15 Redenen waarom Robotica Moeilijk is

De vooruitgang van AI gaat razendsnel, maar vrijwel al die zichtbare progressie bevindt zich in het domein van kenniswerk: activiteiten die binnen een computer kunnen plaatsvinden.

In de AI-scene van San Francisco heerst het wijdverspreide geloof dat robots spoedig een rol gaan spelen. Parallel aan de race om breed inzetbare AI te ontwikkelen, is er een even agressieve race gaande om breed inzetbare robots te creëren – humanoïde machines voorzien van fysieke intelligentie. Kunstmatige werknemers die kunnen koken en schoonmaken, dingen kunnen halen en dragen... en alles kunnen doen, inclusief het bouwen van meer versies van zichzelf. In veel voorspellingen leidt dit tot een economische groei die het best kan worden omschreven als een "explosie".

Met andere woorden: men denkt dat AI in datacenters binnenkort alle intellectuele arbeid zal overnemen, en AI in humanoïde lichamen alle fysieke arbeid. Er is echter een belangrijk verschil: terwijl we vooruitgang zien in het intellectuele domein, is de fysieke kant van AI grotendeels beperkt tot testfaciliteiten en demovideo's. Er bestaat geen robot-equivalent van ChatGPT – niets waar jij, ik, of zelfs de meeste mensen in de AI-gemeenschap, tastbaar mee kunnen werken.

Daarom zijn we aangewezen op demovideo's. Helaas zijn deze een gebrekkig instrument om vooruitgang te beoordelen. We zien mogelijk de ene succesvolle poging uit 100 attempts. Het scenario kan zorgvuldig zijn ingericht om uitdagingen te vermijden waar de robot nog niet klaar voor is. De video kan zijn gemonteerd om het te doen lijken alsof de robot sneller en betrouwbaarder handelt dan in werkelijkheid het geval is.

Demo's vestigen de aandacht op wat een robot al kán. De vraag is dan: wat ontbreekt er nog? Hieronder volgt een overzicht van de technische uitdagingen die overwonnen moeten worden op weg naar breed inzetbare kunstmatige werknemers. De volgende keer dat je een indrukwekkende robotdemo ziet, vraag jezelf dan af: welke van deze vermogens heeft de robot gedemonstreerd, en welke uitdagingen vermijdt het scenario van de demo mogelijk?

(Let op: sommige uitdagingen worden eenvoudiger als we kijken naar robots op wielen in plaats van strikt humanoïde robots. Een robot op wielen kan meer gewicht dragen, wat betekent dat kracht, uithoudingsvermogen en stroomvoorziening voor elektronica minder problematisch zijn. Ook vallen ze minder snel om. Ze kunnen echter geen trappen oplopen¹, niet over rommel stappen en kunnen zichzelf niet zo positioneren dat ze in een kast kunnen reiken.)

Handen, behendigheid en coördinatie

De menselijke hand is een technisch wonder – met opponeerbare duimen en meer. De hand heeft ongeveer twee dozijn "vrijheidsgraden" (afzonderlijke gewrichten en/of richtingen waarin elk gewicht kan buigen) en ongeveer 17.000 tactiele sensoren. Onze hersenen kunnen onze handen met voortreffelijke gratie aansturen, waarbij ze gebruikmaken van tastzin, zicht en zelfs auditieve signalen om allerlei delicate taken nauwkeurig en betrouwbaar uit te voeren.

Huidige robot-"manipulatoren" zijn een zwakke imitatie. Sommige bestaande robothanden kunnen de menselijke standaard matchen op één of ander fysiek kenmerk; sommige hebben bijvoorbeeld wel 27 vrijheidsgraden. Geen enkele komt echter in de buurt van het totale pakket van flexibiliteit, gevoeligheid, kracht, betrouwbaarheid en andere fysieke eigenschappen. Juist de combinatie van factoren is bijzonder moeilijk na te bootsen. Sommige bedrijven zijn erin geslaagd duizenden tactiele sensoren in een robotvingertop te proppen, maar niemand is erin geslaagd deze kleine sensoren bestand te maken tegen intensief gebruik².

Het aansturingsprobleem is mogelijk net zo uitdagend als het probleem van de fysieke constructie. Een competente robot moet in staat zijn om:

• De juiste set gewrichtsposities te vinden om een ingewikkeld object vast te pakken;
• De reeks bewegingen te plannen om een shirt te vouwen, een omelet om te draaien of een bout aan te draaien in een beperkte ruimte;
• Om te gaan met zachte of slaphangende materialen (wat kan vereisen dat er direct wordt gereageerd op een plotselinge verschuiving).

