“Organismen proberen geen informatie te verwerken die ze niet nodig hebben, omdat die verwerking erg duur is in termen van metabolische energie”, zegt hij. Polani is geïnteresseerd in het toepassen van deze lessen uit de biologie op enorme netwerken die robots in staat stellen efficiënter met hun informatie om te gaan. Het verminderen van de hoeveelheid informatie die een robot kan verwerken, zal hem alleen maar zwakker maken, afhankelijk van de aard van de taak die hij krijgt, zegt hij. In plaats daarvan moeten ze leren de gegevens die ze hebben op intelligentere manieren te gebruiken.
Vereenvoudiging van software
Amazon, dat meer dan 750.000 robots heeft, de grootste vloot ter wereld, is ook geïnteresseerd in het gebruik van kunstmatige intelligentie om hen te helpen slimmere, veiligere en efficiëntere beslissingen te nemen. De robots van Amazon vallen over het algemeen in twee categorieën: mobiele robots die inventaris verplaatsen en robotarmen die zijn ontworpen om objecten te hanteren. De kunstmatige-intelligentiesystemen die deze machines aandrijven, verzamelen elke dag miljoenen datapunten om ze te trainen in het uitvoeren van hun taken. Ze moeten bijvoorbeeld leren welk object ze van een stapel moeten pakken en verplaatsen, of hoe ze veilig werknemers in een magazijn kunnen ontwijken. Deze processen vereisen veel rekenkracht, wat nieuwe technieken kunnen minimaliseren.
Over het algemeen gebruiken robotarmen en soortgelijke ‘manipulatieve’ robots machine learning om bijvoorbeeld uit te zoeken hoe ze objecten kunnen herkennen. Vervolgens volgen ze hardgecodeerde regels of algoritmen om te beslissen hoe ze moeten handelen. Met generatieve kunstmatige intelligentie kunnen deze zelfde robots de uitkomst van een actie voorspellen voordat ze deze proberen, zodat ze de actie kunnen kiezen die het meest waarschijnlijk zal slagen of de best mogelijke aanpak kunnen bepalen voor het grijpen van een object dat moet worden verplaatst.
Deze leersystemen zijn veel schaalbaarder dan traditionele robottrainingsmethoden, en de combinatie van generatieve AI en enorme datasets helpt de taakvolgorde te vereenvoudigen en onnodige analyselagen te verwijderen. Dit is waar de besparing op rekenkracht van pas komt. “We kunnen de software vereenvoudigen door de modellen te vragen meer te doen”, zegt Michael Wolf, hoofdwetenschapper bij Amazon Robotics. “We gaan een fase in waarin we de manier waarop we autonomie voor onze robotsystemen opbouwen fundamenteel heroverwegen.”
Meer bereiken door minder te doen
De RoboCup-competitie van dit jaar mag dan voorbij zijn, Van de Molengraft rust niet op zijn lauweren na het grote succes van zijn team. “Er is nog steeds veel computeractiviteit gaande in elk van de robots, wat niet altijd noodzakelijk is”, zegt hij. Hij begint al te werken aan nieuwe manieren om zijn robotteam nog luier te maken, zodat hij volgend jaar een voorsprong kan nemen op zijn rivalen.
Hoewel de huidige robots nog steeds niet eens in de buurt zijn van het vermogen om de energie-efficiëntie van mensen te evenaren, is hij optimistisch dat onderzoekers vooruitgang zullen blijven boeken en dat we veel meer luie robots zullen zien die beter zijn in hun werk. Maar het zal niet van de ene op de andere dag gebeuren. “Het vergroten van het bewustzijn en begrip van onze robots, zodat ze hun taken beter kunnen uitvoeren, of het nu voetbal is of een andere taak in vrijwel elk domein in een door mensen gebouwde omgeving, dat is een continu werk in uitvoering”, zegt hij.