Em um estudo recente realizado no Google, engenheiros tentaram usar um modelo de inteligência artificial (IA) como base para criar um robô de quatro patas que pode aprender a se mover de forma extremamente natural, sem precisar de muita ajuda humana, como avançar, para trás, virando para a esquerda e para a direita. Além disso, ele também pode aprender a se mover com precisão em três tipos diferentes de terreno, incluindo terreno plano, almofadas macias e capachos com vãos.
Isto pode parecer simples, mas na realidade é muito difícil projetar controladores de robôs que possam lidar com comandos de navegação tão diversos e complexos, especialmente em diferentes tipos de terreno, sem a ajuda da IA. A questão principal é que os robôs podem auto-aprender e adaptar-se a muitas situações, em vez de necessitarem sempre de intervenção humana em cada passo.

A tecnologia de IA utilizada neste projeto é chamada de “aprendizagem por reforço profundo”, uma abordagem baseada na tecnologia de aprendizagem profunda inspirada na psicologia da aprendizagem e “aprendizagem por tentativa” e “aprendizagem por erro”. O poder do aprendizado por reforço profundo foi demonstrado pela primeira vez em 2013, quando a DeepMind lançou um modelo de IA que poderia aprender como jogar jogos clássicos do Atari sem quaisquer instruções.
Os videogames, ou pelo menos os jogos de simulação, também são frequentemente usados por pesquisadores de robótica para treinar seus modelos de IA. Ele cria um ótimo ambiente teórico, permitindo aos pesquisadores treinar seus robôs em um mundo virtual antes de sair para o mundo real, ajudando o robô a reconhecer e lembrar de situações que vivencia ao aprender a realizar uma tarefa específica.
Além disso, os pesquisadores do Google também estão promovendo o desenvolvimento de algoritmos aprimorados que permitem que seus robôs aprendam mais rápido e com menos tentativas.
O fato de um robô aprender a andar sozinho em 2 horas pode não ser um resultado chocante, mas mostra uma clara diferença de eficiência em comparação com os engenheiros que têm que programar especificamente cada operação. A forma como os robôs operam é manual e extremamente passiva, como antes. No entanto, as dificuldades que a equipa da Google encontrou também foram enormes.
“Embora muitos algoritmos de aprendizagem não supervisionada ou de aprendizagem por reforço profundo tenham sido demonstrados em simulação, aplicá-los a robôs em experimentos do mundo real não é simples. Primeiro, o aprendizado por reforço profundo requer uma grande quantidade de dados de treinamento de entrada, e a coleta de dados do robô também é muito cara. Em segundo lugar, o processo de treinamento exige muito tempo monitorando o robô. Se precisássemos de um humano para monitorar o robô e redefini-lo manualmente toda vez que ele disparasse – centenas ou milhares de vezes – seria necessário muito esforço e tempo para treinar o robô. Quanto mais tempo demorar, mais difícil será escalar a aprendizagem para robôs em muitos ambientes diferentes”, disse Jie Tan, um dos principais engenheiros do projeto.
No futuro, esta pesquisa poderá ajudar a criar robôs mais ágeis, capazes de se adaptar mais rapidamente a diferentes tipos de terreno. O potencial de aplicação é enorme, porém o projeto está apenas nos estágios iniciais de desenvolvimento e ainda haverá muitos desafios a serem superados.