از دیپ‌مایند گوگل برای آموزش بازوی رباتیکی برای بازی تنیس روی میز استفاده شده و مشخص شده است که این بازوی رباتیک می‌تواند انسان‌ها را شکست دهد.

مطالعه‌ی جدیدی گزارش می‌کند دیپ مایند گوگل می‌تواند بازوی رباتیک را برای شکست انسان‌ها در تنیس روی میز کنترل کند. اما فان‌ژندونگ، دارنده‌ی مدال طلای تنیس روی میز در المپیک ۲۰۲۴ نباید نگران شود؛ طبق مطالعه‌ای جدید که در پایگاه مقالات پیش‌چاپ آرکایو منتشر شده است، این ربات فقط گاهی اوقات می‌تواند بازیکنان متوسط را شکست دهد.

ربات‌ها اکنون می‌توانند آشپزی کنند، تمیزکاری کنند و حرکات آکروباتیک انجام دهد، اما در پاسخ سریع به اطلاعات محیطی در دنیای واقعی خوب عمل نمی‌کنند و دستیابی به عملکردی در سطح عملکرد انسان از نظر دقت، سرعت و عمومیت همچنان در بسیاری از حوزه‌ها چالش بزرگی است.

برای غلبه بر محدودیت‌های اشاره‌شده، پژوهشگران بازوی رباتیکی صنعتی را با نسخه‌ی سفارشی از الگوریتم یادگیری دیپ‌مایند ترکیب کردند. دیپ‌مایند از شبکه‌های عصبی یعنی معماری لایه‌ای که از نحوه پردازش اطلاعات در مغز انسان تقلید می‌کند، برای یادگیری تدریجی اطلاعات بهره می‌برد.

هوش مصنوعی دیپ‌مایند تاکنون بهترین بازیکن گو جهان را شکست داده، ساختار تمام پروتئین‌های موجود در بدن را پیش‌بینی کرده و مسائلی را در جهان ریاضیات حل کرده است که ده‌ها سال دانشمندان را سردرگم کرده بود.

سیستم هوش مصنوعی دیپ‌مایند برای تسلط بر جنبه‌های خاص بازی (برای مثال یادگیری قوانین، تاپ اسپین، ضربات فورهند و بک‌هند) با استفاده از داده‌های واقعی و شبیه‌سازی‌شده آموزش داده شد.

همان‌طور که سیستم هوش مصنوعی درحال یادگیری بود، پژوهشگران داده‌هایی درمورد نقاط قوت، ضعف و محدودیت‌های آن جمع آوری کردند. آن‌ها سپس این اطلاعات را به برنامه‌ی هوش مصنوعی وارد کردند تا تصویری واقع‌بینانه از توانایی‌هایش به دست آورد. سپس سیستم با در نظر گرفتن نقاط قوت و ضعف حریف، یاد گرفت که در هر لحظه از کدام مهارت‌ها یا استراتژی‌ها استفاده کند.

گروه پژوهشی سپس ربات کنترل‌شونده با هوش مصنوعی را مقابل ۲۹ تنیس‌باز قرار دادند. بازوی رباتیک دیپ‌مایند همه‌ی افراد مبتدی و حدود ۵۵ درصد از بازیکنان متوسط را شکست داد، اما موفق نشد بر بازیکنان حرفه‌ای غلبه کند. طبق سیستم بین‌المللی رتبه‌بندی، ربات در حد بازیکن مبتدی است.

بازوی رباتیک دیپ‌مایند دارای نقاط ضعف سیستماتیک بود. برای مثال با توپ‌های بلند مشکل داشت و مانند بسیاری از ما، ضربه‌های بک‌هند برایش سخت‌تر از ضربه‌های فورهند بود.

به‌نظر می‌رسد بیشتر بازیکنان انسانی دوست داشته باشند مقابل این سیستم بازی کنند. همه‌ی شرکت‌کنندگان بازی با ربات را سرگرم‌کننده و جذاب می‌خواندند. به‌گفته‌ی پژوهشگران، روش جدید می‌تواند برای طیف وسیعی از کاربردها که نیازمند پاسخ سریع در محیط‌های فیزیکی پویا هستند، مفید باشد.