Скажіть роботу «не розлий каву на мій ноутбук», і сучасні машини зроблять саме це — і нічого більше. Телефон лежить поруч з ноутбуком? Планшет заряджається з іншого боку столу? Поза межами радара робота, доки ви не прочитаєте кожне, виправлення за нудним виправленням.
Нова платформа від дослідників Массачусетського технологічного інституту та Нью-Йоркського університету має на меті закрити цю прогалину. Згідно з MIT News, система під назвою FLEX дозволяє роботам, які планують рух, виконувати чіткі вказівки людини, водночас одержуючи з них ширші узагальнення, що покращує продуктивність. Команда представить роботу на щорічній Конференції з навчання роботів (CoRL) цього місяця. For more context on this story, see our ongoing more AI stories.
«Магістри права бачили стільки текстів з Інтернету», — сказав Натан Деннлер, постдокторант Лабораторії комп’ютерних наук і штучного інтелекту Массачусетського технологічного інституту (CSAIL) і автор дослідження. «Люди, можливо, писали про те, що «Ой, мій телефон упав у воду, і тепер він не працює» або «Я пролив каву на комп’ютер, і тепер він не працює». Тож магістратури підхоплюють ідею, що рідини плюс пристрої призводять до того, що речі не працюють».
Від одного попередження до цілого звіда правил
В одному демонстраційному сценарії, описаному Массачусетським технологічним інститутом News, людина спостерігає, як роботизована рука несе чашку кави через захаращений стіл і вводить одну команду: «Не пролий на ноутбук!» Звичайний робот додав би ноутбук до свого списку уникнення та перепланував свій шлях. FLEX йде далі — робот міркує, чому ноутбуки важливі, і коригує свою траєкторію, щоб уникнути сусідньої електроніки, зокрема телефону, про який користувач ніколи не згадував.
«Ідея полягає в тому, що за вашими словами стоїть якийсь намір вищого рівня», — сказав Деннлер. «Люди природно розуміють це. Але ви повинні ретельно пояснити це роботу, що вимагає часу та зусиль. FLEX дає вам інтерфейс спілкування з роботом, щоб сказати: «Коли люди говорять це, вони мають на увазі те».
Дослідження проводила Андреа Бобу, доцент кафедри аеронавтики та астронавтики Массачусетського технологічного інституту, яка очолює Лабораторію спільного навчання та дослідження автономності (CLEAR). Серед співавторів – Одрі Лі, яка закінчила навчання в Массачусетському технологічному інституті в 2026 році, та Ілля Сухолуцький з Нью-Йоркського університету.
Як працює FLEX: додавання, узагальнення, маскування
FLEX працює як триетапний конвеєр, який виконується приблизно за п’ять секунд.
Крок 1: Додайте
Коли користувач видає виправлення природною мовою, робот додає відповідну функцію до свого поточного списку речей, які важливі для завдання. Якщо людина скаже "Не кидай це на мою кухоль!" поки робот несе кулю для боулінгу, кухоль приєднується до списку уникнення, і робот оновлює свою траєкторію. Цей крок відображає те, як попередні методи завжди працювали — і саме тут починаються їхні проблеми.
«Проблема виникає, коли ваш список функцій стає наддовгим, і деякі функції більше не актуальні, оскільки ваше середовище могло змінитися», — сказав Деннлер для MIT News. Роботу, якому наказано уникати кожного окремого об’єкта, стає повільніше коригувати та планувати, а тягар перерахування лягає на людину.
Крок 2: Узагальніть
Це основний внесок FLEX. Велика мовна модель — GPT-4o, у реалізації команди — вивчає накопичений список функцій і шукає шаблони серед елементів. Зіткнувшись із кухлем та іншими крихкими предметами, які людина позначила, LLM робить висновок про загальний клас: уникайте крихких речей, навіть тих, про які ніколи не згадувалося. Оскільки модель навчена на величезних бібліотеках людського тексту, значна частина повсякденного здорового глузду приходить попередньо встановленою.
«Магістрати права бачили стільки повідомлень з Інтернету від самих різних людей і місць», — сказав Деннлер. «Оскільки вони так багато навчалися цьому, частина цього здорового глузду вбирається в LLM».
Крок 3: Маска
Реальне середовище змінюється, а застарілі правила спричиняють нестабільну поведінку. Третій крок FLEX використовує стандартну систему комп’ютерного зору робота, щоб визначити, які позначені об’єкти більше не присутні, а потім видаляє ці записи зі списку функцій, зберігаючи поточні обмеження робота без втручання людини.
Перевірено в симуляції кави, свічки та кулі для боулінгу
Команда оцінила FLEX у моделюванні роботи-руки, яка виконує три завдання: подає чашку кави, переміщує свічку та несе кулю для боулінгу. Волонтери взаємодіяли з віртуальним роботом, вводячи команди природною мовою, такі як «Не лий на мій ноутбук», «Тримайся подалі від стосу паперу» і «Не кидай на кухоль».
У всіх трьох сценаріях робот буквально виконував кожну команду, водночас міркуючи на вищому рівні — уникав електроніки, коли отримував попередження про ноутбук, уникав легкозаймистих предметів, коли йому було наказано дивитися на свічку, і розглядав усі тендітні предмети як зони, де заборонено падіння після одного попередження про чашку.
Чому здоровий глузд є вузьким місцем для домашніх роботів
Дослідження спрямоване на постійну перешкоду споживчої робототехніки: ніхто не поставляє робота, який уже знає, що важливо у вашому домі. Планування траєкторії на основі фізики є точним, але непрозорим, і очікувати, що користувачі маніпулюватимуть математичними функціями вартості, не можна починати.
«Роботи використовують математику, щоб планувати свою траєкторію. Але ми не можемо очікувати, що споживач навчиться робити цю математику, щоб говорити роботу, що робити», — сказав Деннлер. «Замість того, щоб змушувати людей навчитися використовувати робота певним чином, мета полягає в тому, щоб взаємодіяти з роботом за допомогою природної мови».
Велика частина досліджень робототехніки вже вплітає мову в навчання роботів — уточнення цілей завдань, перенаправлення траєкторій, визначення безпечних шляхів. Але MIT News зазначає, що існуючі методи використовують мову головним чином для того, щоб вказати роботу, як фізично виконати завдання. Група Бобу просувається на інший рубіж: витягує основні, невизначені вподобання людини з кількох випадкових команд.
«У всіх будинки різні, і кожен дбає про різні речі, тому жоден робот не виходить із коробки, знаючи, що для вас важливо», — сказав Бобу для MIT News. «Що мене захоплює у FLEX, так це те, що він може підібрати це з одного-двох речень замість того, щоб просити вас описати кожне правило — і в цьому полягає різниця між роботом, якого люди терплять, і роботом, якого вони насправді хочуть у своєму домі».
Що буде далі
Робота, детально описана в статті «Редагування гнучкого репрезентації з використанням мови для адаптивної поведінки роботів», була частково підтримана Консорціумом Generative AI Impact Consortium і програмою «Соціальна та етична відповідальність обчислювальної техніки» MIT Schwarzman College of Computing.
Результати, показані на даний момент, є моделюванням, і перенесення цієї продуктивності на фізичне обладнання — з більш брудним сприйняттям, шумнішою мовою та реальними наслідками — залишається наступною перешкодою в цій галузі. Але напрямок ясний: коли роботи переходять із заводських кліток на кухні й офіси, успіхом можуть стати ті машини, які розуміють не лише те, що ми говоримо, а й те, що ми маємо на увазі.
Ця стаття заснована на звіті Дженніфер Чу, опублікованому в MIT News 9 листопада 2026 р.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
