thể lắp ráp một máy tự động vì những thành phần đã được chuẩn hóa cao
và quy trình được lập trình cao. Tuy nhiên, một nhà kho của Amazon đa
dạng về kích thước, hình dạng, trọng lượng, số lượng sản phẩm đặt trên giá
ở nhiều vị trí khác nhau và định hướng cho những vật thể không phải hình
chữ nhật. Nói cách khác, vấn đề nhận đồ trong một nhà kho được đặc trưng
hóa bởi vô số “nếu”, trong khi việc lắp ráp xe được thiết kế với rất ít “nếu”.
Vậy nên, để có thể nhận đồ trong không gian nhà kho, robot cần phải có
khả năng “nhìn” vật (phân tích hình ảnh), dự đoán góc độ và áp suất thích
hợp để giữ được vật mà không rơi hay làm vỡ nó. Nói cách khác, dự đoán
là vấn đề gốc rễ của việc nhận nhiều loại đồ trong trung tâm hậu cần.
Các nghiên cứu về vấn đề nhận đồ sử dụng phương pháp học tăng cường để
đào tạo robot bắt chước con người. Công ty khởi nghiệp ở Vancouver –
Kindred – được thành lập bởi Suzanne Gidldert, Geordie Rose và một
nhóm bao gồm cả một trong số các tác giả (Ajay) – đang sử dụng một chú
robot tên là Kindred Sort, cánh tay có sự kết hợp giữa phần mềm tự động
hóa và bộ điều khiển do con người.
2
Sự tự động hóa xác định đối tượng và
nơi mà nó muốn đến, trong khi con người – đeo một bộ thực tế ảo – hướng
dẫn cánh tay robot nhận đồ và di chuyển chúng.
Trong quá trình lặp lại đầu tiên, con người có thể ngồi ở bất kỳ đâu xa nhà
kho và hoàn thiện liên kết còn thiếu trong luồng công việc hậu cần, quyết
định góc độ tiếp cận và áp lực bám, thông qua sự vận hành của cánh tay
robot. Tuy nhiên về lâu dài, Kindred đang sử dụng một máy dự đoán được
đào tạo bằng cách quan sát cách con người nhận vật thông qua bộ điều
khiển từ xa để dạy robot tự làm việc đó.
Chúng ta có nên ngừng việc đào tạo các bác sĩ X-quang?
Vào tháng 10 năm 2016, khi đứng trên sân khấu trước 600 khán giả ở buổi
hội thảo hằng năm CDL về vấn đề kinh doanh trí tuệ nhân tạo, Geoffrey
Hinton – một người tiên phong trong hệ thống mạng lưới học sâu – tuyên
bố: “Chúng ta nên ngừng đào tạo các bác sĩ X-quang ngay bây giờ.” Theo
