gprisma Um robô pode fazer tudo o que foi solicitado e ainda assim nos deixar com uma importante pergunta sobre o que acontece a seguir. Isso ocorre porque o trabalho físico é conectado. Um robô conclui uma ação, e outra ação segue. Outro robô pode precisar do mesmo espaço. Uma pessoa pode precisar acessar essa área. O próximo objeto pode já estar esperando. Portanto, o robô não é apenas responsável por concluir sua própria tarefa. A maneira como ele termina também pode afetar a tarefa que vem a seguir. Essa é a detalhe que achei interessante neste episódio (Episódio #50981). Os braços finalmente se afastam da área em que estavam trabalhando, e esse simples final abre uma ideia muito maior sobre como devemos avaliar a IA física. [] Uma tarefa concluída ainda pode criar um problema Imagine um robô que coloca uma amostra exatamente onde deveria, mas deixa seu braço sobreposto na área que precisa ser usada a seguir. A primeira tarefa foi bem-sucedida. A segunda tarefa agora tem um problema. Essa é uma diferença importante entre robôs que operam por meio de demonstrações isoladas e robôs que operam continuamente em ambientes reais. Em um laboratório, fábrica, hospital ou outro espaço compartilhado real, raramente há um reset limpo após cada tarefa. O robô conclui uma coisa dentro do mesmo ambiente onde algo mais precisa acontecer. Isso significa que o sucesso não pode ser medido apenas pela posição final do objeto. Também precisamos nos preocupar com as condições que o robô deixa para trás. [] O último movimento pode afetar os próximos dez Isso se torna ainda mais importante quando as tarefas estão conectadas. Uma ação pode preparar algo para outra ação. Um robô pode precisar terminar antes que outro possa entrar com segurança na mesma área. Uma pessoa pode precisar acessar imediatamente após a máquina terminar. Se o primeiro robô deixar o espaço de forma inadequada, o próximo passo pode exigir movimentos extras, tempo extra ou até intervenção humana. Essa pequena ineficiência pode se repetir ao longo de um fluxo de trabalho longo. Alguns segundos desnecessários no final de uma tarefa podem não importar muito uma vez. Mas, ao longo de centenas ou milhares de tarefas, podem se tornar um problema operacional real. [] Espaço compartilhado muda o que é um bom comportamento Essa é uma das grandes diferenças entre software e IA física. Um processo de software pode terminar e desaparecer do caminho. Um robô físico ainda ocupa espaço. Seu braço tem uma posição. Seu corpo tem uma posição. Os objetos ao redor dele também têm posições. Portanto, a IA física precisa aprender não apenas como alcançar um objetivo, mas como operar em torno de tudo o mais que compartilha o ambiente. É por isso que a posição final de um robô pode carregar informações úteis. Ela nos diz se o robô entende que sua própria presença faz parte do ambiente de trabalho. [] A próxima tarefa não deve precisar limpar a anterior Há outro ponto prático aqui. Se toda nova tarefa exigir que uma pessoa ou outro robô primeiro mova o robô anterior para fora do caminho, então parte do trabalho foi simplesmente empurrada para outro lugar. O robô original ainda pode receber aprovação por completar sua instrução. Mas o sistema mais amplo está realizando trabalho extra por causa de como aquela tarefa terminou. Para a futura IA física, essa distinção importa. Queremos robôs que possam contribuir para um fluxo de trabalho contínuo, não robôs que completam ações isoladas enquanto deixam alguém mais para tornar o ambiente novamente utilizável. [] É por isso que o final também merece validação A validação nos dá a chance de olhar além do momento óbvio de sucesso. A evidência útil não é apenas se o robô manipulou o objeto correto ou alcançou o local certo. É também o que aconteceu ao redor dessa ação e o que o robô deixou para trás quando terminou. Essas informações tornam-se valiosas ao treinar robôs para ambientes onde as tarefas estão conectadas, os espaços são compartilhados e erros ou má posicionamento podem afetar o que vem a seguir. 👇👇