Google tente de combiner la robotique et la capacité de converser avec les chatbots pour créer des robots capables d’interpréter les commandes données et d’évaluer les actions possibles en fonction de leurs compétences.
La division de recherche de Google a annoncé avoir intégré le modèle de langage PaLM avec des robots développés par la filiale d’Alphabet Everyday Robots dans un nouveau système appelé « PaLM-SayCan ».
« Aujourd’hui, les robots existent principalement dans des environnements industriels et sont soigneusement codés pour des tâches spécifiques. Il leur est donc impossible de s’adapter à l’imprévisibilité du monde réel. C’est pourquoi Google Research et Everyday Robots collaborent pour combiner les meilleurs modèles de langage avec l’apprentissage robotique », a déclaré Vincent Vanhoucke, directeur principal de la recherche en robotique chez Google, dans un précédent article de blog.
Paradoxe de Moravec
PaLM est un modèle de 540 milliards de paramètres qui utilise une nouvelle technologie pour coordonner des milliers de puces appelées voies, également inventées par Google.
Il tire sa compréhension du monde de Wikipédia, des médias sociaux et d’autres sites Web. Une intelligence artificielle similaire est à la base des chatbots, ou assistants virtuels, mais n’a jamais été aussi largement appliquée aux robots, souligne Google.
Cela permet de « communiquer avec les robots domestiques via du texte ou de la voix » et « d’améliorer les performances globales du robot et sa capacité à effectuer des tâches plus complexes et abstraites en tirant parti des connaissances sur le monde encodées dans le modèle de langage », décrit la société.
La recherche porte donc sur le « paradoxe de Moravec », i. H « l’idée qu’en robotique, les choses les plus simples sont les plus difficiles à programmer pour un robot », note Vincent Vanhoucke.
Planification des tâches à long terme
Le système en est encore à ses balbutiements, mais Google voit quelques progrès.
« Lorsque le système a été intégré à PaLM, nous avons constaté une amélioration de 14 % du taux de réussite de la planification, ou de la capacité à définir une approche viable pour une tâche, par rapport à un modèle de base moins puissant. Nous avons également constaté une amélioration de 13 % du taux de réussite de l’achèvement ou de la capacité à accomplir une tâche. Cela correspond à la moitié des erreurs de planification qui sont commises avec la méthode de base », souligne Vincent Vanhoucke.
Il ajoute que « la plus grande amélioration, à 26 %, a été dans la planification des tâches à long terme, c’est-à-dire. H ceux qui ont huit marches ou plus.