A robotika talán a legérdekesebb területe a technológiai forradalomnak. A Boston Dynamics négylábú-, majd humanoid akrobatáitól mára eljutottunk oda, hogy több nagy cég is emberszabású robotok fejlesztésében látja a jövőt. Szerencsére van egy magyar srác, aki mindennek a közepébe csöppent, így minket is eligazíthat: Felber Sándorral az emberszerű robotika kihívásairól beszélgettünk. Például arról, hogy az emberi test hűtése a véráramon és a bőrön keresztül sokkal jobban megoldott, mint a mostani robotokba szerelhető elektromos motoroké.
Mióta néhány hónappal ezelőtt Párizsban jártam a Vivatech konferencián, és saját szememmel láttam, hogy a robotika területén milyen újdonságokkal rukkoltak elő startupok és nagy cégek egyaránt, nagyon elkezdett foglalkoztatni a téma. Egy szerencsés véletlennek is köszönhetően kapcsolatba kerültem egy külhonba szakadt magyar sráccal, aki a robotika tudományának legkülönfélébb területein szerzett tapasztalatokat. A többi között dolgozott a Tesla humanoid robotján is és jelenleg az amerikai Massachusetts Institute of Technology-n, azaz az MIT-n kutat. Felber Sándor fiatal kora ellenére talán az egyik legizgalmasabb tudomány- és kutatási terület úttörője: azt vizsgálja, hogyan tudnak a robotok emberként mozogni, viselkedni.
Nemzetközi ambíciók
Sándor Törökbálinton nőtt fel, majd a BME Gimnázium IB (International Baccalaureate) képzésén szerzett nemzetközi érettségit. Már ekkor is a mérnöki pálya vonzotta, a nemzetközileg akkreditált középiskolai bizonyítvány miatt külföldi továbbtanulásban gondolkozott.
Hosszas kutatás után, a képzés árának és minőségének ideális metszetében talált rá az Edinburgh-i Egyetem villamos-és gépészmérnöki szakára, ahova sikeresen felvételt nyert. Itt az alapszakos első két év után egy, az Erasmus helyettesítésre a Brexit után összerakott ösztöndíjnak köszönhetően a harmadik évét a los angeles-i UCLA-n töltötte mint cserediák. Majd a mesterre visszatért Edinburgh-be.
Tanulmányai alatt kezdett el a versenyautó építés iránt érdeklődni, ezért csatlakozott az Edinburgh-i Egyetem Formaautó Diákszövetségéhez, ahol az egyetem hagyományos, robbanómotoros pálya-autójának elektrifikációján és automatizálásán/önvezető rendszerek beépítésén dolgozott. Kezdetben az elektromos hajtáslánccal és az akkumulátor technológiával foglalkozott, majd később a teljes részleg vezetője lett.
A UCLA-s évben sem távolodott el a formaautók világától, a los angelesi Bruin Racing csapatában dolgozott, mint a csapat hajtáslánc-és jármű/meghajtás vezérlés mentora. Visszatérve Skóciába pályaautós diákszervezet elnöke is lett, és továbbfejlesztették a már elektromos önvezető járművet, főleg a biztonsági funkciók területén.
A brit autós hagyományok
Az Egyesült Királyság a formaautózás őshazája, így a mai napig hagyományosan erős az autóipari oktatásban és kutatásban. Minden évben megrendeznek egy diákoknak szóló versenyt, ahol különböző szakágakban. (1. „FS-Class”, ami belsőégésű vagy elektromos, esetleg alternatív üzemanyaggal hajtott járműveket takar, de ezeket ember vezeti. 2. „FS-AI”: ami az önvezető kategória, itt szintén bármilyen meghajtással lehet versenyezni, viszont ha saját építésű az autó, akkor a legnagyobb kihívás, hogy önvezetőnek és sofőr által is vezethetőnek kell lennie az autónak bármiféle átalakítás nélkül.) mérik össze tudásukat különböző egyetemek autóépítő csapatai. Ezeknek a jűrműveknek egy hagyományos körverseny mellett különböző strapabírással és biztonsági feltételekkel kapcsolatos teszteknek és próbafeladatoknak is meg kell felelnie. Sándor és az Edinburgh-i Egyetem csapata az elmúlt években egyeduralkodóvá vált az önvezető szakágban.
