Sztuczna inteligencja uczy się setek rzeczy naraz. Polski naukowiec odkrył nowy sposób treningu AI
Robot uczy się chodzić i radzi sobie z nieznanymi przedmiotami. Badania pokazują, jak szybko zmieniają się możliwości AI.
Naukowcy nauczyli sztuczną inteligencję manipulowania przedmiotami o 85 różnych kształtach. Następnie dali jej 29 zupełnie nowych obiektów i sprawdzili, jak szybko opanuje kolejne ruchy. W jednym z eksperymentów wystarczyło zaledwie 300 prób, aby osiągnęła ponad 90 proc. skuteczności. Jeszcze bardziej zaskakujące było to, że AI sama wychwytywała podobieństwa między zadaniami i wykorzystywała wcześniej zdobyte umiejętności. W badaniach uczestniczył dr Michał Nauman z Uniwersytetu Warszawskiego, który wraz z naukowcami z Uniwersytetu Kalifornijskiego w Berkeley pracował nad nowymi metodami treningu sztucznej inteligencji.
Dla człowieka wykorzystywanie wcześniejszych doświadczeń jest czymś naturalnym. Kiedy nauczymy się jeździć na rowerze, łatwiej przychodzi nam opanowanie innych czynności wymagających utrzymywania równowagi. Podobnie jest z nauką gry na instrumentach czy prowadzeniem samochodu. Nie zaczynamy wszystkiego od zera, ponieważ korzystamy z tego, czego nauczyliśmy się wcześniej.
Ze sztuczną inteligencją przez długi czas nie było tak prosto. Model, który świetnie radził sobie z jednym zadaniem, podczas nauki kolejnego potrafił pogarszać wcześniejsze wyniki. Dlatego badacze często tworzyli osobne systemy wyspecjalizowane w konkretnych czynnościach. Polscy naukowcy postanowili to zmienić.
Polski naukowiec sprawdził, czy jeden model AI może nauczyć się stu różnych rzeczy
Badacze rozpoczęli od pracy nad robotem humanoidalnym. W projekcie FastTD3 opracowali sposób znacznie szybszego uczenia maszyny poruszania się, utrzymywania równowagi i wykonywania kolejnych ruchów.
Następnie zajęli się trudniejszym wyzwaniem. Chcieli sprawdzić, czy jeden system może uczyć się wielu różnych czynności bez wzajemnego zakłócania wcześniej zdobytych umiejętności.
Dr Michał Nauman w rozmowie z Serwisem Naukowym Uniwersytetu Warszawskiego wyjaśniał, dlaczego naukowcy zdecydowali się na taki eksperyment.
„Przez wiele lat nauczanie jednego zadania i wielu zadań wymagało zupełnie innych technik. Kiedy zobaczyliśmy, że nasze algorytmy zadziałały na prawdziwym humanoidalnym robocie, rozpoczęliśmy drugie badanie z zaplanowanego cyklu. Chcieliśmy sprawdzić, czy umiemy trenować jeden model na wielu zadaniach naraz. Zaskoczyło nas, że najlepiej zadziałały procedury stosowane przy nauczaniu jednego zadania, połączone ze skalą dużego modelu AI”.
Naukowiec przyznał, że kolejne rezultaty okazały się jeszcze ciekawsze od początkowych oczekiwań.
„Sztuczna inteligencja dzięki temu, że uczyła się manipulować jednym przedmiotem, jest w stanie łatwiej nauczyć się manipulowania kolejnymi. Kolejnym zaskoczeniem było, że znajdowała w tych zadaniach wspólne elementy, potrzebowała mniej danych i dochodziło do synergii między różnymi zadaniami. A splatające się ze sobą umiejętności poprawiały naukę nowych zadań w przyszłości”.
Zdaniem badacza najważniejsza korzyść jest bardzo konkretna.
„Wniosek jest taki, że lepiej, taniej i szybciej uczyć jeden model 100 różnych zadań naraz, niż trenować 100 oddzielnych modeli” – podkreślił dr Nauman.
