V současné době se vyvíjí jiný druh AI, tzv. „Ztělesněné AI“. Odkazuje na agenty, kteří mají tělo a podporují fyzickou interakci, jako jsou inteligentní servisní roboti, auta s vlastním pohonem atd.
Ztělesnění robotů AI mohou interagovat s prostředím, plánovat, rozhodovat, jednat a provádět úkoly, jako jsou lidé. Například robotická jednotka je pověřena broušením horního povrchu části umístěné v jednotce, aby se dosáhlo požadované povrchové úpravy. Ztělesněná AI je schopna použít senzory ke sledování stavu jednotky a generování pokynů pro robota k provádění úkolů.
Digitální AI a ztělesněné AI sdílejí některé podobnosti a využívají mnoho základních technologií. Pochopení rozdílů mezi těmito dvěma typy AI je však rozhodující pro úspěšné použití digitálních metod AI na specifické aplikace AI.
Rizikový profil ztělesněných aplikací AI se často zásadně liší od profilu aplikací digitálních AI. Pokud jsou nástroje digitální AI přesné 99 procent přesné, mohlo by to v mnoha aplikacích dramaticky zlepšit produktivitu člověka.
Naproti tomu vzhledem k rizikům průmyslových aplikací se požadavky na přesnost pro konkrétní systémy AI často liší.
Hlavní rizika pocházejí ze dvou aspektů: pravděpodobnost chyby a důsledky chyby. Pokud nejsou důsledky práce chyby vážné, lze tolerovat vyšší pravděpodobnost chyby. Proto je pravděpodobnost chyby 1% přijatelná v mnoha digitálních AI aplikacích.
Naopak, mnoho ztělesněných aplikací AI vyžaduje pravděpodobnost chyby lépe než jeden z milionu. Použití přístupu čistě založeného na údajích ke snížení pravděpodobnosti chyb vyžaduje mnoho dat. Ve většině případů je poptávka po údajích exponenciálně roste. Bohužel, náklady na získání dat z fyzických systémů jsou vysoké. Při řešení ztělesněných aplikací AI je proto třeba dodržovat odlišný přístup.
Pro splnění výše uvedených požadavků by ztělesněná AI pro výrobní aplikace měla mít následující vlastnosti:
Školení s omezenými údaji: Ztělesněná AI může být nejprve vyškolena s omezenými údaji generovanými z experimentů s fyzikou.
Lze shromáždit z předškolených modulárních komponent: Fyzikální systémy mohou mít více konfigurací pro podporu jejich zamýšlených potřeb. Například v závislosti na prováděném procesu (jako je broušení nebo pískové vybalování) může být výrobní robotická jednotka v mnoha různých konfiguracích. Různé jednotky mohou zahrnovat roboty s různými funkcemi (jako jsou mobilní roboty mobilní platformy nebo roboty v oblasti montáže), typy senzorů (jako jsou hloubkové kamery nebo tepelné zobrazovače) a nástroje (jako jsou orbitální brusky nebo pískové trysky).
Výsledkem je, že vývoj univerzálního ztělesněného AI, která funguje z krabice pro všechny výrobní aplikace, nemusí fungovat velmi dobře. AI systému je třeba rychle syntetizovat z modulárních komponent, aby odpovídaly schopnostem snímání a jízdy konkrétního systému a pracovního prostředí.
Lze přizpůsobit nová data nebo kontext: Jakmile budou nová data k dispozici během nasazení systému, mělo by být možné tyto údaje použít ke zlepšení výkonu AI. AI by měla být schopna autonomně přizpůsobit novým prostředím nebo úkolům s minimálním dohledem lidského.
Snadné upgrade: V průběhu času se může výkon fyzického systému změnit v důsledku opotřebení nebo aktualizace fyzických komponent. To může vyžadovat vylepšení AI, aby se zajistilo, že dokáže udržet krok s vývojem systému. Proto je třeba navrhnout ztělesněný systém AI, aby se zajistilo, že může být upgradován s minimálním narušením provozu systému.
Doporučení založená na riziku pro akci: Systém by měl být schopen odhadnout jeho důvěru v navrhovanou akci. Pokud je důvěra nízká, měl by systém provést analýzu rizik a analyzovat důsledky selhání. Pokud je riziko příliš vysoké, měl by systém hledat pomoc od odborníků na lidské.
Interpretovatelnost: Pokud systém navrhuje akci, která nesplňuje očekávání uživatele, měl by být systém schopen vysvětlit důvody použité k výběru akce.
Distribuovaná architektura, která podporuje rozdělení výpočtu mezi Edge a Cloud: V ztělesněných scénářích aplikací AI není možné provést veškeré výpočetní techniky AI v cloudu. Konstrukce systému by měla zajistit, aby výpočty citlivé na latenci sítě byly provedeny na okraji.
V oblasti digitální AI vidíme velký úspěch s velkými učebními modely end-to-end, jako je LLM. Tyto modely se daří na obrovském množství dat. Nemají však mnoho z výše uvedených ztělesněných AI.
Ztělesněné AI by mělo být považováno za komplexní systém zahrnující interakce mezi více komponenty AI. Mít správnou architekturu systému v ztělesněné AI je jedním z klíčů pro úspěšné výrobní aplikace. To vám umožní využít nejnovější pokroky v AI a splnit náročné požadavky na výrobní aplikace. Proto jsou k návrhu ztělesněné AI pro výrobní aplikace zapotřebí moderní systémové inženýrské metody.