Visueel begrip

Computervisie heeft de afgelopen decennia enorme stappen gezet. Maar het begrijpen van complexe visuele scènes – een object uit een drukke omgeving pikken, begrijpen waar het vastgepakt moet worden, bepalen waar het veilig is om je voeten neer te zetten en voorkomen dat je iets omstoot – is geen opgelost probleem.

Planning en reactievermogen

Een algemene robot moet een taak kunnen opdelen in individuele stappen en deze stappen kunnen relateren aan zijn omgeving. Hoe manoeuvreer je je arm om een schroevendraaier in een machineonderdeel te krijgen? Wat is de snelste manier om een pad vrij te maken naar het kruidenpotje achterin de plank? In welke volgorde moet je de spullen op de woonkamervloer oprapen?

Echte autonomie vereist het plannen van taken met een grotere schaal en complexiteit: een maaltijd bereiden, een badkamer repareren of een motor herstellen. Bovendien is er de noodzaak om plannen aan te passen bij verrassingen – een vastgelopen bout, een rot stuk groente of een kind dat plotseling de keuken in rent.

De opdracht begrijpen

Wanneer huidige AI's falen bij een kenniswerktaak, komt dat vaak doordat ze onvoldoende context hebben gekregen. Robots hebben ook context nodig: waar worden voorraden bewaard? Hoe wil je dat je maaltijden worden bereid? Hoeveel hulp heeft die bewoner van het verzorgingstehuis nodig, en is dat haperen in hun loopje normaal, of een teken dat ze bijna struikelen?

Zodra ze context hebben, moeten robots kunnen redeneren, plannen en een oordeel vellen op basis van gezond verstand. LLM-gebaseerde systemen zoals ChatGPT en Claude maken grote sprongen in deze gebieden, maar het fysieke domein brengt extra uitdagingen met zich mee³. Het succes van LLM's is sterk ondersteund door de enorme hoeveelheden bestaande data voor training – een aanzienlijk deel van alle ooit geschreven boeken, het web en andere enorme databronnen. Het zal moeilijk zijn om deze schaal van breedte en diepte van data te matchen voor fysieke taken. Er is geen direct equivalent van "gewoon data scrapen" voor fysieke handelingen. Efficiënt leren, generalisatie en aanpassingsvermogen (leren tijdens het werk) lijken hier vereisten.

Samenwerking

AI-agenten opereren meestal in isolatie en in statische omgevingen. We plaatsen ze zelden in situaties waarin dingen onder hen veranderen, of we vragen ze om te coördineren. Wanneer we dat wel doen, gaat het vaak mis. Isolatie is gemakkelijker te regelen in de virtuele wereld, waar naar believen private werkruimtes kunnen worden gecreëerd en niets te zwaar is om in je eentje te tillen. Robots zullen vaak moeten samenwerken met mensen, of met elkaar.

Snelheid

Huidige algemene robots bewegen vaak veel langzamer dan mensen. De uitdagingen hierbij zijn kracht, controle (hogere snelheid betekent minder tijd om te plannen en te reageren) en veiligheid (een snel bewegende robot raakt je harder en is moeilijker te ontwijken).

Voor sommige toepassingen is "langzaam maar zeker" perfect acceptabel; het maakt me niet uit of mijn huishoudrobot de hele nacht nodig heeft om op te ruimen en de was te vouwen. Maar een robot in slow-motion is niet erg nuttig als kok of verzorgingsassistent. In een magazijn zou hij in de weg lopen. En hij zal het moeilijker hebben om genoeg werk te verrichten om zijn eigen kosten terug te verdienen.

Kracht

Sommige industriële robots zijn extreem sterk. Maar humanoïde robots – of andere zeer mobiele, "algemene" robots – zijn dat meestal niet. Het is moeilijk om kracht te combineren met een beheersbaar gewicht, een groot aantal gewrichten en een manoeuvreerbaar frame. Krachtige motoren genereren meer warmte en putten batterijen sneller uit – twee gebieden waar robots al worstelen. Bovendien vormt een sterke, zware robot grotere veiligheidsrisico's.

Mobiliteit

Het is nog onduidelijk wat de juiste vormfactor is voor algemene robots, vooral wat betreft het onderlichaam. Moeten ze wielen of benen hebben? Twee benen, vier, of een ander aantal? Wielen zijn goedkoper, stabieler en betrouwbaarder; benen zijn beter voor het oversteken van obstakels en het beklimmen van trappen. Een bipedaal (tweebenig) frame is manoeuvreerbaarder, maar ook vatbaarder voor omvallen als er iets misgaat. In ieder geval is de vraag: kan de robot betrouwbaar navigeren in zijn werkomgeving?

Veiligheid

De veiligheidsoverwegingen voor algemene robots zijn bijna grenzeloos. Een robot met een glitch of defect zou tegen iemand aan kunnen botsen, op iemand kunnen vallen, iets op iemand kunnen laten vallen, iets kunnen morsen, glas kunnen breken of brand kunnen veroorzaken.