Roboty robią salta i biegają szybciej od Bolta. Sprzedaż? 7 tys.
Jak działa nowy trening AI? Maszyna uczy się na błędach i zapamiętuje doświadczenia
W eksperymentach naukowcy wykorzystali uczenie ze wzmocnieniem, czyli metodę, w której AI zdobywa nowe umiejętności poprzez próby i błędy.
Zasada przypomina trochę trening sportowy. Robot wykonuje określony ruch, sprawdza rezultat, a następnie otrzymuje cyfrową nagrodę, jeśli zbliżył się do wyznaczonego celu. Z każdą kolejną próbą powinien coraz lepiej radzić sobie z zadaniem.
Tak można nauczyć maszynę chodzenia, biegania, chwytania przedmiotów czy utrzymywania równowagi.
Trening się komplikuje, gdy wszystkie te umiejętności musi opanować jednocześnie. Dotychczas poprawianie wyników w jednym zadaniu często przeszkadzało w nauce innego.
Aby temu zaradzić, zespół opracował metodę BRC, od angielskich słów Bigger, Regularized, Categorical.
Badacze zwiększyli możliwości modelu, zmodyfikowali sposób oceniania postępów i wprowadzili oznaczenia, dzięki którym system rozpoznawał, nad jakim zadaniem aktualnie pracuje.
Najciekawsze było jednak to, czego naukowcy nie musieli robić. Nie programowali oddzielnie wszystkich podobieństw między czynnościami.
AI uczyła się wykorzystywać wspólne elementy poszczególnych ćwiczeń. Dzięki temu nowa umiejętność nie musiała być ćwiczona od początku. Nabyte umiejętności jakby wzmacniały naukę nowych.
Pekin 2026: Robot przebiegł półmaraton szybciej niż człowiek
Nawet 40 razy mniej aktualizacji. Robotyczna dłoń zaskoczyła badaczy
Skuteczność nowej metody sprawdzono na siedmiu zestawach testowych, zawierających łącznie ponad 280 różnych zadań.
Eksperymenty dotyczyły między innymi sterowania robotami humanoidalnymi, manipulowania przedmiotami oraz zadań wykonywanych w wirtualnych środowiskach.
W jednym z trudniejszych testów model uczony wielu czynności równocześnie osiągał wyniki porównywalne z najlepszymi systemami wyspecjalizowanymi w pojedynczych zadaniach. Potrzebował przy tym nawet 40 razy mniej aktualizacji swoich parametrów.
Jeszcze bardziej wyrazisty był eksperyment z wirtualną robotyczną dłonią. Początkowo trenowano ją na 85 różnych kształtach, a później sprawdzono, jak radzi sobie z 29 nieznanymi wcześniej przedmiotami.
W jednym z wariantów wystarczyło 300 interakcji z nowym zadaniem, aby osiągnąć ponad 90 proc. skuteczności.
Wcześniejszy trening nie tylko poprawiał wyniki, lecz także pozwalał szybciej uczyć się nowych ruchów. Co ciekawe, lepiej radził sobie model, który sam przeszedł wielozadaniowe ćwiczenia, niż system korzystający jedynie z doświadczeń zgromadzonych przez inne modele.
Dla rozwoju robotyki może to mieć ogromne znaczenie. Maszyny nie będą musiały za każdym razem od początku uczyć się chwytania kolejnego przedmiotu czy wykonywania podobnych czynności.
Walki robotów na Politechnice Wrocławskiej. Piły, młoty i sztuczna inteligencja opanowały Robotic Arena 2026
AI rozwiązuje coraz trudniejsze problemy. Dokąd może dojść?
Odkrycia dotyczące treningu robotów wpisują się w znacznie szerszy rozwój sztucznej inteligencji.
Modele AI coraz lepiej radzą sobie nie tylko z tekstem, obrazami i programowaniem, lecz również ze skomplikowanymi problemami matematycznymi.
Dr Michał Nauman zwrócił uwagę na jedno z najgłośniejszych osiągnięć ostatnich miesięcy.
