En annen type AI utvikles for tiden, den såkalte "legemlige AI." Det refererer til agenter som har en kropp og støtter fysisk interaksjon, for eksempel intelligente serviceroboter, selvkjørende biler osv.
Embuserte AI -roboter kan samhandle med miljøet, planlegge, ta beslutninger, handle og utføre oppgaver som mennesker. For eksempel har robotenheten i oppgave å slipe den øvre overflaten av en del plassert i enheten for å oppnå ønsket overflatebehandling. Embusert AI er i stand til å bruke sensorer for å overvåke tilstanden til enheten og generere instruksjoner for roboten for å utføre oppgaver.
Digital AI og legemliggjort AI deler noen likheter og bruker mange underliggende teknologier. Å forstå forskjellene mellom disse to typene AI er imidlertid avgjørende for å bruke digitale AI -metoder på spesifikke AI -applikasjoner.
Risikoprofilen til legemliggjørte AI -applikasjoner er ofte grunnleggende forskjellig fra digitale AI -applikasjoner. Hvis digitale AI -verktøy er 99 prosent nøyaktige, kan det dramatisk forbedre menneskets produktivitet i mange applikasjoner.
I motsetning til dette, på grunn av risikoen for industrielle anvendelser, varierer nøyaktighetskravene for spesifikke AI -systemer ofte mye.
Hovedrisikoen kommer fra to aspekter: sannsynligheten for feil og konsekvensene av feil. Når konsekvensene av å gjøre en feil ikke er alvorlig, kan en større sannsynlighet for feil tolereres. Dette er grunnen til at en sannsynlighet på 1% feil er akseptabel i mange digitale AI -applikasjoner.
Motsatt krever mange legemlige AI -applikasjoner feilsannsynligheter bedre enn en av en million. Å bruke en rent datadrevet tilnærming for å redusere sannsynligheten for feil krever mye data. I de fleste tilfeller øker etterspørselen etter data eksponentielt. Dessverre er kostnadene for å få data fra fysiske systemer høye. Derfor må en annen tilnærming følges når man arbeider med legemlige AI -applikasjoner.
For å oppfylle ovennevnte krav, bør legemliggjort AI for produksjonsapplikasjoner ha følgende egenskaper:
Opplæring med begrensede data: Den legemliggjorte AI kan først trenes med begrensede data genereres fra fysikkeksperimenter først.
Kan settes sammen fra forhåndsutdannede modulære komponenter: Fysiske systemer kan ha flere konfigurasjoner for å støtte deres tiltenkte behov. Avhengig av prosessen som utføres (for eksempel sliping eller sandblåsing), kan produksjonsrobotenheten være i mange forskjellige konfigurasjoner. Ulike enheter kan omfatte roboter med forskjellige funksjoner (for eksempel montering av roboter av mobile plattformer eller monteringsroboter av portal), sensortyper (for eksempel dybdekameraer eller termiske bilder), og verktøy (for eksempel orbital slipre eller sandblåsende dyser).
Som et resultat kan det ikke være veldig bra å utvikle universell legemliggjort AI som fungerer ut av boksen for alle produksjonsapplikasjoner. Systemets AI må syntetiseres raskt fra modulære komponenter for å matche sensing- og kjøreegenskapene til det spesifikke systemet og arbeidsmiljøet.
Kan tilpasses nye data eller kontekst: Når nye data blir tilgjengelig under systemdistribusjon, bør det være mulig å bruke disse dataene for å forbedre AI -ytelsen. AI skal kunne tilpasse seg autonomt til nye miljøer eller oppgaver med minimal menneskelig tilsyn.
Enkelt å oppgradere: Over tid kan ytelsen til det fysiske systemet endres på grunn av slitasje eller oppdateringer til de fysiske komponentene. Dette kan kreve forbedringer av AI for å sikre at den kan følge med på utviklingen av systemet. Derfor må et legemliggjort AI -system utformes for å sikre at det kan oppgraderes med minimal forstyrrelse i systemets drift.
Risikobaserte anbefalinger for handling: Systemet skal kunne estimere tilliten til den foreslåtte handlingen. Når tilliten er lav, bør systemet foreta en risikoanalyse og analysere konsekvensene av svikt. Hvis risikoen er for høy, bør systemet søke hjelp fra menneskelige eksperter.
Tolkbarhet: Hvis systemet antyder en handling som ikke oppfyller brukerens forventninger, skal systemet kunne forklare årsakene som brukes til å velge handlingen.
Distribuert arkitektur som støtter partisjonering av databehandling mellom Edge og Cloud: I legemliggjort AI -applikasjonsscenarier er det ikke mulig å utføre all AI -databehandling i skyen. Utformingen av systemet skal sikre at nettverkslatensfølsomme beregninger kan utføres ved kanten.
I feltet Digital AI ser vi stor suksess med store ende-til-ende læringsmodeller som LLM. Disse modellene trives med enorme datamengder. De har imidlertid ikke mange av egenskapene til legemliggjort AI nevnt ovenfor.
Embodert AI bør sees på som et komplekst system som involverer interaksjoner mellom flere AI -komponenter. Å ha riktig systemarkitektur i legemliggjort AI er en av nøklene til vellykkede produksjonsapplikasjoner. Dette lar deg dra nytte av de siste fremskrittene i AI og oppfylle de krevende kravene til å produsere applikasjoner. Derfor er det nødvendig med moderne systemtekniske metoder for å designe legemliggjørte AI for produksjonsapplikasjoner.