دانشمندان دانشگاه پرینستون دستگاهی به نام تایدی‌بوت (TidyBot) ساخته‌اند که لباس‌های شسته را مرتب می‌کند، اسباب‌بازی‌ها را در جعبه‌های مناسب قرار می‌دهد و حتی زباله را در سطل زباله می‌اندازد.
نشریه تلگراف گزارش می‌دهد مهندسان این دانشگاه طی سناریویی واقعی مشابه اتاق به‌هم‌ریخته یک نوجوان، متوجه شدند که تایدی‌بوت قادر است تا ۸۵ درصد اشیاه مختلف را سر جای درست بگذارد.
میزان موفقیت بالا
عملکرد این دستگاه در ۸۵ درصد موارد موفقیت‌آمیز بود، یعنی از میزان موفقیت ۹۱ درصدی که در یک تجربه ساده‌تر آزمایشگاهی مشاهده شد، کمی کمتر بود.
جیمی وو، نویسنده اصلی این مطالعه و دانشجوی دکتری دانشگاه پرینستون، می‌گوید: «هر فرد برای مرتب کردن خانه‌اش براساس سلیقه و نیاز شخصی خود تصمیم می‌گیرد که اشیای خاص را کجا بگذارد. یکی از مهم‌ترین چالش‌های نظافت روباتیک خانگی، تصمیم‌گیری در مورد جای درست اشیا است. ترجیح افراد ممکن است با هم بسیار متفاوت باشد و به سلیقه شخصی و سابقه فرهنگی بستگی دارد. ممکن است کسی بخواهد پیراهن‌ها را داخل کمد بگذارد و فرد دیگری دوست داشته باشد آن‌ها را داخل قفسه قرار بدهد.»
او می‌گوید که ال‌ال‌ام مانند چت جی‌پی‌تی «روشی موثر» برای حل این مسئله است.
فرد می‌تواند به این دستگاه نمونه‌هایی از جاهایی که می‌خواهد اشیا در آن قرار بگیرند بدهد، مثلا قوطی‌ها در قسمت بازیافت، پیراهن سیاه روی لباس‌های تیره و اسباب‌بازی‌ها داخل کمد، تا دستگاه بتواند براساس این فهرست کوچک، نحوه قرار دادن اشیای مشابه را تشخیص بدهد.
مفهوم سازماندهی برای هر فرد با دیگران متفاوت است، بنابراین این گروه با استفاده از فناوری هوش مصنوعی به کاربر امکان داده است که براساس ترجیح شخصی خود، دستگاه را برنامه‌ریزی کند تا اجسام مورد نظر را در مکان‌های مشخصی بگذارد.
تلگراف می‌نویسد این دستگاه به دو دوربین، یک بازوی رباتی چند مفصلی و یک پایه مربع سنگین که می‌تواند به اطراف حرکت کند مجهز است.
در این سناریو هشت موقعیت واقعی که در هریک از آن‌ها ۷۰ شی‌ء مختلف روی زمین پراکنده بود ایجاد کردند. این دستگاه می‌بایست آن‌ها را دسته‌بندی کند و در یکی از ۱۱ ظرف موجود قرار دهد.
کاربر دستور خاص خود را به یک مدل زبانی بزرگ (LLM) می‌دهد -به‌‌طور خاص جی‌پی‌تی-۳، فناوری اوپن ای‌آی که نسل قبلی چت جی‌پی‌تی، پدیده جهانی شش ماه اخیر بود.
دانشمندان این مطالعه‌ــ که کارشناسان گوگل، دانشگاه پرینستون و استنفورد را شامل می‌شود‌ــ در مقاله‌ای که در آرکایو (arxiv) به صورت پیش از چاپ (pre-print) منتشر شده، نوشته‌اند: «رویکرد ما مسیری امیدوارکننده برای توسعه سیستم‌های روباتیک شخصی‌سازی‌شده ارائه می‌دهد که قادرند صرفا با مجموعه‌ای کوچک از نمونه‌ها، تنظیمات عمومی کاربر را به‌سرعت و به شیوه‌ای موثر یاد بگیرند.»
«برخلاف رویکردهای کلاسیک که به جمع‌آوری داده‌ها و آموزش مدل‌های پرهزینه نیازمند است، نشان داده‌ایم که از مدل‌های زبان بزرگ می‌توان به صورت مستقیم برای دستیابی به تعمیم در رباتیک استفاده کرد، و از قابلیت‌های خلاصه‌سازی قدرتمندی که از حجم عظیمی از داده‌های متنی یاد گرفته‌اند بهره گرفت.»