„Już rozwiązała milenijny problem matematyczny, nad którym człowiek pracowałby potencjalnie wiele lat. Obserwujemy, że pewne nowe zadania rozwiązuje szybciej niż inne” – powiedział naukowiec.
Badacz oczywiście nawiązuje do ogłoszonego we wrześniu 2026 roku rozwiązania problemu Naviera-Stokesa, jednego z siedmiu słynnych problemów milenijnych. OpenAI poinformowało wówczas o dowodzie opracowanym przez system sztucznej inteligencji.
Tak doniosłe twierdzenie wymaga jednak jeszcze niezależnej oceny środowiska matematycznego.
Niezależnie od tego postępy AI rodzą coraz więcej pytań. Skoro maszyny potrafią szybciej uczyć się nowych czynności i pomagać w rozwiązywaniu trudnych problemów, jak daleko może sięgnąć ich rozwój?
Technofaszyzm i kolejny kopniak w ego człowieka. Prof. Leder: AI może odebrać nam złudzenie wyjątkowości
Czy roboty zabiorą ludziom pracę? Naukowiec przypomina rewolucję przemysłową
Wraz z postępami sztucznej inteligencji rosną obawy o przyszłość zatrudnienia. Dotychczas automatyzacja kojarzyła się przede wszystkim z fabrykami i powtarzalnymi czynnościami. Teraz maszyny coraz lepiej radzą sobie również z zadaniami, które niedawno wymagały wiedzy i doświadczenia człowieka.
Czy w przyszłości roboty będą nie tylko sprzątać i wynosić śmieci? A może zajmą się również siądą za biurkiem, a my weźmiemy dłuuugi urlop?
Dr Michał Nauman porównuje obecne zmiany do jednej z największych przemian gospodarczych w historii.
„Jedyny podobny do tej sytuacji historyczny precedens to była rewolucja industrialna. Ludzie wtedy w podobny sposób bali się utraty pracy. Ostatecznie tamte innowacje okazały się przydatne, pewne zajęcia zmieniły naturę, ale na lepsze. Trudno nam dziś sobie wyobrazić, co niedługo nas czeka i niepewność nas martwi, ale wydaje mi się, że ludzie znajdą sposób, żeby żyć w harmonii z technologią i wspierać swoje marzenia” – ocenił naukowiec.
Naumann przypomina, że rozwój technologii to nie tylko znikające, niepotrzebne zajęcia i zawody. Może również prowadzić do powstawania nowych miejsc pracy i zmiany charakteru już istniejących zajęć.
Zdesperowany Australijczyk kazał AI włamać się do fitness klubu. Bot wywalił innego klienta z pilatesu
Kiedy roboty trafią do naszych domów? AI już zmienia codzienne życie
Choć humanoidalne roboty potrafią coraz więcej, nadal trudno wyobrazić sobie, że w najbliższych latach staną się tak powszechne jak telewizory czy smartfony.
Dr Nauman nie sądzi, że będziemy mieli mechaniczną służbę w najbliższej przyszłości.
„Kiedy roboty zaczną rewolucjonizować gospodarkę? Od wczoraj. Mamy już w domu inteligentne odkurzacze i miksery gotujące. Łatwo jest namówić połowę ludzkości do zainstalowania darmowej aplikacji. Sprawa jest bardziej złożona ze skomplikowanymi robotami humanoidalnymi. Przyjemnie ogląda się takie roboty na filmach, ale w prawdziwej rzeczywistości są głośne, drogie w produkcji i transporcie. Trzeba je serwisować. W związku z tym może minąć trochę czasu zanim trafią do ludzkich domów” – tłumaczył badacz.
Roboty już potrafią biegać, skakać, tańczyć ale nie potrafią prowadzić gospodarstwo domowe.
Jednak nowe metody treningu AI mogą stopniowo przybliżać taki scenariusz. Im łatwiej będzie nauczyć robota kolejnych rzeczy, tym bardziej uniwersalnym urządzeniem może się stać.
