Det är troligt att innan alltför lång tid, robotar kommer att finnas i hemmet för att ta hand om äldre människor och hjälpa dem att leva självständigt. Att göra det, de kommer att behöva lära sig hur man gör alla små jobb som vi kanske kan göra utan att tänka. Många moderna AI-system är tränade för att utföra specifika uppgifter genom att analysera tusentals kommenterade bilder av den åtgärd som utförs. Även om dessa tekniker hjälper till att lösa allt mer komplexa problem, de fokuserar fortfarande på mycket specifika uppgifter och kräver mycket tid och processorkraft att träna.

Om en robot ska hjälpa till att ta hand om människor i hög ålder, då kommer utbudet av problem den kommer att stöta på i hemmet att variera enormt jämfört med dessa träningssituationer. Under loppet av en dag, robotar kan förväntas göra allt från att göra en kopp te till att byta sängkläder medan de håller en konversation. Det här är alla utmanande uppgifter som är mer utmanande när de görs tillsammans. Inga två hem kommer att vara de andra likt, vilket kommer att innebära att robotar måste lära sig snabbt och anpassa sig till sin miljö. Som alla som delar ett hem kommer att uppskatta, de föremål du behöver kommer inte alltid att finnas på samma plats – robotar måste tänka på fötterna för att hitta dem.

Ett tillvägagångssätt är att utveckla en robot med förmåga till livslångt lärande som kan lagra kunskap baserad på erfarenheter, och ta reda på hur man kan anpassa och tillämpa det på nya problem. Efter att ha lärt sig att göra en kopp te, samma färdigheter skulle kunna tillämpas på att göra kaffe.

Det bästa inlärningsmedlet som forskare känner till är det mänskliga sinnet, som är kapabel att lära sig hela livet – anpassa sig till komplexa och ständigt föränderliga miljöer och lösa en mängd olika problem dagligen. Att modellera hur människor lär sig kan hjälpa till att utveckla robotar som vi kan interagera med naturligt, nästan som hur vi skulle interagera med en annan person.

Simulera ett barns utveckling

Den första frågan att ställa när man börjar modellera människor är, var ska man börja? Alan Turing, den berömda matematikern och tänkaren om artificiell intelligens sa en gång:"Istället för att försöka producera ett program för att simulera det vuxna sinnet, varför inte snarare försöka ta fram en som simulerar barnets? Om detta sedan underkastades en lämplig utbildning skulle man få den vuxna hjärnan."

Han jämförde barnets hjärna med en tom anteckningsbok som kunde fyllas genom utbildning för att utveckla ett intelligent vuxen "system". Men hur gammal är ett mänskligt barn som forskare borde försöka modellera och installera i robotar? Vilka initiala kunskaper och färdigheter behöver en robot till att börja med?

Nyfödda barn är mycket begränsade i vad de kan göra och vad de kan uppfatta av världen omkring dem. Muskelstyrkan i en babys nacke är inte tillräcklig för att stödja huvudet och de har ännu inte lärt sig att kontrollera sina armar och lemmar.

Att börja på månad noll kan verka väldigt begränsande för en robot, men de fysiska begränsningarna för barnet hjälper det faktiskt att fokusera sin inlärning på en liten delmängd av problem, som att lära sig att samordna sina ögon med vad den hör och ser. Dessa steg utgör de inledande stadierna av en baby som bygger upp en modell av sin egen kropp, innan du försöker förstå alla komplexiteten i omvärlden.

Vi tillämpade en liknande uppsättning begränsningar på en robot genom att initialt låsa olika leder från att röra sig för att simulera frånvaron av muskelkontroll. Vi justerade också bilderna från robotens kameraseende för att "se" världen hur ett nyfött barn skulle göra — en mycket suddigare vy än vad vuxna är vana vid. Istället för att berätta för roboten hur den ska röra sig, vi kan låta den upptäcka detta själv. Fördelen med detta är att när kalibreringar förändras över tiden, eller när lemmar skadas, roboten kommer att kunna anpassa sig till dessa förändringar och fortsätta att fungera.

Lärande genom lek

Våra studier visar att genom att tillämpa dessa begränsningar på lärande, inte bara ökar takten med vilken nya kunskaper och färdigheter lärs in, men precisionen i det som lärs ökar också.

Genom att ge roboten kontroll över när begränsningarna upphävs – vilket ger mer kontroll över dess leder och förbättrar dess syn – kan roboten kontrollera sin egen inlärningshastighet. Genom att häva dessa begränsningar när roboten har mättat sitt nuvarande utrymme för inlärning, vi kan simulera muskeltillväxt hos spädbarn och låta roboten mogna i sin egen takt.

Vi modellerade hur ett spädbarn lär sig och simulerade de första 10 månaderna av tillväxt. När roboten lärde sig sambandet mellan de motoriska rörelserna de gjorde och den sensoriska informationen de fick, stereotypa beteenden som observerats hos spädbarn, som "handhänsyn" – där barn tillbringar långa perioder med att stirra på sina händer när de rör sig – uppstod i robotens beteende.

När roboten lär sig att koordinera sin egen kropp, nästa stora milstolpe den passerar börjar förstå omvärlden. Leken är en viktig del av ett barns lärande. Det hjälper dem att utforska sin miljö, testa olika möjligheter och lära dig resultaten.

Initialt, det här kan vara något så enkelt som att slå en sked mot ett bord, eller försöker stoppa in olika föremål i munnen, men detta kan utvecklas till att bygga torn av block, matchande former eller sätt in föremål i rätt hål. Alla dessa aktiviteter bygger upplevelser som kommer att ge grunden för färdigheter senare, som att hitta rätt nyckel för att passa i ett lås och finmotoriken för att sticka in nyckeln i nyckelhålet och sedan vrida den.

I framtiden, att bygga vidare på dessa tekniker skulle kunna ge robotar möjligheten att lära sig och anpassa sig till de komplexa miljöer och utmaningar som människor tar för givna i vardagen. En dag, det kan betyda robotvårdare som är lika i samklang med mänskliga behov och lika kapabla att möta dem som en annan människa.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.