Esportes têm servido como um importante teste para robôs. Afinal, se forem capaz de entender os minusiosos detalhes que permitem um humano a praticar um esporte, talvez se tornem aptos para viver quase como os seus criadores.

Nessa jornada pelo esporte e robótica, o laboratório de inteligência artificial do Google, Deep Mind, apresentou um avanço bastante significativo. Por meio de um estudo intitulado “Achieving Human Level Competitive Robot Table Tennis”, o time de IA mostrou o processo no qual desenvolveram um jogador de tênis de mesa robótico de nível humano capaz de competir com amadores, quando comparado a um oponente humano.

Durante os testes, o robô esportista foi capaz de vencer todos os jogadores de nível iniciante que enfrentou. Com jogadores intermediários, o robô ganhou 55% dos jogos.

No entanto, ele não está pronto para enfrentar profissionais. O robô perdeu todas as vezes que enfrentou um jogador avançado. No total, o sistema venceu 45% dos 29 jogos que disputou.

Robotic table tennis has served as a benchmark for this type of research since the 1980s.

The robot has to be good at low level skills, such as returning the ball, as well as high level skills, like strategizing and long-term planning to achieve a goal. pic.twitter.com/IX7VuDyC4J

— Google DeepMind (@GoogleDeepMind) August 8, 2024

“Este é o primeiro agente robótico capaz de jogar um esporte com humanos no nível humano e representa um marco na aprendizagem e controle de robôs”, afirma o artigo. “No entanto, é também apenas um pequeno passo em direção a um objetivo de longa data na robótica de alcançar desempenho em nível humano em muitas habilidades úteis do mundo real. Muito trabalho ainda é necessário para consistentemente atingir desempenho em nível humano em tarefas únicas e, em seguida, além disso, na construção de robôs generalistas que sejam capazes de realizar muitas tarefas úteis, interagindo habilmente e com segurança com humanos no mundo real.”

A maior limitação do sistema é sua capacidade de reagir a bolas rápidas. O DeepMind sugere que as principais razões para isso são a latência do sistema, a necessidade de redefinições obrigatórias entre os lances e a falta de dados úteis.

Outras questões exploráveis no sistema são bolas altas e baixas, backhand e a capacidade de ler o efeito em uma bola que se aproxima.

Quanto a como tal pesquisa poderia afetar a robótica além da utilidade muito limitada do tênis de mesa, o DeepMind cita arquitetura de políticas, seu uso de simulação para operar em jogos reais, e sua capacidade de adaptar sua estratégia em tempo real.