Imagine trabalhar em um armazém ou escritório em um futuro próximo e ser solicitado a ajudar um novo estagiário a aprender o básico de seu trabalho. A pegadinha: é um robô. Para ensiná-lo, você pode querer jogar um jogo de "demonstrar e explicar" — ou seja, mostrar fisicamente como fazer algo de algumas maneiras diferentes, enquanto também explica o que você está fazendo.
Digamos que você peça ao robô para colocar um pouco de café em sua mesa sem incomodá-lo durante uma chamada no Zoom. Você preferiria que o robô não chegasse muito perto de você e do laptop para não interromper sua reunião. Para habilitar esse comportamento, o robô deve ser treinado com dados que demonstrem claramente a tarefa completa. Cientistas da computação tentaram explicar tarefas de manipulação para robôs gravando muitas demonstrações físicas ou escrevendo instruções extensas. Mas se você não tiver ambos, a máquina provavelmente entenderá mal o que precisa fazer.
É trabalhoso para os humanos fazerem toda essa demonstração e explicação, então pesquisadores do Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT automatizaram o processo de ensinar um robô, ao mesmo tempo que esclarecem as instruções automaticamente e usam quase cinco vezes menos dados de demonstração. A abordagem deles, "Masked Inverse Reinforcement Learning" (Masked IRL), usa um modelo de linguagem grande (LLM) para detalhar instruções ambíguas com base nos dados coletados da demonstração de um usuário. Outro LLM então restringe quais detalhes um algoritmo deve incorporar em um plano de movimento, para que um robô possa concluir tarefas com segurança em casas, escritórios e fábricas.
“Nossa abordagem pode ser útil quando um humano interage com um robô, mas não quer detalhar todas as especificidades de uma tarefa”, diz Minyoung Hwang, estudante de PhD do MIT e pesquisador do CSAIL, que é o autor principal de um artigo que apresenta o projeto. “Estamos minimizando o esforço humano ao permitir
Fonte: MIT News - AI
Publicado em 2026-06-26