AI może zagrozić 4,5 mln Polaków. To głównie kobiety pracujące w biurach. Raport GUS
Sztuczna inteligencja zacznie uczyć się sama? Pojawia się poważny problem
Wyniki badań rodzą również pytania wykraczające poza samą robotykę. Jeżeli AI coraz lepiej wykorzystuje wcześniejsze doświadczenia, czy w przyszłości będzie potrafiła rozwijać nowe umiejętności przy coraz mniejszym udziale człowieka? Czy w ogóle będziemy wiedzieli, potrafili się zorientować czego to AI się tam cichaczem uczy?
Dzisiaj naukowcy projektują, planują zadania, przygotowują środowisko treningowe. To człowiek decyduje, czego system ma się nauczyć.
Jednak wraz z postępami badań coraz większe znaczenie mogą mieć rozwiązania, w których maszyna sama planuje kolejne ćwiczenia i szuka skuteczniejszych sposobów osiągnięcia celu.
„Wydaje się, że jesteśmy blisko momentu, w którym maszyny będą uczyły się same. Tylko czy takie rozwiązanie byłoby dobre? Z drugiej strony, na ile mamy pewność że to, czego chce społeczeństwo jest dobre? Na pewno potrzebna jest szeroka debata społeczna na temat tego, w jakiej przyszłości chcemy żyć” – zastanawia się naukowiec.
Ważne stanie się pytanie, kto będzie decydował o sposobie wykorzystywania jej możliwości.
Javier Milei proponuje korporacje nie-ludzkie. AI miałaby zarządzać firmami w Argentynie
Czego właściwie uczymy AI? Na koniec naukowcy zadali zaskakujące pytanie
Podczas eksperymentów z robotami pojawił się jeszcze jeden ciekawy problem. Badacze zaczęli zastanawiać się, czym właściwie jest pojedyncze zadanie.
Czy nauka siadania, wstawania, chodzenia i biegania to cztery zupełnie oddzielne umiejętności? A może kolejne etapy jednej, znacznie bardziej skomplikowanej czynności?
Przecież robot, który uczy się chodzić, musi wcześniej opanować utrzymywanie równowagi. Aby zacząć biegać, korzysta z ruchów wypracowanych podczas chodzenia.
„Co właściwie oznacza słowo «zadanie»? Potrzebowaliśmy go na pewnym etapie eksperymentu, ale może przestaje spełniać swoją funkcję? Czy nauka siadania, chodzenia i biegania to jedno zadanie, czy trzy? Najpierw robot leży, potem chwilę stoi, a następnie zaczyna biegać. Gdzie właściwie przebiega granica? Podobnie można spojrzeć na człowieka. Czy żyjąc, wykonujemy setki różnych zadań, czy może realizujemy jedno wielkie zadanie: dobrze przeżyć życie?” – zastanawiał się naukowiec.
Eksperymenty z udziałem polskiego naukowca pokazują, że przyszłość treningu AI może polegać nie tylko na zdobywaniu kolejnych umiejętności, ale przede wszystkim na coraz lepszym wykorzystywaniu tego, czego maszyna już się nauczyła.
A jeśli jeden model potrafi opanować setki różnych czynności i dzięki wcześniejszym doświadczeniom szybciej radzić sobie z następnymi, możliwości zastosowania takiej technologii mogą być znacznie większe, niż dziś sobie wyobrażamy.
dr Michał Nauman – informatyk i badacz sztucznej inteligencji związany z Wydziałem Matematyki, Informatyki i Mechaniki Uniwersytetu Warszawskiego. Specjalizuje się w uczeniu ze wzmocnieniem, czyli metodach pozwalających modelom AI doskonalić swoje działania na podstawie informacji zwrotnej. Doktorat z informatyki obronił na UW u dr. hab. Marka Cygana, prof. ucz. Prowadził również badania na Uniwersytecie Kalifornijskim w Berkeley.
Źródło: Serwis Naukowy Uniwersytetu Warszawskiego
Czytaj więcej
