Robots en artificiële intelligentie: een droomhuwelijk?

In The Jetsons, een populaire Amerikaanse animatieserie over een gezin dat in het jaar 2060 leeft, rolt huishoudrobot Rosey vlijtig door beeld. Rosey is hardwerkend, hondstrouw en... behoorlijk intelligent. Nu de ontwikkelingen in artificiële intelligentie (AI) en robotica op kruissnelheid komen, lijkt die verre toekomst stilaan werkelijkheid te worden. Maar welke hindernissen zijn er nog vooraleer we humanoïde robots in onze woonkamer mogen verwelkomen? Professor AI Steven Latré (imec) en professor Robotica Bram Vanderborght (Brubotics/imec) gunnen ons een blik achter de schermen van hun labo’s, en tegelijk een blik in de toekomst.

Robotica en AI: samen in de lift

Nonkels die robotachtige moves tentoonspreiden op de dansvloer: die kenden we al. Maar robots die moeiteloos de danspasjes van de gemiddelde mens overklassen qua ritmiek en souplesse? Dat was eind 2020 reden genoeg om filmpjes (afkomstig van het Amerikaanse bedrijf Boston Dynamics) viraal te laten gaan. Het illustreert dat de tijd niet stilgestaan heeft in de wereld van de robotica. Het aantal sensoren is exponentieel gestegen. En hetzelfde geldt voor het aantal toepassingen en functies dat een robot kan vervullen, in interactie met de wereld rondom hem. Zo wordt het onder meer mogelijk om precaire taken uit te voeren, zoals een aardbei plukken zonder ze plat te knijpen. Het klinkt misschien niet gek spectaculair, maar voor een robot is het dat wel.

En ook AI is in een fenomenale stroomversnelling terechtgekomen. Sinds 1997, toen Deep Blue voor het eerst schaakgrootmeester Garri Kasparov van de troon stootte, is de kracht van AI alleen maar toegenomen. Naarmate algoritmes zich voeden met meer data, worden voorspellingen steeds nauwkeuriger en sneller. Bovendien beperkt AI zich al lang niet meer tot een relatief eenvoudige opdracht als schaken. De AI-chatbot ChatGPT schrijft complexe computerprogramma’s, bevlogen speeches en zelfs hiphopteksten in een handomdraai. De trend is duidelijk: de AI-assistent combineert steeds meer taken, wordt steeds veelzijdiger en daardoor breder inzetbaar.

Wat als we die twee technologische sneltreinen aan elkaar vastkopppelen tot AI-robots? Komen we dan in de buurt van huishoudrobot Rosey uit The Jetsons, die een hele keur aan klusjes kan aanleren in een dynamische context zoals onze woonkamer of het verkeer? Zover zijn we nog niet.

Slimme robots moeten nog over 3 hindernissen springen

Hindernis 1: honderd procent veiligheid bewijzen

Van zodra robots niet meer in een afgesloten kooi zitten, maar een fysieke ruimte delen met de mens, wordt veiligheid een absolute prioriteit. En zelfs al neemt AI vandaag in 99.9 procent van de gevallen de juiste beslissing, dan nog is dat niet genoeg voor zorgrobots, zelfrijdende auto’s of huishoudrobots.

“Voor machines zijn we strenger dan voor mensen: we willen met een mathematische zekerheid van bijna honderd procent kunnen voorspellen wat een robot zal doen, voor we ze in onze samenleving loslaten. Die verwachting gaat in tegen hét basisprincipe van AI. Intelligente robots moeten nieuwe dingen kunnen leren, taken die niet voorgeprogrammeerd en dus per definitie niet honderd procent voorspelbaar zijn”, zegt Steven Latré.

Hoe lossen we die paradox op? De oplossing schuilt in een samenspel van modelgebaseerde systemen en AI. Laten we even terugkeren naar de dansende robots van Boston Dynamics: hoe indrukwekkend ze ook mogen bewegen, ze hebben nauwelijks AI. Toch zijn ze ook niet volledig voorgeprogrammeerd. Ze maken gebruik van wat we ‘modelgebaseerde controle’ noemen. Om te bewegen gebruiken ze modellen die geënt zijn op de wetten van Newton bijvoorbeeld. Anders dan AI kunnen zulke modellen wel hun veiligheid bewijzen met honderd procent zekerheid.

