Powiedz robotowi: „nie rozlewaj kawy na mój laptop”, a dzisiejsze maszyny zrobią dokładnie to i nic więcej. Telefon leżący obok laptopa? Ładowanie tabletu po drugiej stronie stołu? Poza radarem robota, dopóki nie przeliterujesz każdego z nich, korekta za żmudną poprawką.
Nowa platforma stworzona przez badaczy z MIT i Uniwersytetu Nowojorskiego ma na celu wypełnienie tej luki. Według MIT News system o nazwie FLEX umożliwia robotom planującym ruch wykonywanie wyraźnych instrukcji człowieka, a jednocześnie wyciąganie z nich szerszych uogólnień, które poprawiają wydajność. Zespół zaprezentuje wyniki prac na dorocznej konferencji na temat uczenia się robotów (CoRL) w tym miesiącu. Więcej kontekstu na ten temat znajdziesz w naszych najnowsze osiągnięcia AI.
„Uczelnicy LLM widzieli tak wiele tekstów w Internecie” – powiedział Nathan Dennler, postdoc w Laboratorium Informatyki i Sztucznej Inteligencji (CSAIL) MIT i autor badania. „Ludzie mogli pisać: «Och, mój telefon wpadł do wody i teraz nie działa» albo «Wylałem kawę na komputer i teraz nie działa». Dlatego firmy LLM podchwytują pomysł, że płyny i urządzenia powodują, że coś nie działa”.
Od jednego ostrzeżenia do całego zbioru zasad
W jednym ze scenariuszy demonstracyjnych opisanym przez MIT News osoba obserwuje, jak ramię robota niesie filiżankę kawy po zagraconym stole i wydaje jedno polecenie: „Nie rozlewaj laptopa!”. Konwencjonalny robot dodałby laptopa do listy unikanych obiektów i ponownie zaplanowałby jego ścieżkę. FLEX idzie dalej — robot wyjaśnia, dlaczego laptopy są ważne, i dostosowuje swoją trajektorię, aby ominąć znajdujące się w pobliżu urządzenia elektroniczne, w tym telefon, o którym użytkownik nigdy nie wspomniał.
„Chodzi o to, że za słowami, które wypowiadasz, kryje się jakaś wyższa intencja” – powiedział Dennler. „Ludzie to naturalnie rozumieją. Trzeba jednak to dokładnie wyjaśnić robotowi, co wymaga czasu i wysiłku. FLEX zapewnia interfejs komunikacji z robotem, dzięki któremu można powiedzieć: «Kiedy ludzie to mówią, mają na myśli tamto»”.
Badania prowadziła Andreea Bobu, adiunkt aeronautyki i astronautyki w MIT, która kieruje laboratorium Collaborative Learning and Autonomy Research (CLEAR). Współautorami są Audrey Lee, która ukończyła SM na MIT w 2026 r., oraz Ilia Sucholutsky z New York University.
Jak działa FLEX: dodawaj, uogólniaj, maskuj
FLEX działa jako trzyetapowy proces, który trwa około pięciu sekund.
Krok 1: Dodaj
Gdy użytkownik wprowadza poprawkę w języku naturalnym, robot dodaje odpowiednią funkcję do swojej bieżącej listy rzeczy istotnych dla danego zadania. Jeśli ktoś powie: „Nie upuszczaj tego na mój kubek!” podczas gdy robot niesie kulę do kręgli, kubek dołącza do listy unikanych obiektów, a robot aktualizuje swoją trajektorię. Ten krok odzwierciedla sposób, w jaki poprzednie metody zawsze działały – i tu zaczynają się problemy.
„Problem pojawia się, gdy lista funkcji staje się bardzo długa, a niektóre funkcje nie są już istotne, ponieważ mogło zmienić się środowisko” – Dennler powiedział MIT News. Robotowi, któremu kazano unikać każdego obiektu z osobna, wolniej jest poprawiać i wolniej planować, a ciężar wyliczania spada na człowieka.
Krok 2: Generalizuj
To jest główny wkład FLEX. Duży model językowy — wdrożony przez zespół GPT-4o — sprawdza skumulowaną listę funkcji i wyszukuje wzorce między elementami. W obliczu kubka i innych delikatnych przedmiotów, które dana osoba oznaczyła, LLM wnioskuje o ogólnej klasie: unikaj delikatnych rzeczy, nawet tych, o których nigdy nie wspomniano. Ponieważ model trenował na ogromnych bibliotekach tekstu ludzkiego, większość codziennego zdrowego rozsądku jest preinstalowana.