Veiligheid voor LLM-gebaseerde agenten rust mede op de controle van discrete acties, zoals pogingen om een e-mail te verzenden of een bestand te verwijderen. Robots bewegen constant, en het is niet zo eenvoudig om enkele specifieke bewegingen aan te wijzen als de potentieel gevaarlijke die controle vereisen.

Als een zelfrijdende auto in een situatie terechtkomt die hij niet kan handelen of een glitch ervaart, kan hij aan de kant gaan of, in het ergste geval, simpelweg remmen. Een algemene robot die plotseling bevriest, zou iets op het fornuis kunnen laten staan, midden in een stap kunnen omvallen, of de persoon die hij assisteerde kunnen laten struikelen.

En natuurlijk kan gevaar ontstaan door menselijk handelen, zoals een kind dat voor een robot uit rent. Ik heb liever dat mijn kind wordt aangestoten door een zacht mens dan door een metalen robot; en zoals het er nu voor staat, vertrouw ik liever op menselijke reflexen en aanpassingsvermogen om te voorkomen dat ik over dat kleine ondeugendje struikel. (Hoe sterker, zwaarder en capabeler de robot, hoe groter de risico's.)

Uithoudingsvermogen

Huidige bipedale robots kunnen doorgaans een paar uur draaien voordat ze moeten worden opgeladen. Ik vermoed dat dit geen beperkende factor zal zijn: als er een workaround nodig is, vinden we die wel, of dat nu betekent het wisselen van batterijpakketten, oplaadgrids in de vloer, of een kabel naar een grote batterij op wielen⁴.

Ik was echter verrast om te leren dat oververhitting een serieuze uitdaging is voor continue werking. Een robot ter grootte van een mens genereert ongeveer twee keer zoveel warmte als een persoon, en robots hebben niet dezelfde elegante mechanismen (doorbloeding van het hele lichaam en zweten) om die warmte te verspreiden en af te voeren.

Dan is er de vraag over betrouwbaarheid. Robots hebben grote aantallen bewegende delen, waarvan velen noodzakelijkerwijs fragiel zijn, omdat ze zijn ontworpen om de grenzen van grootte, gewicht en prestaties op te zoeken. Als gevolg hiervan hebben huidige pogingen tot algemene humanoïde robots vaak te maken met storingen. (Contrasteer dit met het menselijk lichaam, dat constant herstelt van slijtage en een aanzienlijk vermogen heeft tot zelfherstel en compensatie voor kleine defecten.)

Generalisatie en randgevallen (Edge Cases)

Waymo's zelfrijdende auto's worstelen met randgevallen. Ze zijn onlangs gezien terwijl ze in overstroomde wegen reden of over brandend vuurwerk reden. Dit ondanks het feit dat zelfrijdende auto's al meer dan twee decennia in ontwikkeling zijn, en Waymo-auto's in het bijzonder meer dan 220 miljoen mijl hebben afgelegd – 250 keer zoveel als een gemiddelde Amerikaan in zijn hele leven rijdt.

Voor alle vreemde randgevallen die bij het rijden optreden, zullen robots die in huizen en bedrijven werken er nog veel meer tegenkomen. Ze zullen worden geconfronteerd met een grotere variëteit aan taken, gebruikmakend van een grotere variëteit aan apparatuur (verschillende gereedschappen; verschillende robotlichamen om die gereedschappen vast te pakken), in een grotere variëteit aan omgevingen. Het bereiken van betrouwbare werking buiten de gecontroleerde omgeving van een fabrieksvloer is wellicht de moeilijkste uitdaging van allemaal.

Rekenkracht (Compute)

Behendigheid, coördinatie, visueel begrip, planning, reageren, begrijpen, samenwerken – en dit alles snel, veilig en betrouwbaar doen – vereist veel rekenkracht. Het integreren van de nodige rekencapaciteit in de robot zelf verhoogt de kosten, put batterijen uit en draagt bij aan oververhitting. De "hersenen" van de robot in de cloud laten, vertraagt de reactietijden en introduceert nieuwe foutmodi (Wi-Fi uitval → dode robot).

Schaalbaarheid

Om robots "echt te laten gebeuren", zijn er heel veel robots nodig. LLM's konden snel schalen vanaf het moment dat ChatGPT werd gelanceerd, omdat bestaande hardware (GPU's) en productiefaciliteiten (chip-fabs) gemakkelijk konden worden aangepast aan het nieuwe gebruiksscenario.

