Das Büro von Danijar Hafner im So Ma-Viertel von San Francisco ist fast leer. Sein völlig neues Startup befindet sich noch im Stealth-Modus und hat sogar seinen Namen nicht an der Tür. An dem Tag, an dem ich ihn besuche, ist nur eine andere Person dort und sehr wenig Möbel.

Doch was es an Dekoration fehlt, macht es durch Roboter wett. Humanoide verschiedener Formen und Größen hängen wie Marionetten an Regalen, die durch das Zentrum des weit offenen Raums verlaufen. Während Hafner, 31, noch nicht zu viel über sein neues Unternehmen sagen wird, beschreibt er es als eine Fortsetzung seiner langjährigen Arbeit, KI zu ermöglichen, Umgebungen zu navigieren, die sie während des Trainings noch nicht begegnet ist.

Diese Humanoide, die er aus China importiert, sind die nächste Evolution dieser Arbeit—and ihre physische Verkörperung. Ihre Fähigkeit, auf bisher ungetestete Szenarien zu reagieren, wird entscheidend sein, um Roboter in menschliche Räume zu bringen. Denn wenn man einen Roboter in das Zuhause einer Person schicken möchte, beispielsweise, muss er in der Lage sein, einen Grundriss und Möbel zu handhaben, die er noch nie zuvor gesehen hat.

Um dies zu erreichen, verlässt sich Hafner auf etwas, das modellbasiertes Verstärkungslernen genannt wird. Er entwickelt Weltmodelle—KI-Modelle, die entwickelt wurden, um die physische Realität nachzuahmen—and trainiert Agenten darin. Der Agent behandelt das Modell grundsätzlich als eine Simulation der realen Welt und lernt dort, wie er handeln soll.

Anschließend nutzt er diese Erfahrungen, um Vorhersagen über zukünftige Ergebnisse zu treffen. Dadurch können Agenten—or die Roboter, in die sie eingebettet sind—unbekannte Situationen in der realen Welt navigieren. „Ich habe die Gelegenheit, mit vielen wirklich intelligenten Menschen in der Forschung bei Google zu interagieren, und er gehört leicht zur oberen Hälfte von 1 %.“ Timothy Lillicrap, Google Deep Mind.