„LLM widziały w Internecie tak wiele SMS-ów od różnych osób i miejsc” – powiedział Dennler. „Ponieważ tak dużo trenowali w tym zakresie, część zdrowego rozsądku zostaje wchłonięta przez LLM”.
Krok 3: Maska
Rzeczywiste środowiska się zmieniają, a przestarzałe zasady powodują błędne zachowanie. W trzecim kroku FLEX wykorzystuje standardowy komputerowy system wizyjny robota do określenia, które oznaczone obiekty już nie istnieją, a następnie usuwa te wpisy z listy funkcji, zachowując aktualne ograniczenia robota bez interwencji człowieka.
Testowane w symulacjach kawy, świec i kuli do kręgli
Zespół ocenił FLEX w symulacjach ramienia robota wykonującego trzy zadania: podawanie filiżanki kawy, przesuwanie świecy i noszenie kuli do kręgli. Wolontariusze wchodzili w interakcję z wirtualnym robotem, wpisując polecenia w języku naturalnym, takie jak „Nie rozlewaj na mój laptop”, „Trzymaj się z daleka od stosu papieru” czy „Nie upuszczaj na kubek”.
We wszystkich trzech scenariuszach robot dosłownie wykonywał każde polecenie, a jednocześnie rozumował na wyższym poziomie — unikał elektroniki, gdy został ostrzeżony o laptopie, unikał łatwopalnych przedmiotów, gdy kazano mu patrzeć na świecę, oraz traktował wszystkie delikatne przedmioty jako strefy, w których nie można upuścić po pojedynczym ostrzeżeniu dotyczącym kubka.
Dlaczego zdrowy rozsądek jest wąskim gardłem dla robotów domowych
Celem badania jest utrzymująca się przeszkoda w robotyce konsumenckiej: nikt nie wysyła robota, który już wie, co jest ważne w Twoim domu. Planowanie trajektorii w oparciu o fizykę jest precyzyjne, ale nieprzejrzyste, a oczekiwanie od użytkowników manipulacji matematycznymi funkcjami kosztów jest nierozsądne.
„Roboty wykorzystują matematykę do planowania trajektorii. Nie możemy jednak oczekiwać, że konsument nauczy się tej matematyki, aby powiedzieć robotowi, co ma robić” – powiedział Dennler. „Zamiast uczyć ludzi, jak używać robota w określony sposób, celem jest interakcja z robotem za pomocą języka naturalnego”.
Duża część badań nad robotyką wplata już język w uczenie się robotów – wyjaśniając cele zadań, przekierowując trajektorie i definiując bezpieczne ścieżki. Jednak MIT News zauważa, że istniejące metody wykorzystują język głównie po to, aby powiedzieć robotowi, jak fizycznie wykonać zadanie. Grupa Bobu przekracza inną granicę: wydobywa podstawowe, nieokreślone preferencje danej osoby z kilku przypadkowych poleceń.
„Domy każdego są inne i każdego interesują inne rzeczy, więc żaden robot nie wychodzi z pudełka, wiedząc, co jest dla ciebie ważne” – Bobu powiedział MIT News. „W systemie FLEX ekscytuje mnie to, że potrafi nauczyć się tego z jednego lub dwóch zdań, zamiast prosić Cię o przeliterowanie każdej zasady — i na tym polega różnica między robotem, którego ludzie tolerują, a robotem, którego naprawdę chcą w swoim domu”.
Co będzie dalej
Prace opisane szczegółowo w artykule „Elastyczna edycja reprezentacji przy pomocy języka dla adaptacyjnego zachowania robota” były częściowo wspierane przez konsorcjum MIT Generative AI Impact oraz program Social and Ethical Responsibilities of Computing MIT Schwarzman College of Computing.
Przedstawione dotychczas wyniki to symulacje, a przełożenie tej wydajności na sprzęt fizyczny – z bardziej chaotyczną percepcją, głośniejszym językiem i prawdziwymi konsekwencjami – pozostaje kolejną przeszkodą w tej dziedzinie. Ale kierunek jest jasny: gdy roboty przeniosą się z klatek fabrycznych do kuchni i biur, sukces odniosą maszyny, które mogą rozumieć nie tylko to, co mówimy, ale także to, co mamy na myśli.
Ten artykuł powstał na podstawie raportu Jennifer Chu opublikowanego przez MIT News 9 listopada 2026 r.---
Bądź na Bieżąco z AINajnowsze wiadomości, analizy i przełomy w dziedzinie AI — wszystko w jednym miejscu.
Czytaj więcej wiadomości AI →
