Nel frenetico mondo della manifattura moderna, un nuovo tipo di lavoratore sta prendendo il suo posto sul pavimento di fabbrica: il robot guidato dall'intelligenza artificiale. A differenza delle macchine rigide e pre-programmate del passato, che potevano solo ripetere un singolo movimento all'infinito, questi nuovi sistemi sono progettati per comprendere il mondo attraverso la vista e il linguaggio. Possono guardare un tavolo disordinato, leggere un'istruzione come "prendi la bottiglia rossa" e capire i movimenti precisi necessari per completare il compito. Questa capacità si basa su un tipo specifico di cervello per la macchina, noto come modello visione-linguaggio-azione. Questi modelli agiscono come il sistema nervoso centrale, elaborando ciò che il robot vede e sente, per poi tradurre quella comprensione in un flusso di comandi fisici. Affinché questi robot siano davvero utili in una vera fabbrica, devono essere veloci. Se il cervello del robot impiega troppo tempo a pensare, la macchina balbetta, i suoi movimenti diventano scattosi e non riesce a reagire abbastanza velocemente quando un lavoratore umano interviene o un oggetto si sposta. La velocità con cui il robot può pensare e decidere è il singolo fattore più importante che determina se può tenere il passo con il ritmo del lavoro umano.

I ricercatori della Shanghai Jiao Tong University hanno identificato un collo di bottiglia fondamentale nel modo in cui questi robot intelligenti pensano attualmente. Hanno scoperto che, sebbene il software che guida questi robot sia incredibilmente sofisticato, spesso spreca tempo riapprendendo le stesse cose ripetutamente. In un tipico ambiente di fabbrica, un robot non affronta un mondo completamente nuovo ogni secondo. Al contrario, esegue un ciclo ripetitivo di compiti, spostando spesso oggetti simili in punti simili sotto condizioni di illuminazione simili. Il team ha scoperto che, poiché i compiti sono così simili, anche lo stato interno del robot — i complessi pattern di attività all'interno del suo cervello digitale — diventa notevolmente simile da un tentativo all'altro. Proprio come un pianista umano non ha bisogno di riapprendere i movimenti delle dita per un brano familiare ogni volta che lo suona, il robot è capace di richiamare questi pattern. Tuttavia, gli attuali framework software non ne approfittano; costringono il robot a eseguire ogni singolo calcolo da zero, anche quando la risposta è essenzialmente la stessa di un momento prima.

Per risolvere questo problema, i ricercatori hanno sviluppato un nuovo sistema chiamato rMuscle, un framework progettato per dare ai robot una sorta di memoria muscolare digitale. Il sistema funziona osservando come il robot esegue un compito e salvando i "pensieri" che ha avuto durante i tentativi riusciti. Quando il robot incontra una situazione che assomiglia a una precedente, rMuscle non parte da zero. Inveve, attinge dal suo archivio di memoria e recupera i pattern interni rilevanti. Il sistema si basa su due tipi distinti di memoria per gestire i diversi modi in cui il robot pensa. La prima parte, chiamata Context Cache, gestisce l'elaborazione visiva. Quando il robot vede una scena familiare, questa cache gli consente di saltare il lavoro pesante dell'analisi di ogni singolo pixel, riutilizzando i risultati delle analisi visive precedenti. La seconda parte, l'Action Cache, gestisce il processo decisionale per il movimento. Essa riconosce che in molti compiti ripetitivi è necessario solo un piccolo e specifico set di decisori interni del robot per risolvere il problema. Identificando quali parti specifiche del cervello sono attive in uno scenario familiare, il sistema può ignorare il resto, caricando solo i componenti necessari per prendere una decisione.

I ricercatori hanno testato questo approccio su una varietà di robot e compiti, che vanno da ambienti simulati a robot fisici reali che lavorano sulle linee di assemblaggio. Hanno utilizzato computer potenti e hardware specializzati spesso presenti nei laboratori di robotica all'avanguardia per vedere quanto velocemente potessero pensare i robot. I risultati hanno mostrato un miglioramento significativo della velocità. Sui computer standard ad alte prestazioni, il nuovo sistema ha reso i robot circa il 29% più veloci nel pensare. Sui computer specializzati e più piccoli progettati per essere inseriti all'interno dei robot stessi, l'aumento di velocità è stato ancora più drammatico, raggiungendo il 42% in più. Ciò significa che un robot che precedentemente impiegava una frazione di secondo per decidere la sua mossa successiva, ora può farlo quasi istantaneamente, permettendo un movimento più fluido e armonioso. Fondamentalmente, questa velocità non è avvenuta a scapito dell'accuratezza. I robot non hanno iniziato a commettere errori o a far cadere oggetti; hanno mantenuto lo stesso alto tasso di successo di prima, semplicemente raggiungendo le loro decisioni in modo più efficiente.

Il successo di rMuscle si basa su un modo intelligente di gestire la memoria per garantire che il robot non venga rallentato dai dati stessi che sta cercando di riutilizzare. Memorizzare ogni singolo pensiero che il robot ha mai avuto richiederebbe troppo spazio, quindi il sistema è progettato per essere selettivo. Mantiene una piccola finestra scorrevole dei ricordi recenti più rilevanti, scartando quelli più vecchi che è improbabile che siano necessari di nuovo. Quando il robot ha bisogno di richiamare un ricordo che non è attualmente nella sua finestra attiva, il sistema lo ricostruisce al volo mentre il robot sta muovendo fisicamente le braccia. Ciò significa che il robot è sempre al lavoro, utilizzando il tempo che trascorre muovendosi per preparare il set successivo di pensieri per quando si fermerà a riflettere. Questa integrazione fluida assicura che il robot non debba mai aspettare che la sua memoria si metta al passo.

Le implicazioni di questo lavoro vanno oltre il semplice rendere i robot più veloci; cambiano il modo in cui possiamo impiegarli nel mondo reale. Riducendo il tempo necessario affinché un robot elabori il proprio ambiente, il sistema permette interazioni più reattive. Un robot può reagire molto più rapidamente se un essere umano entra nel suo percorso o se un componente cade da un nastro trasportatore, rendendolo più sicuro e affidabile nel lavorare fianco a fianco con le persone. I ricercatori hanno dimostrato questo con robot fisici che eseguono compiti di assemblaggio complessi, come l'imballaggio di componenti di mobili su un nastro mobile o la manipolazione di bottiglie delicate con due braccia che lavorano in sincronia. In ogni caso, il sistema ha preservato la capacità del robot di avere successo, togliendo però millisecondi critici da ogni ciclo decisionale.

Questo approccio rappresenta un cambiamento nel modo in cui costruiamo macchine intelligenti. Invece di cercare di rendere il cervello sottostante del robot più potente o complesso, i ricercatori si sono concentrati su come quel cervello viene utilizzato. Hanno capito che l'intelligenza necessaria per il lavoro in fabbrica non consiste nel risolvere un nuovo enigma ogni secondo, ma nel riutilizzare efficientemente le soluzioni a un insieme familiare di problemi. Costruendo un sistema che rispetta la natura ripetitiva del lavoro industriale e sfrutta le somiglianze tra i compiti, hanno creato un modo per far muovere i robot con una fluidità che prima era fuori portata. Il lavoro suggerisce che il futuro della robotica efficiente non risiede solo in un hardware migliore, ma in modi più intelligenti di gestire il flusso di informazioni, permettendo alle macchine di ricordare i propri successi passati e applicarli al momento presente con il minimo sforzo.