Physical Intelligence introduceert MEM-architectuur om robots het geheugen te geven dat ze nodig hebben voor taken in de echte wereld.
In het kort
Onderzoekers hebben Multi-Scale Embodied Memory ontwikkeld, een systeem dat robots zowel een kort- als een langetermijngeheugen geeft, zodat ze hun voortgang kunnen bijhouden en complexe taken kunnen voltooien in plaats van alleen geïsoleerde handelingen uit te voeren.
Jarenlang was de droom van een echt behulpzame huishoudrobot bedrieglijk dichtbij. Robots kunnen al commando's opvolgen zoals "was de koekenpan af", "vouw de was op" of "maak een boterham". In laboratoriumomgevingen tonen deze systemen indrukwekkende behendigheid en precisie. Maar ondanks de snelle vooruitgang in robotische basismodellen, ontbrak er iets fundamenteels: geheugen.
Een robot die één enkele taak kan uitvoeren, is niet hetzelfde als een robot die een hele klus kan klaren. Het schoonmaken van een complete keuken, het koken van een maaltijd of het voorbereiden van ingrediënten voor een recept vereist meer dan alleen losse vaardigheden. Het vereist continuïteit – het vermogen om te onthouden wat er al gedaan is, wat er nog moet gebeuren en waar alles zich bevindt. Zonder die rode draad wordt zelfs de meest capabele robot verrassend incompetent.
Dit is de uitdaging die onderzoekers bij Physical Intelligence nu proberen op te lossen met een nieuwe architectuur genaamd Multi-Scale Embodied Memory (MEM) — een systeem dat is ontworpen om robots zowel kortetermijn- als langetermijngeheugen te geven, zodat ze taken kunnen uitvoeren die zich over minuten in plaats van seconden uitstrekken.
De resultaten wijzen op iets belangrijks: de toekomst van robotica hangt mogelijk minder af van betere mechanische handen en meer van een betere cognitieve architectuur.
Moderne robotmodellen beschikken al over een opmerkelijke reeks motorische vaardigheden. Ze kunnen fragiele objecten vastpakken, gereedschap hanteren en zich door rommelige omgevingen bewegen. Maar vraag een robot om een complete keuken schoon te maken – aanrecht afvegen, boodschappen opbergen, afwassen en keukengerei ordenen – en de beperkingen worden al snel duidelijk.
Het probleem zit hem niet in de vaardigheden zelf, maar in de coördinatie ervan. Complexe taken vereisen een voortdurend bewustzijn. Een robot moet onthouden welke kastjes hij al heeft geopend, waar hij een deksel heeft neergelegd of of hij een bord al heeft afgewassen. Hij moet ook objecten volgen die uit beeld verdwijnen en een mentale kaart van de omgeving behouden terwijl hij nieuwe handelingen uitvoert.
Menselijke cognitie doet dit moeiteloos. Machines konden dat tot voor kort niet. Het opslaan van elke waarneming die een robot minuten of urenlang doet, is computationeel onhaalbaar. Maar het weggooien van die informatie leidt tot chaotisch gedrag: herhaalde fouten, vergeten stappen of acties die eerdere beslissingen tegenspreken. In robotica-onderzoek wordt deze uitdaging soms omschreven als 'causale verwarring', waarbij systemen gebeurtenissen uit het verleden verkeerd interpreteren en het verkeerde gedrag versterken.
Het resultaat: robots die er indrukwekkend uitzien in korte demonstraties, maar moeite hebben om taken in de praktijk uit te voeren.
Een geheugensysteem voor fysieke intelligentie
De MEM-architectuur pakt dit probleem aan door een meerlaagse geheugenstructuur te introduceren. In plaats van alles gelijkmatig op te slaan, scheidt het systeem het geheugen in twee complementaire vormen:
Het visuele kortetermijngeheugen legt recente waarnemingen vast met behulp van een efficiënte videocoderingarchitectuur. Hierdoor kan de robot beweging begrijpen, objecten volgen over verschillende frames en gebeurtenissen onthouden die seconden geleden plaatsvonden – cruciaal voor precieze handelingen zoals het omdraaien van een gegrilde kaassandwich of het afwassen van een bord.
Het langetermijnconceptueel geheugen slaat de voortgang van een taak op in natuurlijke taal. In plaats van ruwe visuele gegevens te onthouden...defiElke nacht schrijft de robot korte tekstuele "notities" waarin hij beschrijft wat er is gebeurd, zoals "Ik heb de pan in de gootsteen gezet" of "Ik heb de melk uit de koelkast gehaald".
Deze samenvattingen worden onderdeel van het redeneerproces van de robot. In feite construeert de machine zijn eigen verhaal over de taak. De redeneermotor van het systeem beslist vervolgens gelijktijdig twee dingen: welke actie moet vervolgens worden uitgevoerd en welke informatie de moeite waard is om te onthouden. Deze combinatie stelt het model in staat taken te volgen die tot vijftien minuten duren – veel langer dan de meeste eerdere robotdemonstraties.
Een van de meest intrigerende mogelijkheden van MEM is contextuele aanpassing. Robots maken fouten. Dat is onvermijdelijk. Maar de meeste robotsystemen herhalen die fouten eindeloos omdat ze geen geheugen hebben van mislukkingen.
Het verschil wordt duidelijk in eenvoudige experimenten. In één test probeert een robot een plat eetstokje op te pakken. Zonder geheugen probeert de machine herhaaldelijk dezelfde, mislukte greep. Met ingeschakeld geheugen onthoudt de robot de mislukte poging en probeert hij een andere aanpak – met uiteindelijk succes.