A sulin túl
Tanulmányai és extrakurrikuláris tevékenységei mellett Sándor nyaranta gyakornokoskodott is. Az első év végén a brit Newcastle-i Egyetemen, a Faraday Intézet támogatásával kutatott az egyetem akkumulátor-technológiai osztályán, ahol az elektromos autók akkumulátorainak degradálódását vizsgálta és az elhasználódás mértékének csökkentésére kereste a megoldást. A második év végén a Ballard Motive Systems (akkor még Arcola Energy) egyik projektjén dolgozott, ami Skócia első hidrogéncellás vonatának tervezése és megépítése volt, átalakítva egy korábban már leszerelt vasúti szerelvényt. Itt a nyári gyakorlata alatt hamar „előléptették”, és
egy 5 fős csapatot vezetett két hónapon keresztül, akik a hidrogéncellás elektromos rendszer és a mozdony meglévő elektromos rendszereinek összehangolásán dolgoztak.
A UCLA-n töltött amerikai csereév nyarán Sándor életében összeért az autók, az (ön)vezetés és az elektromos hajtásláncok iránti szeretet: egy sokak által ismert cég sokak által ismert projektjén dolgozott. A Tesla főhadiszállásán az Optimus fantázianevű humanoid robot korai dizájnján, amit később Elon Musk mutatott be az AI Day 2022-n.
Elsősorban a prototípusba szánt aktuátorok (elektromos jeleket forgó mozgássá, illetve lineáris toló-húzó mozgássá alakító hajtómű)tesztelésében és a tesztelés automatizálásában vett részt, valamint az ezeket irányító rendszerek fejlesztésén is tevékenykedett. Sándor szerint.
„A Tesla egy mérnöki paradicsom, ahol intenzív fejlesztés folyik és azt erős csapatszellem támogatja úgy, hogy közben mindenkinek nagyon nagy az egyéni felelőssége. Egyetemistaként is kihívásokkal teli és gyors ütemű tapasztalás volt, minden nap új problémákat kellett megoldanom. Emiatt rengeteget tanultam es nagyon gyorsan tudtam fejlődni a szakmámban.”
Miért nehéz humanoid robotokat gyártani?
Sándor az emberi test – amely több mint 600 izmot tartalmaz– fiziológiájának zsenialitását „okolja” mind a hardveres-, mind a szoftveres oldalon. Például ahhoz az összetett mozgáshoz, hogy egy 70 kilós önsúlyú humanoid robot biztonsággal le tudjon guggolni a robot „combjába” lábanként kettő, 8000N kapacitású aktuátort kell rakni (referenciának: egy ilyen aktuátor fel tud emelni egy zongorát normál lineáris mozgástartományban). Ráadásul már forgalomban lévő robotok esetében előfordul, hogy motorjaik körülbelül három-négy ilyen manőver után túlmelegednek.
„Az emberi test hűtése a véráramon és a bőrön keresztül sokkal jobban megoldott, mint a mostani robotokba szerelhető elektromos motoroké.”
Ezen túl a szoftver oldalon is nagyon bonyolult a robot folyamatos egyensúlyérzékelését, mozgását és az ehhez szükséges döntési logikákat megtanítani, majd valós időben a hardveren futtatni. „A legtöbb mai humaniod robotdemóban – gondoljunk csak a Boston Dynamics parkour-ozó robotjaira – látható robotok csak és kizárólag azt a feladatot tudják elvégezni, csak nagyon hasonló környezetben, mint amiben tanították őket, így a piacképes generalizált automata mozgástól még messze vagyunk” – mondta Sándor.
