شبکه‌های عصبی موسوم به مدل‌های زبان بزرگ (LLM) مانند Chat-GPT با توانایی پردازش حجم وسیعی از داده‌های متنی و استفاده از این اطلاعات برای پاسخگویی به درخواست‌ها، پتانسیل خود را برای تغییر روش نوشتن، یادگیری و حتی هنر بسازند. اکنون، محققان EPFL این فناوری را در حوزه جدیدی به کار برده اند: طراحی رباتیک.
در یک مطالعه موردی که امروز در Nature Machine Intelligence منتشر شد، جوزی هیوز، رئیس آزمایشگاه طراحی و ساخت ربات محاسباتی در دانشکده مهندسی، دانشجوی دکترای EPFL فرانچسکو استلا، و کوزیمو دلا سانتینا از TU Delft از Chat-GPT برای طراحی یک کار استفاده کردند. دستگاه برداشت گوجه فرنگی رباتیک این مطالعه چارچوبی را برای انسان ها و LLM ها فراهم می کند تا بتوانند چنین دستگاه هایی را به طور مشترک طراحی کنند. بر اساس تجربیات خود، محققان فرصت‌ها و خطرات استفاده از ابزارهای هوش مصنوعی (AI) را در رباتیک توصیف می‌کنند که به گفته آنها «می‌تواند نحوه طراحی ربات‌ها را تغییر دهد و در عین حال فرآیند را غنی‌تر و ساده‌تر کند».
هیوز می‌گوید: «اگرچه Chat-GPT یک مدل زبان است و تولید کد آن مبتنی بر متن است، بینش و شهود قابل‌توجهی را برای طراحی فیزیکی ارائه می‌دهد و پتانسیل زیادی را به عنوان یک تابلوی صدا برای تحریک خلاقیت انسان نشان می‌دهد.
پتانسیل و مشکلات هوش مصنوعی به عنوان “مخترع”
در مرحله اول، محققان و LLM در یک بحث ایده‌پردازی برای تعریف هدف، پارامترهای طراحی و مشخصات ربات خود شرکت کردند. مرحله دوم به تحقق ربات در دنیای واقعی اختصاص داشت که شامل پالایش کد تولید شده توسط LLM، ساخت دستگاه و عیب یابی عملکرد آن بود.
برای مرحله اول، محققان در یک سطح مفهومی بالا شروع کردند و با LLM در مورد چالش های آینده برای بشریت صحبت کردند و برداشت رباتیک محصولات را به عنوان راه حلی برای چالش عرضه جهانی غذا شناسایی کردند. آنها سپس از دسترسی LLM به داده‌های جهانی از نشریات دانشگاهی، کتاب‌های راهنمای فنی، کتاب‌ها و رسانه‌ها استفاده کردند تا «محتمل‌ترین» پاسخ را به اعلان‌هایی از جمله «یک ربات برداشت‌کننده چه ویژگی‌هایی باید داشته باشد؟» ارائه کنند.
هنگامی که یک قالب رباتیک پایه شناسایی شد (گیرنده موتوری برای گرفتن گوجه فرنگی رسیده)، محققان می توانند سؤالات خاص تری را مطرح کنند، مانند «گیرنده باید چه شکلی داشته باشد؟» و از LLM بخواهند پیشنهادهای فنی از جمله مواد و مواد را ارائه دهد. کد کامپیوتری برای کنترل دستگاه
در حالی که محاسبات تا حد زیادی برای کمک به مهندسان در پیاده سازی فنی استفاده شده است، برای اولین بار، یک سیستم هوش مصنوعی می تواند سیستم های جدیدی را طراحی کند، بنابراین وظایف شناختی سطح بالا را خودکار می کند. استلا می‌گوید که این می‌تواند شامل تغییر نقش‌های انسانی به نقش‌های فنی‌تر باشد.
محققان علاوه بر اختصاص نقش «مخترع» به Chat-GPT، سایر حالت‌های احتمالی همکاری انسان-LLM را در مقاله خود بیان کردند. به عنوان مثال، «اکتشاف مشترک» از هوش مصنوعی برای تقویت تخصص محققان با کمک به دانش گسترده فراتر از زمینه های خود استفاده می کند. هوش مصنوعی همچنین می‌تواند به عنوان یک «قیف» عمل کند و به اصلاح فرآیند طراحی و ارائه ورودی‌های فنی کمک کند و انسان‌ها کنترل خلاقانه خود را حفظ کنند.
از آنجایی که خطرات منطقی و اخلاقی مرتبط با هر حالت همکاری وجود دارد، محققان هشدار می دهند که نقش LLM باید در آینده به دقت ارزیابی شود. به عنوان مثال، استفاده از LLM سوالاتی در مورد سوگیری، سرقت ادبی و مالکیت معنوی ایجاد می کند، زیرا مشخص نیست که آیا طرح تولید شده توسط LLM می تواند بدیع در نظر گرفته شود.
در مطالعه ما، Chat-GPT گوجه‌فرنگی را به عنوان محصولی با ارزش‌ترین محصولی که برای یک ماشین برداشت رباتیک دنبال می‌شود، شناسایی کرد. با این حال، این ممکن است نسبت به محصولاتی که در ادبیات بیشتر پوشش داده شده اند، مغرضانه باشد، برخلاف محصولاتی که واقعاً نیاز واقعی وجود دارد. هنگامی که تصمیمات خارج از محدوده دانش مهندس گرفته می شود، این می تواند منجر به اشتباهات اخلاقی، مهندسی یا واقعی شود. هیوز می گوید.
علیرغم این احتیاط ها، هیوز و تیم او بر اساس تجربه خود به این نتیجه می رسند که LLM ها پتانسیل زیادی برای تبدیل شدن به یک نیروی خوب دارند، اگر به خوبی مدیریت شوند: «بنابراین جامعه روباتیک باید نحوه استفاده از این ابزار قدرتمند را برای سرعت بخشیدن به پیشرفت روبات ها شناسایی کند. به روشی اخلاقی، پایدار و توانمندساز اجتماعی.»
