面臨深度飛躍，類似於那些產生語言模型和聊天聊天的模型，如果有可能收集足夠的培訓數據。
Pathak說，當前訓練機器人人工智能模型的方法，例如存在通過遠程或模擬來控制特定係統的算法，不會產生足夠的數據。
Skild的方法是獲得一種算法，而是學會了通過各種任務來控制大量不同的材料機器人。隨著時間的流逝，這會產生一種稱為Skild Brain的模型，具有更一般的能力來適應不同的材料形式（包括以前從未有過前所未有的形式的材料形式。研究人員為定義方法的學術論文創建了較小的模型版本，稱為locoformer。
該模型還旨在快速適應新的位置，例如缺失的腿或危險的新地形，並發現了您如何學習其新規模。 Pathak將方法與大語模型通過將它們分開並在其上下文中再次餵食其審議的方式進行比較的方法，在上下文中被稱為學習的方法。
包括豐田研究所和一家名為“物質情報”的競爭初創公司在內的其他公司也正在競爭開發大赦國際機器人模型。但是，Skild在如何構建通過許多不同類型的設備概括的模型方面是不尋常的。
在其中一個實驗中，滑雪團隊訓練了算法，以控制各種形式的大量步行機器人。然後，當算法以腿的真實和三十腿進行操作時 – 不包括在訓練數據中 – 它能夠控制其運動並使其徘徊。
有一次，團隊發現，一個四足機器人運行該公司的Omni大腦將迅速適應其後腿。由於他感覺到後腿下面的地面，因此該算法將機器人狗換成人類，就像他在後腿上徘徊一樣。
公共算法也可以適應機器人形狀的嚴重變化 – 例如，他們的腿彼此相連，切割或修改以變長。該團隊還試圖在帶輪和腿部的四倍機器人上廢除兩個引擎。機器人能夠通過兩個車輪之間的平衡來適應不穩定的自行車。
滑冰測試使用相同的處理機器人。他在一組模擬機器人臂上訓練了攀岩大腦，發現所得模型可以控制陌生的設備並適應其環境突然變化，例如照明減少。 Pathak說，這家初創公司已經與一些使用Arms Robot的公司合作。 2024年，該公司在15億美元的旅行中籌集了3億美元。
帕塔克說，結果似乎對某些人來說似乎是在蔓延，但它們向他展示了一種物理取消機器人的火花。他說：“對我個人來說，這是非常令人興奮的，哦，”他說。
您如何看待滑冰中的多種機器人大腦？將e -mail發送到ailab@wired.com向您通知您。
這是一個版本 威爾·票價 AI的通訊。閱讀以前的新聞通訊 這裡。
