Der Gründer von Yushu Technology gießt seinem eigenen Bereich eine kalte Dusche
Wang Xingxing sagt: In der Ära des ChatGPT für verkörperte Intelligenz ist es vielleicht schnell in zwei, drei Jahren, langsam in fünf bis zehn Jahren. Jetzt ist es noch nicht soweit.
Nicht aus Bescheidenheit – es ist wirklich noch nicht so weit.
Ein paar technische Engpässe sind ganz konkret:
Die Effizienz ist geringer als bei Menschen. Aktuell können Roboter in Fabriken zwar einfache Montagearbeiten übernehmen, aber die Effizienz ist immer noch niedriger. Neue Aufgaben bedeuten: das Modell muss neu trainiert werden – eine Wiederverwendung ist nicht möglich.
Schon ein Fehler von ein paar Zentimetern lässt die Erfolgsquote massiv einbrechen. Wenn der Roboter einen Gegenstand greifen soll, sieht es fast so aus, als hätte er ihn gleich – am Ende fehlt dann doch nur ein kleines Stückchen – und derzeit gibt es noch keinen guten Weg, das zu korrigieren.
Die Generalisierungsfähigkeit ist stark unzureichend. In einer festen Umgebung kann man mit genügend Daten eine Erfolgsquote von 100 % erreichen. Aber wenn sich die Umgebung auch nur leicht ändert, bricht die Erfolgsquote sofort ein.
Datenprobleme. Große Sprachmodelle können im Grunde einfach durch das Stapeln von Daten funktionieren. Doch bei verkörperter Intelligenz ist es anders – selbst wenn Daten vorhanden sind, kann man sie im tatsächlichen Training nicht sinnvoll nutzen.
Die Gelassenheit an einem Zukunfts-Trend – das ist ziemlich bemerkenswert.
Wang Xingxing sagt: In der Ära des ChatGPT für verkörperte Intelligenz ist es vielleicht schnell in zwei, drei Jahren, langsam in fünf bis zehn Jahren. Jetzt ist es noch nicht soweit.
Nicht aus Bescheidenheit – es ist wirklich noch nicht so weit.
Ein paar technische Engpässe sind ganz konkret:
Die Effizienz ist geringer als bei Menschen. Aktuell können Roboter in Fabriken zwar einfache Montagearbeiten übernehmen, aber die Effizienz ist immer noch niedriger. Neue Aufgaben bedeuten: das Modell muss neu trainiert werden – eine Wiederverwendung ist nicht möglich.
Schon ein Fehler von ein paar Zentimetern lässt die Erfolgsquote massiv einbrechen. Wenn der Roboter einen Gegenstand greifen soll, sieht es fast so aus, als hätte er ihn gleich – am Ende fehlt dann doch nur ein kleines Stückchen – und derzeit gibt es noch keinen guten Weg, das zu korrigieren.
Die Generalisierungsfähigkeit ist stark unzureichend. In einer festen Umgebung kann man mit genügend Daten eine Erfolgsquote von 100 % erreichen. Aber wenn sich die Umgebung auch nur leicht ändert, bricht die Erfolgsquote sofort ein.
Datenprobleme. Große Sprachmodelle können im Grunde einfach durch das Stapeln von Daten funktionieren. Doch bei verkörperter Intelligenz ist es anders – selbst wenn Daten vorhanden sind, kann man sie im tatsächlichen Training nicht sinnvoll nutzen.
Die Gelassenheit an einem Zukunfts-Trend – das ist ziemlich bemerkenswert.