Grootschalige toeleveringsketens voor geavanceerde robots bestaan nog niet. Zelfs als we werkbare ontwerpen hebben, kan het jaren duren voordat ze op schaal kunnen worden geproduceerd, ingezet en onderhouden. Dit soort zaken gebeurt niet van de ene op de andere dag; Tesla deed er 14 jaar over om te groeien van de eerste commerciële verkopen naar hun eerste jaar met een miljoen auto's⁵. Een analyse wees uit dat zodra het startschot is gegeven (geavanceerde humanoïde robots economisch waardevol worden), het enkele jaren kan duren om op te schalen naar de productie van enkele miljoenen robots per jaar. ChatGPT bereikte daarentegen binnen twee maanden na lancering 100 miljoen gebruikers⁶.

Politieke en maatschappelijke uitdagingen

• Politieke, regelgevende, organisatorische en culturele barrières: zorgen over baanverlies en veiligheid kunnen beperken waar en hoe robots kunnen worden gebruikt. Veel regelgeving is niet geschreven met robots in het achterhoofd – telt een robot mee voor de minimale personeelsbezetting? Zullen bedrijven snel overstappen op robots? Zullen ze zorgen hebben over betrouwbaarheid, beveiliging, aansprakelijkheid en onderhoud? Willen klanten bediend worden door een robot?
• Cybersecurity, surveillance en misbruik: een geavanceerde robot zou de droom van een crimineel kunnen zijn – een betrouwbare handlanger die zijn eigenaar niet kan verraden⁷. Het voorkomen hiervan zou continue monitoring van alle robots kunnen vereisen, wat allerlei zorgen oproept. En de cybersecurity van robots zal waterdicht moeten zijn.
• Privacyzorgen: mensen maken zich al zorgen over de privacy van Roombas. Een humanoïde huishoudrobot zou in staat zijn om veel meer te zien en te horen.
• Kosten: zodra de andere hindernissen zijn weggenomen, vermoed ik dat dit niet veel van een beperkende factor zal zijn. Een onvermoeibare werknemer voor de prijs van een nieuwe auto zou een koopje zijn. Het kan zijn dat de componenten, productietechnieken en trainingsprocessen vroege modellen veel duurder maken dan een auto, maar zelfs dure robots zullen waarschijnlijk vroege use-cases vinden, bijvoorbeeld voor gevaarlijk werk.

De kloof tussen Demo en Realiteit

Er moeten veel hindernissen worden overwonnen voordat robots capabele, betrouwbare en praktische werknemers worden buiten zorgvuldig gecontroleerde fabrieksomgevingen. De lijst die ik heb gepresenteerd is zeker onvolledig; en ik heb de cognitieve kant – begrijpen, plannen, handelen en reageren – slechts kort aangestipt.

Demovideo's geven een glimp van wat robots kunnen presteren onder ideale omstandigheden. Ze kunnen ons ook afleiden van de resterende beperkingen. Voor kenniswerk is er een consistente kloof in AI-prestaties tussen benchmarks en werk in de echte wereld. In de fysieke wereld vermoed ik dat de kloof tussen demo en realiteit nog groter zal zijn. Experimenteren met een LLM om te zien wat het kan, is toegankelijk, goedkoop en (meestal!) veilig geweest. Om de mogelijkheden van robots te beoordelen, zullen we veel meer afhankelijk zijn van gecontroleerde demo's en beweringen van fabrikanten. Het zal moeilijker zijn om de grillige grens van hun vermogens in kaart te brengen.

***

Voetnoten:

¹ Er zijn vierbenige robots wiens "voeten" wielen zijn, die kunnen afwisselen tussen rollen en lopen, en die trappen kunnen beklimmen. Tot nu toe is er echter geen teken dat dit ontwerp mainstream gaat.

² Er kunnen oplossingen worden gevonden. Sommige robotontwerpen gebruiken camera's om gedeeltelijk te compenseren voor tactiele gevoeligheid, met extra "ogen" in de polsen of elders; een robot zou zelfs gebruik kunnen maken van losse camera's via Wi-Fi. Robots zouden ook niet-menselijke zintuigen kunnen integreren, zoals ultrasoon geluid.

³ Zie de uitleg over het belang van stilzwijgende kennis (tacit knowledge) in biolaboratoriumwerk voor een voorbeeld van hoeveel robots moeten leren.

⁴ Een recente demonstratie liet een robot zien die 200 uur onafgebroken pakketten sorteerde en 250.000 pakketten verwerkte... met behulp van drie verschillende robots, die elkaar afwisselden terwijl de anderen opliepen. Dit was bedoeld als demonstratie van zowel betrouwbaarheid als uithoudingsvermogen.

⁵ Van 2008 tot 2022.

⁶ Gemeten aan de hand van maandelijkse actieve gebruikers.

⁷ Ervan uitgaande dat de crimineel erin slaagt een papieren spoor te vermijden dat hen met de robot verbindt.

⁸ Ten minste, vergeleken met een auto met verbrandingsmotor.