Le onde cerebrali: la prossima frontiera per l’intelligenza artificiale fisica?
Il Futuro dell’Intelligenza Artificiale Fisica: Un Gioco di Jenga
La frontiera dell’intelligenza artificiale fisica si svolge in un magazzino a San Leandro, California, dove si trova la sede di Encord, un’azienda che sviluppa strumenti di gestione dei dati per addestrare modelli di AI. A guidare questa innovazione è Andrew Ceja, un pilota – termine usato dall’azienda per i suoi formatori robotici – che si impegna nel delicato compito di estrarre blocchi di legno da una torre instabile. Indossa un visore dotato di telecamera, ma a differenza dei dispositivi comuni, questo include sensori che monitorano le onde cerebrali mentre esegue il compito.
Innovazione e Raccolta Dati
Encord si distingue per la sua ambiziosa visione. Mentre molte aziende si limitano a gestire i dati esistenti, Encord punta a produrre i dati necessari per migliorare le prestazioni dei robot. Questo approccio è innovativo e mira a superare il collo di bottiglia informativo che attualmente affligge il settore della robotica e dell’AI. Il visore di Ceja è stato progettato da Zander Labs, una startup tedesca di neuroscienze, che crede che il monitoraggio dell’attività cerebrale possa fornire informazioni preziose riguardo a stati mentali come errore, intenzione e sorpresa. L’obiettivo di Encord è quello di creare un iniziale set di dati marcato da onde cerebrali e testarlo su diversi modelli di robotica per verificare se porta a un aumento delle prestazioni.
Lucas Gehrke, neuroscienziato di Zander che supervisiona il progetto, afferma che l’analisi dell’attività cerebrale durante i compiti fornisce indizi utili per determinare quando è necessario attivare modelli di massima efficienza.
Nuove Modalità di Raccolta Dati
Il team di Encord sta avviando un progetto pilota per costruire un dataset iniziale di onde cerebrali, un progetto che, se riuscito, potrebbe rivoluzionare il modo in cui i modelli di AI apprendono. Encord è stata fondata con l’intento di aiutare le aziende che sviluppano applicazioni di visione artificiale a etichettare i dati e valutare i modelli. Con l’emergere dell’apprendimento end-to-end nelle attività di manipolazione robotica, molte aziende hanno compreso che la creazione dei propri dati di addestramento è diventata cruciale. “I dati semplicemente non esistono,” afferma Velmurugan, capo dell’apprendimento robotico di Encord.
Il problema dell’AI generativa applicata alla robotica scontra il medesimo ostacolo. Le aziende di auto a guida autonoma raccolgono dati dal mondo reale, ma questo approccio è difficile da scalare. L’addestramento attraverso video può funzionare, ma manca della fedeltà dei dati reali. Secondo Velmurugan, ci vorranno dataset circa cinque volte più grandi dell’intero corpus video di YouTube per superare questa sfida.
