En anden slags AI udvikles i øjeblikket, den såkaldte "legemliggjorte AI." Det henviser til agenter, der har en krop og understøtter fysisk interaktion, såsom intelligente servicerobotter, selvkørende biler osv.
Legemliggjorte AI -robotter kan interagere med miljøet, planlægge, træffe beslutninger, handle og udføre opgaver som mennesker. For eksempel har robotenheden til opgave at slibe den øverste overflade af en del placeret i enheden for at opnå den ønskede overfladefinish. Embodied AI er i stand til at bruge sensorer til at overvåge enhedens tilstand og generere instruktioner til robotten til at udføre opgaver.
Digital AI og legemliggjort AI deler nogle ligheder og udnytter mange underliggende teknologier. At forstå forskellene mellem disse to typer AI er imidlertid kritisk for at anvende digitale AI -metoder med succes til specifikke AI -applikationer.
Risikoprofilen for legemliggjorte AI -applikationer er ofte grundlæggende forskellig fra den for digitale AI -applikationer. Hvis digitale AI -værktøjer er 99 procent nøjagtige, kan det dramatisk forbedre den menneskelige produktivitet i mange applikationer.
I modsætning hertil, på grund af risikoen for industrielle anvendelser, varierer nøjagtighedskravene til specifikke AI -systemer ofte meget.
De vigtigste risici kommer fra to aspekter: sandsynligheden for fejl og konsekvenserne af fejl. Når konsekvenserne af at begå en fejl ikke er alvorlige, kan en større sandsynlighed for fejl tolereres. Dette er grunden til, at en 1% fejlsandsynlighed er acceptabel i mange digitale AI -applikationer.
Omvendt kræver mange legemliggjorte AI -applikationer fejlsandsynligheder bedre end en ud af en million. Brug af en rent datadrevet tilgang til at reducere sandsynligheden for fejl kræver en masse data. I de fleste tilfælde vokser efterspørgslen efter data eksponentielt. Desværre er omkostningerne ved at få data fra fysiske systemer høje. Derfor skal der følges en anden tilgang, når man beskæftiger sig med legemliggjorte AI -applikationer.
For at imødekomme ovenstående krav skal legemliggjort AI til produktionsapplikationer have følgende egenskaber:
Træning med begrænsede data: Den legemlige AI kan trænes med begrænsede data genereret fra fysikeksperimenter først.
Kan samles fra foruddannede modulære komponenter: Fysiske systemer kan have flere konfigurationer til at understøtte deres tilsigtede behov. Afhængig af den proces, der udføres (såsom slibning eller sandblæsning), kan for eksempel fremstillingsrobotenheden være i mange forskellige konfigurationer. Forskellige enheder kan omfatte robotter med forskellige funktioner (såsom mobil platform monteringsrobotter eller gantry monteringsrobotter), sensortyper (såsom dybde kameraer eller termiske billeddannere) og værktøjer (såsom orbital -slibere eller sandblæsningsdyser).
Som et resultat kan udviklingen af Universal Embodied AI, der fungerer ud af boksen til alle produktionsapplikationer, muligvis ikke særlig godt. Systemets AI skal syntetiseres hurtigt fra modulære komponenter for at matche sensorerings- og drivkapaciteterne i det specifikke system og arbejdsmiljø.
Kan tilpasses til nye data eller kontekst: Efterhånden som nye data bliver tilgængelige under systemdistribution, skal det være muligt at bruge disse data til at forbedre AI -ydelsen. AI bør være i stand til at tilpasse sig autonomt til nye miljøer eller opgaver med minimal menneskelig tilsyn.
Let at opgradere: Over tid kan det fysiske systems ydelse ændre sig på grund af slid eller opdateringer til de fysiske komponenter. Dette kan kræve forbedringer af AI for at sikre, at det kan følge med i udviklingen af systemet. Derfor skal et legemliggjort AI -system være designet til at sikre, at det kan opgraderes med minimal forstyrrelse af systemets drift.
Risikobaserede anbefalinger til handling: Systemet skal være i stand til at estimere dets tillid til den foreslåede handling. Når selvtillid er lav, skal systemet foretage en risikoanalyse og analysere konsekvenserne af fiasko. Hvis risikoen er for høj, skal systemet søge hjælp fra menneskelige eksperter.
Tolkbarhed: Hvis systemet foreslår en handling, der ikke opfylder brugerens forventninger, skal systemet være i stand til at forklare årsagerne til at vælge handlingen.
Distribueret arkitektur, der understøtter opdeling af computing mellem Edge og Cloud: I legemliggjort AI -applikationsscenarier er det ikke muligt at udføre al AI -computing i skyen. Systemets design skal sikre, at netværks latensfølsomme beregninger kan udføres ved kanten.
Inden for digital AI ser vi stor succes med store end-to-end-læringsmodeller som LLM. Disse modeller trives med enorme mængder data. De besidder dog ikke mange af egenskaberne ved nedfældet AI nævnt ovenfor.
Legemliggjort AI skal ses som et komplekst system, der involverer interaktioner mellem flere AI -komponenter. At have den rigtige systemarkitektur i legemliggjort AI er en af nøglerne til vellykkede produktionsapplikationer. Dette giver dig mulighed for at drage fordel af de seneste fremskridt inden for AI og opfylde de krævende krav til fremstillingsapplikationer. Derfor er der behov for moderne systemtekniske metoder for at designe legemliggjort AI til fremstillingsapplikationer.