Un team di ricerca del MIT ha sviluppato un metodo che consente di velocizzare l'attività di un robot, facendogli "pensare" in anticipo le prossime mosse. La tecnica permette all'intelligenza artificiale che muove la macchina di prevedere la sua posizione futura, riducendo l'attesa tra un movimento e l'altro e rendendo le azioni più fluide e veloci.. Tempi di latenza troppo lunghi I robot più moderni hanno dei sistemi di IA generativa chiamati modelli di visione-linguaggio-azione (vision-language-action, VLA) che fungono da cervello e aiutano la macchina a eseguire le azioni. Il problema è che il modello VLA consuma molte risorse di calcolo, e questo allunga i tempi di latenza tra un'azione e l'altra del robot.. «Il nostro obiettivo era far sì che il processo decisionale e quello esecutivo si svolgessero in parallelo, in modo da ridurre i tempi di reazione», spiega Jiaming Tang, uno dei coordinatori della ricerca.. Come una ballerina Da questa esigenza nasce VLASH, un sistema che permette al modello VLA di anticipare dove si troverà il robot, così da avere già pronta l'istruzione successiva quando questi termina un movimento. Il meccanismo ricorda quello messo in atto dalle ballerine: per poter muoversi a tempo durante un esercizio, eseguendo correttamente anche i passi più veloci, "pensano in anticipo", immaginando il passo successivo mentre stanno ancora eseguendo quello attuale.. Giocando d'anticipo i robot riescono a ridurre i tempi morti tra un'azione e l'altra, velocizzando le reazioni di oltre trenta volte. Per guadagnare ulteriore velocità, i ricercatori hanno introdotto anche la cosiddetta "quantizzazione delle azioni": invece di calcolare tanti piccoli movimenti, il robot ne esegue pochi più ampi lungo la stessa traiettoria. Questo comporta un lieve calo di precisione, ma permette di completare i compiti da due a tre volte più rapidamente.. Allenamenti più rapidi Infine, il team ha sviluppato un metodo di addestramento che insegna al modello VLA a basarsi sulle previsioni future invece che sui soli dati osservati in tempo reale, riutilizzando i dati di addestramento in modo da velocizzare il training di cinque volte, senza utilizzare ulteriori risorse di calcolo..