Een ander soort AI wordt momenteel ontwikkeld, de zogenaamde 'belichaamde AI'. Het verwijst naar agenten die een lichaam hebben en fysieke interactie ondersteunen, zoals intelligente servicerobots, zelfrijdende auto's, enz.
Belangrijke AI -robots kunnen interageren met de omgeving, plannen, beslissingen nemen, handelen en taken zoals mensen uitvoeren. De roboteenheid is bijvoorbeeld belast met het schuren van het bovenoppervlak van een onderdeel dat in de eenheid wordt geplaatst om de gewenste oppervlakte -afwerking te bereiken. Belichaamde AI kan sensoren gebruiken om de status van de eenheid te controleren en instructies te genereren voor de robot om taken uit te voeren.
Digitale AI en belichaamde AI delen enkele overeenkomsten en gebruiken veel onderliggende technologieën. Inzicht in de verschillen tussen deze twee soorten AI is echter van cruciaal belang voor het succesvol toepassen van digitale AI -methoden op specifieke AI -toepassingen.
Het risicoprofiel van belichaamde AI -toepassingen is vaak fundamenteel verschillend van dat van digitale AI -toepassingen. Als digitale AI -tools 99 procent nauwkeurig zijn, kan dit de menselijke productiviteit in veel toepassingen dramatisch verbeteren.
Vanwege de risico's van industriële toepassingen variëren de nauwkeurigheidsvereisten voor specifieke AI -systemen daarentegen vaak sterk.
De belangrijkste risico's komen uit twee aspecten: de kans op fouten en de gevolgen van fouten. Wanneer de gevolgen van het maken van een fout niet ernstig zijn, kan een hogere kans op fouten worden getolereerd. Dit is de reden waarom een foutkans van 1% acceptabel is in veel digitale AI -toepassingen.
Omgekeerd vereisen veel belichaamde AI -toepassingen foutkansen beter dan een op de miljoen. Het gebruik van een puur gegevensgestuurde aanpak om de kans op fouten te verminderen, vereist veel gegevens. In de meeste gevallen groeit de vraag naar gegevens exponentieel. Helaas zijn de kosten voor het verkrijgen van gegevens van fysieke systemen hoog. Daarom moet een andere aanpak worden gevolgd bij het omgaan met belichaamde AI -toepassingen.
Om aan de bovenstaande vereisten te voldoen, moeten belichaamde AI voor productietoepassingen de volgende kenmerken hebben:
Training met beperkte gegevens: de belichaamde AI kan eerst worden getraind met beperkte gegevens die zijn gegenereerd uit fysica -experimenten.
Kan worden geassembleerd uit vooraf getrainde modulaire componenten: fysieke systemen kunnen meerdere configuraties hebben om hun beoogde behoeften te ondersteunen. Afhankelijk van het uitgevoerd proces (zoals schuren of zandstoten) kan de productieroboteenheid bijvoorbeeld in veel verschillende configuraties zijn. Verschillende eenheden kunnen robots omvatten met verschillende functies (zoals mobiele platformmontage robots of portaalmontage robots), sensortypen (zoals dieptecamera's of thermische imagers) en gereedschappen (zoals orbitale schuurmachines of zandstotenmondstukken).
Als gevolg hiervan presteert het ontwikkelen van Universal Embodied AI die uit de doos werkt voor alle productietoepassingen mogelijk niet erg goed. De AI van het systeem moet snel worden gesynthetiseerd van modulaire componenten om overeen te komen met de detectie- en rijmogelijkheden van het specifieke systeem en werkomgeving.
Kan worden aangepast aan nieuwe gegevens of context: naarmate nieuwe gegevens beschikbaar komen tijdens systeemimplementatie, zou het mogelijk moeten zijn om deze gegevens te gebruiken om de AI -prestaties te verbeteren. AI zou in staat moeten zijn om autonoom aan te passen aan nieuwe omgevingen of taken met minimaal menselijk toezicht.
Gemakkelijk te upgraden: na verloop van tijd kunnen de prestaties van het fysieke systeem veranderen als gevolg van slijtage of updates voor de fysieke componenten. Dit kan verbeteringen aan de AI vereisen om ervoor te zorgen dat deze de evolutie van het systeem kan bijhouden. Daarom moet een belichaamd AI -systeem worden ontworpen om ervoor te zorgen dat het kan worden opgewaardeerd met minimale verstoring van de werking van het systeem.
Op risico gebaseerde aanbevelingen voor actie: het systeem moet zijn vertrouwen in de voorgestelde actie kunnen schatten. Wanneer het vertrouwen laag is, moet het systeem een risicoanalyse uitvoeren en de gevolgen van falen analyseren. Als het risico te hoog is, moet het systeem hulp zoeken bij menselijke experts.
Interpreteerbaarheid: als het systeem een actie suggereert die niet aan de verwachtingen van de gebruiker voldoet, moet het systeem de redenen kunnen verklaren die worden gebruikt om de actie te selecteren.
Gedistribueerde architectuur die partitionering van computergebruik tussen Edge en Cloud ondersteunt: in belichaamde AI -toepassingsscenario's is het niet mogelijk om alle AI -computers in de cloud uit te voeren. Het ontwerp van het systeem moet ervoor zorgen dat netwerklatentie-gevoelige berekeningen aan de rand kunnen worden uitgevoerd.
Op het gebied van digitale AI zien we veel succes met grote end-to-end leermodellen zoals LLM. Deze modellen gedijen op enorme hoeveelheden gegevens. Ze bezitten echter niet veel van de kenmerken van belichaamde AI die hierboven zijn genoemd.
Belichaamde AI moet worden gezien als een complex systeem met interacties tussen meerdere AI -componenten. Het hebben van de juiste systeemarchitectuur in belichaamde AI is een van de sleutels tot succesvolle productietoepassingen. Hierdoor kunt u profiteren van de laatste vooruitgang in AI en voldoen aan de veeleisende vereisten van productie -aanvragen. Daarom zijn moderne systemen engineering methoden nodig om belichaamde AI te ontwerpen voor productietoepassingen.