Googles 7-Jahres-Mission zur Verschmelzung von KI und Robotik

Einführung

Im Januar 2016 trat Hans Peter Brondmo Google X bei, dem geheimen Innovationslabor von Alphabet, mit der Aufgabe, herauszufinden, was mit den Mitarbeitern und Technologien geschehen sollte, die aus den neun von Google erworbenen Roboterunternehmen übrig geblieben waren. Dies war der Beginn einer siebenjährigen Reise, die darauf abzielte, künstlicher Intelligenz (KI) einen physischen Körper zu geben.

Die Bedeutung von "Moonshot"

Google X, auch bekannt als das "Moonshot-Lab", wurde 2010 mit der Idee gegründet, einige der schwierigsten Probleme der Welt anzugehen. Die Projekte bei X sollten groß und langfristig gedacht werden. Um als "Moonshot" anerkannt zu werden, musste ein Projekt drei Kriterien erfüllen: Es musste ein Problem ansprechen, das hunderte Millionen oder sogar Milliarden Menschen betrifft, eine bahnbrechende Technologie beinhalten und eine radikale Geschäfts- oder Produktlösung vorschlagen.

Das Problem des KI-Körpers

Die Herausforderung bestand darin, Roboter zu entwickeln, die in alltäglichen Umgebungen hilfreich und sicher sind. Die globale Menschheitsveränderung – alternde Bevölkerungen, schrumpfende Arbeitskräfte und Arbeitskräftemangel – war das große Problem. Die bahnbrechende Technologie sollte künstliche Intelligenz sein, und die radikale Lösung: vollautonome Roboter, die uns bei einer wachsenden Liste von Aufgaben in unserem täglichen Leben unterstützen.

Die Komplexität der Robotik

Roboter sind komplexe Systeme, und sie sind nur so gut wie ihr schwächstes Glied. Ein Roboter ist eine extrem komplexe Einheit, und jede Schwäche in einem seiner Subsysteme kann den gesamten Roboter unbrauchbar machen. Für Jahrzehnte haben Forscher versucht, Roboter zu programmieren, um einfache Aufgaben wie das Greifen eines Bechers oder das Öffnen einer Tür auszuführen, jedoch scheiterten diese Programme oft an kleinsten Änderungen in den Umgebungsbedingungen.

Lernende Roboter

Es gibt zwei Hauptansätze zur Anwendung von KI in der Robotik: Der erste ist ein hybrider Ansatz, bei dem verschiedene Teile des Systems von KI gesteuert und dann mit traditioneller Programmierung zusammengefügt werden. Der zweite Ansatz, das End-to-End-Lernen (e2e), versucht, gesamte Aufgaben durch große Mengen an Trainingsdaten zu erlernen. Der Durchbruch kam, als Roboterarme, die 24/7 arbeiteten, erfolgreich lernten, Objekte aus einem Behälter zu greifen und ihre Erfolgsquote auf über 70 % steigerten.

Simulation und Skalierung

Um die Lernkurve zu beschleunigen, wurde eine cloudbasierte Simulation entwickelt, die mehr als 240 Millionen Roboterinstanzen simulierte. Diese simulierten Roboter lernten, indem sie eine realistische Modellierung der physikalischen Welt verwendeten, um die Bewegung und Interaktion mit Objekten zu üben.

Abschluss

Auch wenn Googles größter Einsatz in der Robotik und KI eingestellt wurde, hat das Unternehmen einen bedeutenden Beitrag zur Entwicklung autonomer Roboter geleistet. Die Herausforderungen, die bei der Schaffung eines physischen Körpers für KI überwunden wurden, haben die Tür für zukünftige Innovationen in der Robotik geöffnet.

Bibliographie - https://www.wired.com/story/inside-google-mission-to-give-ai-robot-body/ - https://www.nature.com/articles/d41586-024-01442-5 - https://www.youtube.com/watch?v=FvXLxO-fhhc - https://www.youtube.com/watch?v=RYGsGX7WNOM - https://universe.wiki/2023/09/15/a-talk-with-the-ex-google-engineer-who-warned-about-ai/ - https://en.wikipedia.org/wiki/Artificial_general_intelligence - https://www.theguardian.com/technology/2022/jun/12/google-engineer-ai-bot-sentient-blake-lemoine - https://robotsguide.com/learn/types-of-robots - https://builtin.com/robotics