LLMの「よしなに計らう力」で、オフィスや家庭環境でのインテリアや物を「主の好み」に合わせて少数例から高精度に整理・配置する技術が開発されました。
平たい言い方をすれば、お片付けロボットです。
LLMの一般化能力は、物理世界でも役立つと結論づけられました。
プリンストン大学やスタンフォード大学などの研究者らによる発表です。
○ Jimmy Wu et al., “TidyBot: Personalized Robot Assistance with Large Language Models”
AIが物理世界で人々をサポートためには、人が何を好むかを理解し、現実における他の場面でも使える必要があります。
これまでのアプローチでは、ユーザーの好みは非常に多岐にわたるため一人ひとりに合わせて大量のデータが必要でした。
そこで研究者らはLLMの一般化能力を活用し、ユーザーの物をよしなに整理するAIシステム『TidyBot』を開発しました。
■『TidyBot』のフレームワーク
① ユーザーから提供された少数のオブジェクト配置例からLLMがルールを推測する
② オブジェクトを識別し、ユーザーの好みに基づいて目的の場所に移動する
■実験・調査方法
① リビングや寝室での配置に関する96のシナリオを含むベンチマークでTidyBot搭載ロボットを定量的評価
② 未見のオブジェクトに対する一般化能力を評価
■実験の結果
① ベンチマークで91.2%の精度を達成
② 実世界のテストシナリオで、TidyBotはオブジェクトの85.0%を正確に片付けた
（洗濯かご、工具、フルーツ、食器、袋、衣類など）
■主な結論
① LLMの一般化能力は、物理世界でも役立つ
② 少数の例から高度なルールを効率的に生成できる
③ 本アプローチは、高精度で未見オブジェクトに適用可能である
■注意点
① ユーザーが提供する「少数の例」が不明確または曖昧な場合は上手く機能しない場合もあり得る
② 文化的な違いなどの多様性に対応する能力は、さらに検証が必要