A robotok tanítása körül jelenleg nagyon erős filozófiai harc folyik: a robotikai szakemberek azon vitatkoznak, hogy melyik tanulási/tanítási forma a legjobb hatékonysági, és megbízhatósági szempontból:
- Szakemberek által felvett videós demonstráció alapján tanítani a robotokat,
- esetleg meglévő online videók alapján,
- digitális világmodelleken (lásd később),
- teleoperáción keresztül, amikor egy ember inputjai segítségével mozog, és ezáltal tanul a robot,
- vagy megerősítéses tanulással (lásd később).
Valószínű a helyes válasz valahol ezek mixében rejlik, de jelenleg a legtöbb szakértő szakrális meggyőződéssel tett fogadalmat valamelyik módszertan mellett.
Munkában a robotokkal
A skóciai mester évek alatt az Edinburgh Centre for Robotics kutatóintézetben dolgozott, ahol két- és négylábú robotok mozgásmintáinak tanításának témájában kutatott a megerősítéses mélytanulást vizsgálva és alkalmazva. Ebben a témában írta meg mesterdolgozatát is, aminek során egy négylábú robotot tanított meg egy megerősítéses öntanuló algoritmussal arra, hogy átverekedje magát egy szimulált akadálypályán. Méghozzá úgy, hogy egy előre meghatározott feltételrendszeren belül tapasztalati úton optimalizálta a rendszer önmaga célfüggvényeit.
Az már nem meglepő, hogy az Nvidia a robotika területén is jelen van, ugyanis az általuk fejlesztett szimulációs környezet és kapcsolódó fejlesztési keretrendszer, az IsaacSim es a CUDA lehetővé teszi, hogy a robotok egy digitális világban, paralelizáltan, akár több ezer párhuzamos instanciában ismételjenek egy-egy új mozdulatot, mozdulatsort újra és újra, ezzel drasztikusan lerövidítve az optimalizációs folyamatot és a generalizált mozgásformákhoz vezető utat.
Mikor fog a ChatGPT robotokat vezetni?
A nagy nyelvi modellek rohamos fejlődése rövidesen új időszámítást nyithat az öntanulás és a humanoid robotok mozgásának területén is. Egyfelől az LLM-ek megjelenéséhez vezető folyamatok során kialakult új algoritmusok is sokat tesznek hozzá a robotikához, azonban az igazán nagy lépés a generalizálódás irányába az lesz, amikor maguk a nyelvi modellekben működő folyamatok és alegységek fognak a robotok „operációs rendszereként” működni és a környezeti elemek proaktív felismerésével, illetve az abból eredő következtetések levonásával utasításokat adni a robotoknak. Azonban ez még nagyon távol van a realitástól.
Sándor szerint ebben az esetben a legszűkebb keresztmetszet az, hogy a jelenlegi modellek több ezer milliárdos paraméterkészlete csak specializált adatközpontokban futtatható, és nem fenntartható az az alternatíva, hogy a valós körülmények között „bevetett” robotok folyamatos internetkapcsolattal kommunikáljanak az adatközpontokkal valós időben, egyrészt a válaszidő kérdése miatt, másrészt az internet lefedettség miatt sem. Bár irodákban, plázákban, és főleg hotelekben már fel-felbukkanak információs és vevőszolgálati robotok, de ezek inkább 3D-s interaktív információs pultként szolgálnak, cool, avagy szórakoztató elemként. Ilyen például a Pepper robot is, amit már Magyarországon is alkalmaznak hotelek vagy irodák.
Talán a legjobb alternatíva a robotba épített specializált inferenciákra kialakított számítási kapacitás és egy optimalizált, kisebb méretű modell lenne (azaz Edge AI). Ám itt további nehézséget okoz az üzemidő kérdése, mert ezek a komplex számítások nagyon energiaigényesek még specilizált hardveren is, ami tovább rontaná az amúgy sem túl acélos üzemidőt, amit a mostani humaniod robotok tudnak az elérhető akkumulátor technológiákkal. Jogos kérdés, hogy „miért nem teszünk rájuk több akksit” – ennek komplexitását azonban lásd az előző keretesben.