Dat heeft ook nog andere voordelen. Want stel dat je het gewicht van je robot verandert, of stel dat je een onderdeel verandert, dan moet je slechts één parameter aanpassen in het model, zonder dat je de robot helemaal opnieuw moet laten leren hoe hij moet bewegen. Bestaande modellen zijn soms echter ontoereikend, zeker als het gaat over wrijving, perceptie en andere parameters die in de wereld buiten een labo sterk kunnen variëren. En dan moet een robot op basis van de modellen iets gaan bijleren.

Daar begint AI. Autobouwer Hyundai, dat eigenaar is van Boston Dynamics, heeft intussen trouwens volop de kaart van AI getrokken, en investeerde recent 400 miljoen dollar in de oprichting van een eigen AI-instituut.

“Als we het beste van beide werelden combineren, wordt veel mogelijk. Met een modelgebaseerde controlelaag kan je vermijden dat de robot onveilige dingen kán doen, zoals tegen obstakels of mensen botsen. Daarop kan je dan AI loslaten, waarmee robots nieuwe taken kunnen leren”, verduidelijkt Bram Vanderborght.

“Tegelijk zal AI ook moeten samenwerken met modelgebaseerde controle als het over de perceptie en interpretatie van de omgeving van de robot gaat”, vult Steven Latré aan. “AI deeplearning is de efficiëntste manier – beter dan gelijk welk model - om radarbeelden of lidarinformatie snel te analyseren: dit is een auto, dit is een fiets, dit is een voetganger. Maar AI heeft het moeilijker met de interpretatie: staat de fiets gemonteerd op een auto, of dwars over een zebrapad aan de hand van een overstekende voetganger? Machine learning zal in beide gevallen de fiets makkelijk herkennen, maar het verschil in betekenis voor een auto: dat kan je beter in regels gaan gieten.”

“De foutenmarge van een zelfrijdende wagen zal vele malen lager moeten liggen dan die van de mens vooraleer ze maatschappelijk aanvaard zullen worden. Maar we moeten onder ogen zien dat ze wel degelijk een enorme kans bieden om de verkeersveiligheid te verhogen: vergeet niet dat er momenteel 500 verkeersdoden per jaar te betreuren zijn op onze Belgische wegen”, merkt Bram Vanderborght op.

“Loopt er dan toch iets mis, dan is de vraag wie aansprakelijk zal zijn. De robotbouwer, de ontwikkelaar van het algoritme, de ontwikkelaar van de app die je gebruikt hebt? Dat is nog een belangrijke juridische knoop die we moeten ontwarren”, aldus Steven Latré.  

Een nadeel van artificiële intelligentie tot slot, is dat wat geleerd wordt een “zwarte doos” is. Het AI-systeem heeft het vandaag vaak moeilijk om uit te leggen waarom de robot bepaalde controlebeslissingen neemt. Tussen haakjes: Explainable AI (XAI) probeert daaraan tegemoet te komen en het inzicht in de werking van AI-methodes en algoritmes sterk te vergroten.

Hindernis 2: AI heeft te veel rekenkracht nodig om te leren

Het probleem met methodes die zuiver gebaseerd zijn op artificiële intelligentie, is dat het enorm veel centrale rekenkracht vergt. Om het AI-taalmodel GPT-3 te ontwikkelen dat aan de basis ligt van de chatbot ChatGPT, werden 175 miljard parameters gebruikt. Onderzoekers hebben berekend dat het hele ontwikkelingsproces een slordige 1.024 processoren, 34 dagen en 4,6 miljoen dollar moet hebben gekost om het model te trainen. Hoewel het energieverbruik niet officieel bekend is gemaakt, wordt geschat dat GPT-3 936 MWh heeft verbruikt. Ter vergelijking: dat is evenveel elektriciteit als 318 Vlaamse gezinnen gemiddeld samen verbruiken over een volledig jaar.

