Derzeit wird eine andere Art von KI entwickelt, die sogenannte "verkörperte KI". Es bezieht sich auf Agenten, die einen Körper haben und physische Interaktion unterstützen, wie intelligente Service-Roboter, selbstfahrende Autos usw.
Verkörperte KI -Roboter können mit der Umwelt interagieren, planen, Entscheidungen treffen, wie Menschen Aufgaben erledigen und ausführen. Zum Beispiel wird die Robotereinheit beauftragt, die Oberseite eines in das Gerät platzierten Teils zu schleifen, um das gewünschte Oberflächenfinish zu erreichen. Die verkörperte KI kann Sensoren verwenden, um den Status des Geräts zu überwachen und Anweisungen für den Roboter zur Ausführung von Aufgaben zu erstellen.
Die digitale KI und verkörperte KI haben einige Ähnlichkeiten und nutzen viele zugrunde liegende Technologien. Das Verständnis der Unterschiede zwischen diesen beiden Arten von KI ist jedoch entscheidend für die erfolgreiche Anwendung digitaler KI -Methoden auf bestimmte AI -Anwendungen.
Das Risikoprofil von verkörperten KI -Anwendungen unterscheidet sich häufig grundlegend von dem von digitalen AI -Anwendungen. Wenn digitale KI -Tools zu 99 Prozent genau sind, kann dies in vielen Anwendungen die menschliche Produktivität dramatisch verbessern.
Im Gegensatz dazu variieren die Genauigkeitsanforderungen für bestimmte KI -Systeme aufgrund der Risiken industrieller Anwendungen häufig stark.
Die Hauptrisiken stammen aus zwei Aspekten: die Wahrscheinlichkeit des Fehlers und die Folgen des Fehlers. Wenn die Folgen eines Fehlers nicht schwerwiegend sind, kann eine höhere Fehlerwahrscheinlichkeit toleriert werden. Aus diesem Grund ist eine 1% ige Fehlerwahrscheinlichkeit in vielen digitalen AI -Anwendungen akzeptabel.
Umgekehrt erfordern viele verkörperte KI -Anwendungen Fehlerwahrscheinlichkeiten besser als eine von einer Million. Erfordert die Verwendung eines rein datengesteuerten Ansatzes zur Verringerung der Wahrscheinlichkeit von Fehlern viele Daten. In den meisten Fällen wächst die Nachfrage nach Daten exponentiell. Leider sind die Kosten für die Herstellung von Daten aus physischen Systemen hoch. Daher muss ein anderer Ansatz beim Umgang mit verkörperten AI -Anwendungen befolgt werden.
Um die oben genannten Anforderungen zu erfüllen, sollten verkörperte KI für Herstellungsanwendungen die folgenden Eigenschaften haben:
Training mit begrenzten Daten: Die verkörperte KI kann mit begrenzten Daten geschult werden, die zuerst aus Physikversuche generiert werden.
Kann aus vorgebliebenen modularen Komponenten zusammengesetzt werden: Physikalische Systeme können mehrere Konfigurationen haben, um ihre beabsichtigten Anforderungen zu unterstützen. Beispielsweise kann die Herstellungsrobotereinheit in vielen verschiedenen Konfigurationen abhängig von der durchgeführten Prozesse (z. B. Schleifen oder Sandstrahlen) sein. Verschiedene Einheiten können Roboter mit unterschiedlichen Funktionen (z. B. mobile Plattform -Montage -Roboter oder Roboter der Garderie), Sensortypen (wie Tiefenkameras oder thermische Imager) und Werkzeuge (wie Orbitalschleifer oder Sandstrahlendüsen) umfassen.
Infolgedessen kann die Entwicklung von universell verkörperten KI, die für alle Fertigungsanwendungen nicht sehr gut funktioniert, nicht sehr gut ab. Die KI des Systems muss schnell von modularen Komponenten synthetisiert werden, um den Erfassungs- und Fahrfunktionen der spezifischen System- und Arbeitsumgebung zu entsprechen.
Kann an neue Daten oder Kontext angepasst werden: Wenn während der Systembereitstellung neue Daten verfügbar werden, sollte es möglich sein, diese Daten zur Verbesserung der KI -Leistung zu verwenden. KI sollte in der Lage sein, sich autonom an neue Umgebungen oder Aufgaben mit minimaler menschlicher Überwachung anzupassen.
Einfach zu aktualisieren: Im Laufe der Zeit kann sich die Leistung des physischen Systems aufgrund von Verschleiß oder den Aktualisierungen der physischen Komponenten ändern. Dies kann Verbesserungen der KI erfordern, um sicherzustellen, dass sie mit der Entwicklung des Systems Schritt halten kann. Daher muss ein verkörpertes KI -System so gestaltet sein, dass es mit minimaler Störung des Systems des Systems aufgerüstet werden kann.
Risikobasierte Maßnahmen für die Aktion: Das System sollte in der Lage sein, sein Vertrauen in die vorgeschlagene Aktion abzuschätzen. Wenn das Vertrauen niedrig ist, sollte das System eine Risikoanalyse durchführen und die Folgen des Versagens analysieren. Wenn das Risiko zu hoch ist, sollte das System Hilfe von menschlichen Experten suchen.
Interpretierbarkeit: Wenn das System eine Aktion vorschlägt, die die Erwartungen des Benutzers nicht entspricht, sollte das System in der Lage sein, die Gründe für die Auswahl der Aktion zu erklären.
Verteilte Architektur, die die Aufteilung des Computers zwischen Edge und Cloud unterstützt: In verkörperten AI -Anwendungsszenarien ist es nicht möglich, alle AI -Computer in der Cloud durchzuführen. Die Gestaltung des Systems sollte sicherstellen, dass am Rande durchgeführte Netzwerklatenz-sensitive Berechnungen durchgeführt werden können.
Im Bereich der digitalen KI sehen wir großen Erfolg mit großen End-to-End-Lernmodellen wie LLM. Diese Modelle leben von großen Datenmengen. Sie besitzen jedoch nicht viele der oben erwähnten Eigenschaften der verkörperten KI.
Verkörperte KI sollte als komplexes System angesehen werden, das Wechselwirkungen zwischen mehreren AI -Komponenten umfasst. Die richtige Systemarchitektur in verkörperter KI ist einer der Schlüssel für erfolgreiche Herstellungsanwendungen. Auf diese Weise können Sie die neuesten Fortschritte in der KI nutzen und die anspruchsvollen Anforderungen von Fertigungsanwendungen erfüllen. Daher sind moderne Systemtechnikmethoden erforderlich, um verkörperte KI für Herstellungsanwendungen zu entwerfen.