В настоящее время разрабатывается другой вид ИИ, так называемый «воплощенный ИИ». Это относится к агентам, которые имеют тело и поддерживают физическое взаимодействие, такие как интеллектуальные роботы обслуживания, автомобили с самостоятельным вождением и т. Д.
Воплощенные роботы ИИ могут взаимодействовать с окружающей средой, планировать, принимать решения, действовать и выполнять такие задачи, как люди. Например, блок робота поручено шлифовать верхнюю поверхность детали, помещенную в устройство для достижения желаемой поверхности. Воплощенный ИИ способен использовать датчики для мониторинга состояния устройства и генерировать инструкции для робота по выполнению задач.
Цифровой ИИ и воплощенный ИИ имеют некоторое сходство и используют многие базовые технологии. Однако понимание различий между этими двумя типами ИИ имеет решающее значение для успешного применения цифровых методов ИИ к конкретным приложениям ИИ.
Профиль риска воплощенных приложений искусственного интеллекта часто в основном отличается от профиля цифровых приложений искусственного интеллекта. Если цифровые инструменты искусственного интеллекта точны на 99 процентов, это может значительно повысить производительность человека во многих приложениях.
Напротив, из -за рисков промышленных применений требования к точности для конкретных систем ИИ часто сильно различаются.
Основные риски поставляются из двух аспектов: вероятность ошибки и последствия ошибки. Когда последствия совершения ошибки не являются серьезными, можно допустить более высокую вероятность ошибки. Вот почему вероятность ошибки 1% приемлема во многих цифровых приложениях ИИ.
И наоборот, многие воплощенные приложения ИИ требуют вероятностей ошибок лучше, чем один на миллион. Использование чисто управляемого данными подходом для снижения вероятности ошибок требуется много данных. В большинстве случаев спрос на данные растет в геометрической прогрессии. К сожалению, стоимость получения данных из физических систем высока. Следовательно, при работе с воплощенными приложениями искусственного интеллекта необходимо использовать другой подход.
Для удовлетворения вышеуказанных требований, воплощенный ИИ для производственных приложений должен иметь следующие характеристики:
Обучение с ограниченными данными: воплощенный ИИ может быть обучен с ограниченными данными, сгенерированными из физических экспериментов в первую очередь.
Может быть собрано из предварительно обученных модульных компонентов: физические системы могут иметь несколько конфигураций для удовлетворения их предполагаемых потребностей. Например, в зависимости от выполняемого процесса (например, шлифовка или песчаная обработка), производственный робот -блок может быть во многих различных конфигурациях. Различные подразделения могут включать роботов с различными функциями (такими как роботы для мобильной платформы или роботы, монтажные, типы датчиков (например, камеры глубины или тепловые образы), а также инструменты (такие как орбитальные шлифовальные основания или песочные сопла).
В результате разработка универсального воплощенного ИИ, который работает из коробки для всех производственных приложений, может работать не очень хорошо. ИИ системы должен быть быстро синтезирован от модульных компонентов, чтобы соответствовать возможностям определения и вождения конкретной системы и рабочей среды.
Может быть адаптирован к новым данным или контексту: поскольку новые данные становятся доступными во время развертывания системы, можно использовать эти данные для повышения производительности искусственного интеллекта. ИИ должен быть в состоянии автономно адаптировать к новым средам или задачам с минимальным наблюдением за человеком.
Легко обновлять: со временем производительность физической системы может измениться из -за износа или обновления физических компонентов. Это может потребовать улучшения для ИИ, чтобы убедиться, что он может идти в ногу с эволюцией системы. Следовательно, воплощенная система ИИ должна быть разработана, чтобы гарантировать, что она может быть обновлена с минимальными нарушениями работы системы.
Рекомендации на основе риска для действий: система должна быть в состоянии оценить его уверенность в предлагаемом действии. Когда доверие низкая, система должна провести анализ рисков и проанализировать последствия отказа. Если риск слишком высок, система должна обратиться за помощью к экспертам.
Интерпретируемость: если система предлагает действие, которое не соответствует ожиданиям пользователя, система должна быть в состоянии объяснить причины, используемые для выбора действия.
Распределенная архитектура, которая поддерживает разделение вычислений между Edge и Cloud: в сценариях воплощенных приложений ИИ невозможно выполнить все вычисления ИИ в облаке. Конструкция системы должна гарантировать, что чувствительные к задержке сетевые расчеты могут быть выполнены на краю.
В области цифрового ИИ мы видим большой успех с большими сквозными моделями обучения, такими как LLM. Эти модели процветают на огромных объемах данных. Однако они не обладают многими характеристиками воплощенного ИИ, упомянутого выше.
Воплощенный ИИ следует рассматривать как сложную систему, включающую взаимодействие между несколькими компонентами ИИ. Наличие правильной архитектуры системы в воплощенном ИИ является одним из ключей к успешным производственным приложениям. Это позволяет вам воспользоваться последними достижениями в области искусственного интеллекта и удовлетворить требовательные требования производственных приложений. Поэтому для разработки ИИ необходимы современные методы системных машиностроений для производственного применения.