Zo’n taalmodel heeft dan nog duidelijk omschreven regels, en heeft geen last van de complexe wetten van de fysica. Je kan je voorstellen dat het érg moeilijk wordt om een humanoïde robot zelf iets te laten leren, met tientallen motoren die in evenveel posities kunnen staan, en die onderhevig zijn aan alle wetten van de fysica. De gegevensverwerking kan dat vandaag nog niet aan. Bovendien kan zomaar exploratief leren gevaarlijk zijn. Anders dan met simulaties, werk je met échte hardware. Je wil je robot niet 4,9 miljoen keer kapot laten vallen vooraleer hij uiteindelijk kan lopen. En je wil nog minder dat een cobot eerst miljoenen keren tegen iemand aanbotst voor hij leert hoe dat te vermijden.

“Een betere integratie van AI-software en hardware kan de processen efficiënter maken”, legt Steven Latré uit. “We kijken daarvoor ook naar een geheel nieuwe computer- en chiparchitectuur, met onder meer optische, supergeleidende verbindingen, snellere processoren, nieuwe geheugensystemen en zuinigere algoritmes. Tot slot is het zaak om deeplearning in te zetten waar het goed in is: om grote hoeveelheden data van sensoren snel te analyseren, bijvoorbeeld. Of om cobots nieuwe, lichtjes afwijkende taken te leren aan een relatief statische werkbank.AI-systemen en niet-AI-systemen moeten intensief samenwerken”, besluit Steven Latré. 
      

Hindernis 3: energie-efficiëntie van AI en robots

Aan de fenomenale rekenprestaties van AI en aan de indrukwekkende bewegingen van robots hangt een prijskaartje vast: een losgeslagen energieverbruik. Een zelfrijdende wagen (met een autonomie-level 4) spendeert naar schatting tot een derde van z’n energie aan de verwerking van sensoren en AI. Op de autosnelweg valt het weliswaar beter mee, maar de complexiteit van een binnenstad jaagt het gemiddeld verbruik pijlsnel de hoogte in. Mét AI rijdt zo’n wagen dus een derde minder ver dan zonder. Dat energieverbruik dreigt een bottleneck te worden, ook buiten de cockpit van de zelfrijdende auto.

Want terwijl auto’s maximaal een zestigtal sensoren hebben om obstakels te vermijden, zijn humanoïde robots, die veilig in fysieke interactie moeten treden met mensen, al gauw uitgerust met honderden exemplaren. Gevolg: de hoeveelheid aan rekenkracht voor gegevensverwerking dreigt verder te exploderen. De benodigde rekenkracht van AI-software groeit jaarlijks met factor 10. De Wet van Moore, die voorspelt dat het aantal transistors op één chip – en dus de rekenkracht - om de twee jaar verdubbelt, kan onmogelijk bijbenen.

Een oplossing ligt misschien dichter bij ons dan je zou vermoeden. Het menselijk brein is ongeveer 50.000 keer zo energie-efficiënt als de huidige AI-systemen. Dat heeft te maken met de sterke integratie van onze tastzin, onze zenuwbanen en ons brein. Voor AI-onderzoek betekent het een trendbreuk. Vandaag worden de chip waarop AI draait, de sensor en de software los van elkaar ontwikkeld - en op het eind van hun ontwikkeling samengebracht. Daar gaat veel energie verloren. Want we zullen niet alleen nieuwe algoritmes moeten ontwikkelen om de energie-efficiëntie te verhogen, maar ook bijbehorende chips en sensoren. Hardware die afgestemd is op de software, en vice versa, kunnen er samen voor zorgen dat artificiële intelligentie minder energie verbruikt.

“De ontwikkeling van sensoren, gegevensverwerking en hardware moet dus in synergie gebeuren, naar analogie met hoe dat in de natuur gebeurt. Dat is de richting die we uit moeten gaan als we willen vermijden dat de energie-vraatzucht van AI een rem zet op de ontwikkeling van slimme robots”, zegt Steven Latré.

De toekomst: mens en robot reiken elkaar de hand

Onze popcultuur is doordrenkt met dystopische verhalen over robots. Ze zouden zomaar ons werk kunnen afpakken of -erger nog- ons koudweg overmeesteren en een eigen hegemonie installeren. De realiteit is gelukkig meer hoopgevend. Zo zien we vandaag toepassingen in de chirurgie, waar robots artsen helpen om nauwkeuriger te werken, en worden revalidatierobots ontwikkeld die patiënten helpen om de oefeningen goed uit te voeren die een kinesist voorgeschreven heeft. In de ouderenzorg bijvoorbeeld, kunnen AI-robots eenvoudige taken overnemen, zoals het rondbrengen van eten. Zo krijgen medewerkers ademruimte om zich op hun kerntaken te focussen: mensen verzorgen. Robot en mens werken complementair.