Sándor a mester befejezésével ismét Amerikába tette át a székhelyét, a napsütötte Los Angeles helyett azonban Bostonban, méghozzá az MIT-n vendégkutatóskodik. „Volt ajánlatom a San Diegoi Egyetemről is, de az MIT-s projekt jobban érdekelt rövid távon, úgyhogy azt egyelőre elhalasztottam” – mondja. Jelenleg főként humanoid robotokkal foglalkozik egy nagyobb kutatócsoport, az Improbable AI (Valószínűtlen Mesterséges Intelligencia) tagjaként.
A kutatócsoport fókusza középpontjában a mesterséges intelligencia határainak feszegetése és a gépi tanulás új módszereinek kidolgozása áll többek között annak érdekében, hogy a jövőben a robotok az emberi intelligenciához közelítő képességekkel rendelkezzenek. Ugyanakkor a csoport fókusza kiterjed a robotikai hardvertervezestől az LLM nyelvi modellek és a megerősítéses tanulás kutatására és fejlesztésére is.
Aktívan keresd a jövőbeni önmagad
Az MIT-s vendégkutatói meló végével még pontosan nem tudja mivel szeretne foglalkozni, több opciót is lát maga előtt.
Pár barátjával saját startupon ügyködnek, céljuk egy olyan antropomorf játékmackó kifejlesztése lenne, amelyik kezdetben nyelvtanulásra, később általános tanári szerepben tudna szolgálni kisgyerekeket.
Ezen túl a San Diegoi Egyetemre továbbra is várják és még az sincs kizárva, hogy a Tesla roboton fog tovább dolgozni. Sándor utóbbit azért tartja nagyon izgalmasnak, mert a humaniod robotok modern gazdaságra gyakorolt hatása nagyon érdekli.
A robotok képesek helyettesíteni az emberi munkaerőt, növelve a termelékenységet anélkül, hogy további emberi munkaórákra lenne szükség. Ez azonban egy fontos kérdést vet fel: ha a robotok végzik el a munkát, mi lesz az emberek szerepe?
„Itt lép színre az univerzális alapjövedelem (UBI) koncepciója, amely biztosítaná, hogy minden egyén, függetlenül attól, hogy aktívan dolgozik-e vagy sem, megkapja a megélhetéshez szükséges jövedelmet.A robotok által generált gazdasági értéktöbblet lehetőséget teremthet az UBI finanszírozására, biztosítva az emberek számára a gazdasági stabilitást egy automatizált világban.”
Ezért nem véletlen, hogy az alapjövedelem koncepcióját különösen intenzíven vitatják Kaliforniában és a Szilícium Völgyben. A beszélgetésünk végeztével megkérdeztem Sándort, hogy mit tanácsolna azoknak a magyar fiataloknak, akik hasonló karrierben törik a fejüket.
„Talán a legfontosabb, hogy aktívan keresd és rátalálj arra a jövőbeni önmagadra, akiért megéri minden reggel felkelni.
Az én területemen elengedhetetlen az alapos ismerete a fizikának, a számítógépes ismereteknek, a mechanikus- és villamos mérnöki alapismereteknek, valamint a filozófiának. A véletlenszerűségből és a tudáshiányból fakadó bizonytalanság között fontos különbségek vannak, amik az AI-modellek létrehozására és tanítására is hatással lehetnek – így az anyagtudományra is. Ezért ha érdekel a robotika és az autonóm rendszerek, érdemes energiát fektetni ezekre a területekre.
Végül én az autonóm rendszerek tervezésében találtam meg magamnak azt az „ikigai” keresztmetszetet, amit élvezettel, produktívan, és pozitív társadalmi hatással tudok csinálni. Ehhez sok útkeresés és önismeret kell: én korábban vezettem suli újságot, illetve Model UN (ENSZ) klubot is, amit kifejezetten élveztem, de nem igazán tudtam azonosulni, így alakult aztán, hogy a mérnöki pálya mellett határoztam el magam.”