Een ander voorbeeld betreft het openen van een koelkast. Op basis van alleen visuele gegevens kan de robot niet direct bepalen in welke richting de deur opengaat. Een systeem zonder geheugen herhaalt simpelweg dezelfde handeling steeds opnieuw. Een robot met geheugen probeert één richting, onthoudt de mislukking en probeert het vervolgens aan de andere kant.
Deze kleine aanpassingen vertegenwoordigen iets fundamenteels: het vermogen om te leren tijdens de taak zelf. In plaats van volledig te vertrouwen op trainingsdata, past de robot zich al doende aan.
Onderzoekers evalueerden het geheugengestuurde systeem aan de hand van steeds complexere taken. De eerste uitdaging was relatief eenvoudig: het maken van een gegrilde kaassandwich. Hiervoor was kortetermijngeheugen nodig om de timing te beheren tijdens delicate fysieke handelingen zoals het omdraaien van het brood en het op het bord leggen van de sandwich.
Vervolgens kwam een logistieke taak: ingrediënten verzamelen voor een recept. De robot moest onthouden welke items hij al had verzameld, waar ze zich bevonden en of lades en kastjes gesloten waren. Ten slotte kwam het meest veeleisende scenario: een complete keuken schoonmaken.
Dit betekende spullen opruimen, afwassen, aanrechtbladen afvegen en bijhouden welke delen van de kamer al schoongemaakt waren.
Het model met geheugenversterking presteerde aanzienlijk beter dan versies zonder gestructureerd geheugen, en toonde een grotere betrouwbaarheid en hogere voltooiingspercentages van taken aan.
Het verschil illustreert een belangrijke verschuiving in de robotica. In plaats van geïsoleerde acties te optimaliseren, bouwen onderzoekers nu systemen die in staat zijn tot continue werkprocessen.
Waarom geheugen de volgende grens in de robotica is
De bredere implicatie van MEM is dat robotica een nieuwe fase ingaat. Decennialang lag de focus van het vakgebied op perceptie en besturing: machines helpen de wereld te zien en objecten te manipuleren. De laatste tijd hebben grote multimodale modellen het vermogen van robots om instructies te interpreteren en complexe motorische handelingen uit te voeren aanzienlijk verbeterd.
Maar naarmate die mogelijkheden zich ontwikkelen, is het knelpunt verschoven. De volgende uitdaging is cognitieve continuïteit: robots in staat stellen om gedurende langere perioden te functioneren zonder hun doelen uit het oog te verliezen. Geheugensystemen zoals MEM bieden de basis voor die continuïteit. In plaats van van moment tot moment te reageren, kunnen robots een intern verhaal bijhouden over hun acties, beslissingen en omgeving. Dit verhaal maakt het mogelijk dat complex gedrag ontstaat.
Als deze aanpak zich verder ontwikkelt, reiken de gevolgen veel verder dan het schoonmaken van keukens. Toekomstige robots moeten mogelijk instructies opvolgen die zich over uren of zelfs dagen uitstrekken. Stel je voor dat je een slimme assistent de volgende opdracht geeft:
“Ik kom om 6 uur thuis, dus zorg ervoor dat het eten klaarstaat en maak het huis schoon op woensdagen.”
Het uitvoeren van een dergelijk verzoek vereist het ontleden van lange instructies, het plannen van deeltaken, het bijhouden van de voortgang en het aanpassen wanneer er iets misgaat.
Het is onmogelijk om gedurende zo'n lange periode een onbewerkte videogeschiedenis van elke actie bij te houden. Robots zullen waarschijnlijk eerder gebruikmaken van hiërarchische geheugensystemen, waarin ervaringen worden gecomprimeerd tot steeds abstractere representaties.
MEM is een eerste stap in de richting van die architectuur. Het suggereert dat de sleutel tot capabelere robots wellicht niet ligt in sterkere motoren of scherpere sensoren, maar in een beter geheugen – en het vermogen om daarover na te denken. Als robots zich eindelijk kunnen herinneren wat ze aan het doen zijn, kunnen ze de taak misschien ook eindelijk afmaken.
Disclaimer
In lijn met de Richtlijnen voor vertrouwensprojectenHoud er rekening mee dat de informatie op deze pagina niet bedoeld is en niet mag worden geïnterpreteerd als juridisch, fiscaal, beleggings-, financieel of enige andere vorm van advies. Het is belangrijk om alleen te beleggen wat u zich kunt veroorloven te verliezen en onafhankelijk financieel advies in te winnen als u twijfels heeft. Voor meer informatie raden wij u aan de algemene voorwaarden en de hulp- en ondersteuningspagina's van de uitgever of adverteerder te raadplegen. MetaversePost streeft naar nauwkeurige, onpartijdige berichtgeving, maar de marktomstandigheden kunnen zonder voorafgaande kennisgeving worden gewijzigd.
Over de auteur
Alisa, een toegewijd journalist bij de MPostis gespecialiseerd in crypto, AI, investeringen en het brede domein van Web3. Met een scherp oog voor opkomende trends en technologieën levert ze uitgebreide berichtgeving om lezers te informeren en te betrekken bij het steeds evoluerende landschap van digitale financiën.
Meer artikelen
Alisa, een toegewijd journalist bij de MPostis gespecialiseerd in crypto, AI, investeringen en het brede domein van Web3. Met een scherp oog voor opkomende trends en technologieën levert ze uitgebreide berichtgeving om lezers te informeren en te betrekken bij het steeds evoluerende landschap van digitale financiën.
