Das verborgene Arbeitsproblem im Humanoid-Robotik-Boom
Milliarden an Finanzierungen zahlen stillschweigend Menschen dafür, Roboter aus der Ferne zu steuern. Ein Forscher argumentiert, dass dies nicht ein Schritt zur künstlichen Intelligenz ist, sondern eine Falle.
Wichtigste Punkte
- Humanoid-Robotik-Unternehmen haben in den letzten 18 Monaten Milliarden Dollar aufgebracht, vieles davon zur Finanzierung großer Teleoperations-Programme.
- Teleoperationsdatensätze, bei denen Menschen ihre Aufgaben aufzeichnen, um Robotern beizubringen, sind mehr als 100.000 Mal kleiner als die Datensätze, die zum Trainieren heutiger Sprachmodelle verwendet werden.
- Arbeitnehmer in China, Indien, Europa und den USA werden angestellt, um Haushaltsaufgaben zu filmen und Roboter fernzusteuern, was eine kommerzielle Datenlieferkette schafft.
- Nikita Rudin, Mitgründer und CEO des Robotik-Startups Flexion, argumentiert, dass verstärktes Lernen in Simulationen der einzige Ansatz ist, der die Abhängigkeit von menschlichen Demonstrationsdaten durchbrechen kann.
- Flexion erhielt 50 Millionen Dollar Finanzierung von DST Global und NVentures, um das zu bauen, was Rudin ein universelles „Gehirn" für humanoide Roboter nennt.
Das Versprechen humanoider Roboter war schon immer einfach: Menschen werden bestimmte Jobs in der Zukunft nicht erfüllen können, also werden Roboter einspringen. Aber ein pointierter Meinungsbeitrag, der diese Woche von The Robot Report veröffentlicht wurde, wirft eine unbequeme Frage auf. Was, wenn die Roboter selbst nur funktionieren können, wenn sie permanent von menschlichen Arbeitern versorgt werden?
Das Problem ist die Teleoperation. Dabei steuert ein menschlicher Bedienungsperson, oft von weit weg, einen Roboter durch ein Fernsteuergerät, ähnlich wie man ein Spielzeugauto mit einer Fernbedienung steuert. Jede Bewegung wird aufgezeichnet. Dann studiert der Roboter diese Aufnahmen und versucht, sie nachzuahmen.
Einen Roboter auf diese Weise beizubringen klingt sinnvoll. Das Problem ist nach Nikita Rudin, der seinen PhD am Robotic Systems Lab der ETH Zürich abschloss und an Roboter-Simulationswerkzeugen bei Nvidia arbeitete, dass dies extrem schlecht skaliert.
Ein Regal bewegt sich. Ein Türgriff sieht leicht anders aus. Eine neue Schachtform kommt auf einen Fabrikboden. Jede winzige Änderung bedeutet, dass jemand die Aufgabe von vorne filmen muss. Die echte Welt hört nie auf sich zu ändern, und die menschliche Arbeitskraft, die Demonstrationen erzeugt, kann nie mithalten.
Die Qualität dieser Daten ist auch fragwürdig. Bedienungspersonen, die einen Roboter aus der Ferne steuern, können nicht fühlen, was der Roboter berührt, oder Entfernungen genau beurteilen, also bewegen sie sich langsam und überkorrigieren. Der Roboter lernt dann aus Aufnahmen von jemandem, der mit einer Fernbedienung kämpft, und Kämpfen ist genau das, was er übt.
Werden mehr menschliche Bedienungspersonen das wirklich lösen?
Nein, und das ist der Kern von Rudins Argument. Er zieht einen scharfen Vergleich zu den Anfängen großer Sprachmodelle, der KI-Technologie hinter Chatbots wie ChatGPT. Diese frühen Modelle wurden mit enormen Textmengen trainiert und konnten den Stil von Shakespeare grob nachahmen, konnten aber nicht wirklich denken. Der echte Durchbruch kam durch verstärktes Lernen, eine Trainingsmethode, bei der Software lernt, indem sie versucht, fehlschlägt, sich anpasst und wieder versucht, über Millionen von Versuchen hinweg, ohne dass ein Mensch ihr bei jedem Schritt sagt, was zu tun ist.
Rudin argumentiert, dass Humanoid-Robotik in diesem früheren, rein imitativen Stadium steckt. Mehr Teleoperationsdaten bedeuten nur mehr Imitation zu massiven Kosten.
Die Alternative, die er beschreibt, ist verstärktes Lernen in Computersimulationen. Die Software eines Roboters kann Millionen Mal in einer virtuellen Welt scheitern, sich sofort zurücksetzen und erneut versuchen, parallel auf vielen Computern gleichzeitig laufen. Mehr Rechenleistung bedeutet direkt schnellere Fortschritte. Das ist eine ganz andere Rechnung als die Einstellung von mehr Arbeitern in Ländern mit niedrigeren Löhnen, um sich selbst beim Wäschewaschen zu filmen.
Für die Menschen, die diese Teleoperationsarbeit heute leisten, und für Investoren, die diese Unternehmen finanzieren, ist Rudins Herausforderung direkt: Wenn echte Roboterautonomie wirklich das Ziel ist, sollten die Daten zeigen, dass die menschliche Beteiligung im Laufe der Zeit abnimmt. Wenn sie nicht abnimmt, hat Teleoperation aufgehört, eine Brücke zu sein, und ist stillschweigend zur permanenten Methode geworden.
