É provável que em pouco tempo, robôs estarão em casa para cuidar dos idosos e ajudá-los a viver de forma independente. Fazer isso, eles precisarão aprender a fazer todas as pequenas tarefas que poderíamos fazer sem pensar. Muitos sistemas modernos de IA são treinados para realizar tarefas específicas, analisando milhares de imagens anotadas da ação que está sendo executada. Embora essas técnicas ajudem a resolver problemas cada vez mais complexos, eles ainda se concentram em tarefas muito específicas e requerem muito tempo e capacidade de processamento para serem treinados.

Se um robô é para ajudar a cuidar de pessoas na velhice, então, a gama de problemas que encontrará em casa variará enormemente em comparação com essas situações de treinamento. Durante o dia, espera-se que os robôs façam de tudo, desde preparar uma xícara de chá até trocar a roupa de cama enquanto conversam. Todas essas são tarefas desafiadoras que são mais desafiadoras quando realizadas em conjunto. Não há duas casas iguais, o que significa que os robôs terão que aprender rápido e se adaptar ao seu ambiente. Como qualquer pessoa que compartilhe uma casa apreciará, os objetos de que você precisa nem sempre serão encontrados no mesmo lugar - os robôs precisarão pensar rápido para encontrá-los.

Uma abordagem é desenvolver um robô capaz de aprendizagem ao longo da vida, que possa armazenar conhecimento com base em experiências, e descobrir como adaptá-lo e aplicá-lo a novos problemas. Depois de aprender a fazer uma xícara de chá, as mesmas habilidades podem ser aplicadas para fazer café.

O melhor agente de aprendizagem que os cientistas conhecem é a mente humana, que é capaz de aprender ao longo de sua vida - adaptando-se a ambientes complexos e em constante mudança e resolvendo uma ampla variedade de problemas diariamente. Modelar como os humanos aprendem pode ajudar a desenvolver robôs com os quais possamos interagir naturalmente, quase como interagir com outra pessoa.

Simulando o desenvolvimento de uma criança

A primeira pergunta a fazer ao começar a modelar humanos é, onde começar? Alan Turing, o famoso matemático e pensador da inteligência artificial disse uma vez:"Em vez de tentar produzir um programa para simular a mente adulta, por que não tentar produzir um que simule o filho? Se este fosse submetido a um curso apropriado de educação, obter-se-ia o cérebro adulto. "

Ele comparou o cérebro da criança a um caderno vazio que poderia ser preenchido por meio da educação para desenvolver um "sistema" adulto inteligente. Mas qual é a idade de uma criança humana que os cientistas deveriam tentar modelar e instalar em robôs? De quais conhecimentos e habilidades iniciais um robô precisa para começar?

Os bebês recém-nascidos são muito limitados no que podem fazer e no que podem perceber do mundo ao seu redor. A força muscular no pescoço de um bebê não é suficiente para sustentar a cabeça e ele ainda não aprendeu a controlar os braços e membros.

Começar no mês zero pode parecer muito limitante para um robô, mas as restrições físicas do bebê realmente o ajudam a concentrar seu aprendizado em um pequeno subconjunto de problemas, como aprender a coordenar seus olhos com o que está ouvindo e vendo. Essas etapas constituem os estágios iniciais de um bebê construindo um modelo de seu próprio corpo, antes de tentar entender todas as complexidades do mundo ao seu redor.

Aplicamos um conjunto semelhante de restrições em um robô bloqueando inicialmente o movimento de várias articulações para simular a ausência de controle muscular. Também ajustamos as imagens da visão da câmera do robô para "ver" o mundo como um bebê recém-nascido veria - uma visão muito mais borrada do que os adultos estão acostumados. Em vez de dizer ao robô como se mover, podemos permitir que ele descubra isso por si mesmo. O benefício disso é que, à medida que as calibrações mudam ao longo do tempo, ou como membros são danificados, o robô será capaz de se adaptar a essas mudanças e continuar a operar.

Aprendendo brincando

Nossos estudos mostram que, ao aplicar essas restrições à aprendizagem, não só aumenta a taxa em que novos conhecimentos e habilidades são aprendidos, mas a precisão do que é aprendido também aumenta.

Ao dar ao robô o controle sobre quando as restrições são removidas - permitindo mais controle sobre suas articulações e melhorando sua visão - o robô pode controlar sua própria taxa de aprendizagem. Ao eliminar essas restrições quando o robô saturou seu escopo atual de aprendizagem, podemos simular o crescimento muscular em bebês e permitir que o robô amadureça em seu próprio ritmo.

Modelamos como um bebê aprende e simulamos os primeiros 10 meses de crescimento. À medida que o robô aprendia as correlações entre os movimentos motores que fazia e as informações sensoriais que recebia, comportamentos estereotipados observados em bebês, como "olhar com as mãos" - em que as crianças passam longos períodos olhando para as mãos enquanto se movem - surgiu no comportamento do robô.

Conforme o robô aprende a coordenar seu próprio corpo, o próximo grande marco que ele passa é começar a entender o mundo ao seu redor. Brincar é uma parte importante do aprendizado de uma criança. Isso os ajuda a explorar seu ambiente, teste várias possibilidades e aprenda os resultados.

Inicialmente, isso pode ser algo tão simples como bater uma colher contra a mesa, ou tentando colocar vários objetos em suas bocas, mas isso pode evoluir para a construção de torres de blocos, combinar formas ou encaixar objetos nos orifícios corretos. Todas essas atividades são experiências de construção que fornecerão a base para habilidades mais tarde, como encontrar a chave certa para caber em uma fechadura e as habilidades motoras finas para encaixar a chave no buraco da fechadura e girá-la.

No futuro, a construção dessas técnicas pode dar aos robôs os meios para aprender e se adaptar aos ambientes complexos e aos desafios que os humanos consideram certos na vida cotidiana. Um dia, pode significar cuidadores de robôs que estão em sintonia com as necessidades humanas e são tão capazes de atendê-las quanto outro ser humano.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.