ジョンズ・ホプキンス・ビーストは、1960年代後半にジョンズ・ホプキンス大学応用物理研究所（APL）で開発された、歴史的に重要な自律型四足ロボットである。これは、ニューラルネットワークによって制御される脚式機械の最も初期の例の1つとして認識されており、コンピュータビジョンと移動を単一の統合システムに組み合わせている。このプロジェクトは、後にRoboticsとArtificial intelligenceの研究の両方に影響を与えた原理を実証した。
ビーストの建設は1966年に始まり、スタンフォード大学の教授でありながらAPLと協力したエンジニア兼コンピュータ科学者Bernard Widrowの指揮の下で行われた。ロボットは自律ナビゲーションに焦点を当てて構築され、カメラを使用して廊下を検出し、単純なニューラルネットワークで視覚入力を処理した。このネットワークは、ADALINE（適応線形ニューロン）として知られ、ウィドローと彼の学生によって開発され、ビーストが外部制御なしで廊下を追従することを可能にした。
ビーストの機械的設計は比較的単純で、4本の脚があり、それぞれが電気モーターで駆動され、制御電子機器を収容する小さなシャーシを備えていた。ロボットはゆっくりとした慎重な歩行で移動し、視覚データを処理した後にのみ歩を進めた。アナログ回路で実装されたニューラルネットワークは、廊下の壁と床の間のコントラストを検出するフォトセルアレイから信号を受け取った。これにより、ビーストは中央に留まるために左右に曲がることができた。
技術仕様と動作
ビーストは、長さ約0.6メートル、重量約20キログラムであった。その脚はDCモーターで駆動され、各歩はニューラルネットワークからのしきい値信号によって開始された。ADALINEネットワークは単一層の重みを持ち、初期テスト中に正しい応答を確保するために手動で調整された。ロボットは毎秒約0.1メートルの速度で動作し、これは当時の計算能力にとっては速いと考えられていた。
制御システムは、アナログとデジタルのコンポーネントの組み合わせを使用していた。16個のセンサーからなるフォトセルアレイは、ADALINEに信号を供給し、前進、左折、右折の決定を出力した。システムは充電式バッテリーで駆動され、約30分の連続動作を提供した。ビーストは現代の意味でのMachine learningトレーニングを使用せず、代わりに重みは廊下の幾何学に基づいてウィドローによって設定された。
歴史的文脈と影響
ビーストは、Neural network研究とロボティクスの両方が急速に進歩した時期に開発された。ウィドローのADALINEは最初の実用的なニューラルネットワークの1つであり、物理ロボットへのその応用は斬新であった。このプロジェクトは、潜在的な軍事用途のための自律システムを探求する広範な取り組みの一環として、米国海軍によって資金提供された。
ロボットが単純な環境をナビゲートすることに成功したことは、ニューラルネットワークがリアルタイム制御に使用できることを実証し、これは当時広く受け入れられていなかった概念であった。ビーストの視覚誘導へのアプローチは、Computer visionと自動運転車研究における後の研究に影響を与え、Stanford AI LabやMIT CSAILのプロジェクトを含む。しかし、ビースト自体は一回限りのプロトタイプであり、量産版は作られなかった。
保存と遺産
プロジェクトが1969年に終了した後、ビーストは数年間APLに保管された。1980年代に、スミソニアン協会の国立アメリカ歴史博物館に移され、初期ロボティクスに関する展示の一部として展示された。ロボットの制御電子機器は、デモンストレーション目的で後に現代のコンポーネントに交換されたが、元のADALINE回路は保存された。
2024年現在、ビーストは公開展示されていないが、スミソニアンのコレクションに残っている。ビーストに関するウィドローの研究は、ニューラルネットワークに関するいくつかの教科書で引用されており、ロボットはDeep learningとGenerative AIの歴史的記述で現代AIシステムの前駆者としてしばしば言及されている。このプロジェクトはまた、BAIR (Berkeley AI Research)や、初期のニューラルネットワークの先駆者にその系譜をたどる他の学術機関の文脈でも参照されている。
現代ロボットとの比較
Sanctuary AIのヒューマノイドシステムやFigure AIの歩行機械などの後のロボットとは異なり、ビーストには経験から学習する能力がなかった。そのニューラルネットワークは静的であり、その動作は建設中に設定された重みによって完全に事前決定されていた。これは、意思決定にReinforcement learningとLarge language modelを使用する現代のアプローチとは対照的である。
ビーストの単純さは、強みであると同時に限界でもあった。それは、小さく軽量なシステムが有用なタスクを実行できることを実証したが、環境の変化に適応することはできなかった。この限界は、後の数十年でMachine learningアルゴリズムとTransformer (architecture)アーキテクチャの進歩によって対処され、ロボットが複雑な感覚データを処理し、柔軟な決定を下すことを可能にした。
AI史における重要性
ジョンズ・ホプキンス・ビーストは、Artificial intelligenceの歴史において、ニューラルネットワークの最初の物理的具現化の1つとして位置づけられている。それは理論研究と実用応用の間のギャップを埋め、AIが現実世界で動作できることを示した。プロジェクトのカメラとフォトセルアレイの使用は、現代のComputer visionシステムを予期し、そのアナログ実装は、AWS TrainiumやGoogle Cloud TPUのような専用ハードウェアの開発を予示した。
ビーストは学界の外では広く知られていないが、初期のAIエンジニアリングの重要な例である。その遺産は、Transformer (architecture)アーキテクチャを開発したjakub-uszkoreitやLukasz Kaiserのような研究者の研究や、OpenAIやGoogle DeepMindのような企業が知的エージェントを作成する継続的な取り組みに見ることができる。ビーストは、初期のAI先駆者の創意工夫と、自分自身で見て動くことができる機械を構築する彼らの意欲の証であり続けている。