“AI maakt vandaag nog fouten. Dat is logisch: de laatste 0.1% van automatisatie vergt evenveel onderzoek als de eerste 99.9%. De kans is reëel dat we nog een tijdje met imperfecte AI zullen werken. Daarom is het zaak om AI-robots in te zetten waar de kost van fouten niet groot is”, zegt Steven Latré. “Wanneer Amazon je een fout boek aanraadt, dan geeft dat niet zo. Anders is het wanneer een robot zich in het verkeer begeeft. In dat geval kan je best een mens in de loop houden om eventuele fouten te herstellen. Eerder dan mensen te vervangen, zullen mens en machine moeten samenwerken. Kijk naar rij-assistentie op de autosnelweg: het verlicht de bestuurder op saaie stukken. Maar moeilijke stukken doet de bestuurder wel zelf – en de informatie wordt doorgestuurd naar een lerend AI-systeem. Of in bij de diagnose van ziektes: AI kan de data snel analyseren, zodat de dokter zich kan focussen op de interpretatie en de behandeling van de patiënt.”

AI maakt vandaag nog fouten. Dat is logisch: de laatste 0.1% van automatisatie vergt evenveel onderzoek als de eerste 99.9%.

Vanderborght beaamt: “de vrees dat robots onze jobs zouden afpakken, is ongegrond gebleken. Vandaag is de vraag eerder: zullen onze robots wel op tijd klaar zijn om de grote uitdagingen en personeelstekorten van de toekomst op te vangen?”

Kruispunt van technologieën

De grote uitdaging in de nabije toekomst is de succesvolle integratie van technologieën. Zowel het basisonderzoek als toegepast onderzoek zijn nodig om robots technologisch rijp te maken voor de markt. Zo waren drones 10 jaar geleden alleen te zien op blitse technologiecongressen, maar van zodra de batterijen voldoende dichtheid per gewicht hadden, de motoren sterk genoeg werden en de processing chips klein genoeg, is de dronemarkt geëxplodeerd. De architect, de boer, de politie-agente: allemaal gebruiken ze die nu om te observeren.

Bij humanoïde robots die niet alleen in een labo maar ook in onze leefomgeving kunnen opereren, komen er heel veel technologieën samen. En de som van die technologische delen is nog niet op het niveau om klaar te zijn voor de huiskamer. Zo zijn de batterijen van de dansende robots van Boston Dynamics na een uurtje al leeg en lukt het voorlopig nog niet om een humanoïde robot een goed gevulde vaatwasmachine te laten uitladen. Ook schijnbaar eenvoudige taken als deuren openen, bouten aanvijzen en supermarktzakken vullen, zijn nog heel moeilijk tot onmogelijk voor robots.

De batterijen van de dansende robots van Boston Dynamics zijn na een uurtje al leeg en het lukt voorlopig nog niet om een humanoïde robot een goed gevulde vaatwasmachine te laten uitladen.

Europa: het epicentrum van AI-gedreven robotica

De EU staat vandaag sterk op het vlak van robotica, met toonaangevende producenten als Siemens en ABB. In totaal levert Europa wereldwijd 32 procent van de industriële robots en 63 procent van de servicebots. En ook op het vlak van AI komt er een heuse Europese dynamiek op gang, met de Europese AI-act als kompas voor een compleet eigen AI-model. Dat model verschilt van het Chinese doordat het niet state-owned is en onderworpen is aan transparante ethische regels, en het verschilt van het Amerikaanse doordat het AI toegankelijk maakt voor kleinere en middelgrote ondernemingen.

“Voor de Europese AI- en robotontwikkelaars is ethiek geen showstopper, maar net een kans om zich te differentiëren in de markt. En als Europese waarden ingebakken worden in de Europese robot, dan zal dat ook het draagvlak ten goede komen”, besluit Bram Vanderborght.