Google cherche à combiner la robotique et la capacité de converser des chatbots pour développer des robots capables d’interpréter les ordres donnés et évaluer les actions possibles en fonction de leurs capacités.
La division de recherche de Google a annoncé avoir intégré le modèle de langage PaLM à des robots conçus par Everyday Robots, une filiale d’Alphabet, dans un nouveau système baptisé « PaLM-SayCan ».
« Aujourd’hui, les robots existent en grande partie dans des environnements industriels et sont minutieusement codés pour des tâches précises. Il leur est donc impossible de s’adapter à l’imprévisibilité du monde réel. C’est pourquoi Google Research et Everyday Robots travaillent ensemble pour combiner le meilleur des modèles de langage avec l’apprentissage des robots », a présenté Vincent Vanhoucke, directeur principal de la recherche en robotique chez Google, dans un billet de blog en début de semaine.
Paradoxe de Moravec
Le PaLM est un modèle avec 540 milliards de paramètres qui utilise une nouvelle technologie pour coordonner des milliers de puces, connue sous le nom de Pathways, également inventée par Google.
Il tire sa compréhension du monde de Wikipédia, des médias sociaux et d’autres pages web. Une intelligence artificielle similaire est à la base des chatbots ou des assistants virtuels, mais elle n’a jamais été appliquée à des robots de manière aussi étendue auparavant, souligne Google.
Cela permet de « communiquer avec des robots domestiques par le biais de texte ou de la parole » et d’améliorer « la performance globale du robot et sa capacité à exécuter des tâches plus complexes et abstraites en exploitant les connaissances du monde encodées dans le modèle de langage », décrit l’entreprise.
La recherche s’attaque ainsi au « paradoxe de Moravec », c’est-à-dire « l’idée qu’en robotique, ce sont les choses les plus faciles qui 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 débuts, mais Google observe quelques progrès.
« Lorsque le système a été intégré à PaLM, par rapport à un modèle de base moins puissant, 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. Nous avons également constaté une amélioration de 13 % du taux de réussite de l’exécution, ou de la capacité à mener à bien une tâche. Cela représente la moitié du nombre d’erreurs de planification commises par la méthode de base », souligne Vincent Vanhoucke.
Il ajoute que « l’amélioration la plus importante, soit 26 %, concerne la planification des tâches à long terme, c’est-à-dire celles qui comportent huit étapes ou plus ».
