Hvorfor fysisk AI er sværere, end vi troede

Fysisk AI bevæger sig hurtigt fra imponerende demonstrationer til ingeniørrealitet. Hvis opmærksomheden tidligere primært var fokuseret på dets evner, er spørgsmålet om skalerbarhed i dag blevet mere og mere presserende: Hvad forhindrer disse systemer i at blive virkelig udbredte og pålidelige?

Fysisk AI og humanoid robotteknologi står nu i skæringspunktet for tre store udfordringer – ingeniør-, kognitive og investeringsrelaterede udfordringer. Intelligens, der opererer i den fysiske verden, stiller fundamentalt forskellige krav end softwarebaseret AI: her er fejl dyre, og miljøet forbliver uforudsigeligt. Det er derfor, samtalen skifter fra wow-effekten til konkrete tekniske, markedsmæssige og regulatoriske barrierer.

Mekanikere, der må lære at tænke

Den første udfordring er fine motorfærdigheder. Vi har motorer og servomotorer, der kan udføre højpræcise mikrobevægelser. Men at replikere menneskelig følsomhed, fleksibilitet og evnen til at tilpasse sig øjeblikkeligt, når man håndterer små genstande, er ekstraordinært svært. Den menneskelige hånd regulerer ubevidst kraft, vinkel, hastighed og trajektorie – alt inden for brøkdele af et sekund, konstant tilpasning til selv de mindste ændringer.

Den anden udfordring er balance og kraftkontrol. En robot må interagere med genstande af forskellige former, vægte og teksturer: et æble, et glas, et stykke smykker, en metalkomponent, en våd eller glat genstand. En robot kan besidde betydelig fysisk styrke, men den må være i stand til at beregne og anvende denne styrke korrekt. Dette kræver taktilsensorer, systemer, der tillader den at “føle” tryk, modstand og overfladekontakt. Lige så vigtigt er det ikke kun at registrere kraft, men også at fortolke den korrekt i sammenhæng med en bestemt handling. Det bliver et spørgsmål om at forstå de fysiske egenskaber hos genstande – materialemodstand, elasticitet, friktion og andre parametre.

En anden alvorlig udfordring er rumlig orientering – den såkaldte 6D-repræsentation. Dette refererer ikke til en “sekstdimensionel verden” i en science fiction-forstand, men snarere til tre positionskoordinater, højde, bredde og dybde, plus tre orienteringskoordinater: vinklerne af rotation langs hver akse. For eksempel er en tube eller et glas et tredimensionalt objekt. Men for en robot er det ikke nok at kende dets koordinater. Den må forstå genstandens orientering, dens position i forhold til tyngdekraften og hvordan dens position vil ændre sig, når manipulatoreren roterer. Hvis en robot tager et glas og ønsker at hælde vand fra det, kan den ikke blot “tippe genstanden”. Den må beregne den præcise trajektorie, vinkel og rotationshastighed, samtidig med at den tager højde for den flydende indhold, dens træghed og tyngdekraften. Alt dette kræver sofistikeret rumlig modellering og forudsigelse af handlingens konsekvenser.

Hvorfor markedet stadig er forsigtigt

Når man overvejer fysisk AI i sammenhæng med humanoid robotteknologi, er det vigtigt at anerkende det stadig bemærkelsesværdige niveau af skepsis.

En del af denne skepsis er psykologisk. Den såkaldte “uncanny valley”-effekt – når noget ser næsten menneskeligt ud, men ikke helt realistisk nok – skaber ubehag og angst. Unaturlige ansigtsudtryk, lidt stive eller “knækkede” bevægelser, mekanisk intonation – alt dette genererer emotionel modstand. Og teknologier, der vækker ubehag, bliver ofte adopteret langsommere.

Men den primære barrier er økonomisk. Investorer ser, at virksomheder har vist imponerende prototyper i årevis, men skalerbare kommercielle modeller er stadig begrænsede. Teknologisk fremgang er tydelig, men en bæredygtig massemarked er endnu ikke fuldt udviklet.

Spillere som Boston Dynamics bygger ingeniør-mestre, men deres anvendelser forbliver niche og dyre. Tesla udvikler sine egne humanoid-projekter. Nye virksomheder som Figure AI tiltrækker betydelig investering, lover robotter til fremstillings-, logistik- og plejeindustrier.

Fremstillingsindustrien er en åbenlys retning i denne sammenhæng. Robotisering er der ikke tvivl om, men om hastighed og omkostningerne ved udrulning.

Et endnu tydeligere eksempel er logistik og lagerstyring. Logistikrobotter er allerede blandt de mest profitable og vidt udbredte segmenter af robotteknologi i dag. Jeg husker, at på Keymakr, mange logistikvirksomheder kontaktede os for annotationstjenester, mens de implementerede sådanne teknologier, med ambitiøse planer om at skale dem yderligere. Størrelsen af global e-handel kræver flytning af enorme mængder varer med høj hastighed og præcision. Mennesker er fysisk ude af stand til at operere i den takt. Derfor er lagerautomatisering blevet et “hot” emne, der giver anledning til en hel industri: autonome platforme navigerer ruter, sorterer, transporterer og distribuerer last.

Alligevel forbliver meget af industrien i pilotfasen og laver ambitiøse løfter. Virksomheder søger stadig efter overbevisende brugsændringer, der leverer forudsigelige moneteringsmuligheder. Investorer vurderer tilbagebetalingstid, tekniske risici og omfanget af ingeniørudfordringer.

Det er derfor, markedet udvikler sig inkrementalt. Kapital i dette felt kræver ikke kun vision, men beviselige økonomiske resultater.

Risiko bliver en del af arkitekturen

En separat diskussionslag omfatter regulering og cybersikkerhed. En omfattende regulatorisk ramme for fysisk AI er endnu ikke fuldt udviklet. Branchen er stadig i sin formative fase: der er ingen modne standarder, ingen vidt udbredt tilstedeværelse i dagligdags miljøer og ingen etablerede certificeringsprotokoller. Reguleringer vil uundgåeligt opstå – men som i andre teknologiske cykler, vil de være en følge af skalering.

Hvad der betyder endnu mere lige nu, er et andet spørgsmål – tillid til systemer, der opnår fysisk autonomi. En robot i et hjem, lager eller kritisk infrastrukturanlæg er et netværksnodpunkt udstyret med sensorer, kameraer, mikrofoner og kommunikationskanaler. Dens adfærd bestemmes af software og opdateringer. Og selv om en robot initialt er programmeret til kun at udføre sikre handlinger, er muligheden for cybertrusler stadig til stede. Med utilstrækkelig beskyttelse kunne maliciøse aktører teoretisk set få adgang til et netværk af enheder og forsøge at bruge dem til skadelige formål.

Scenarier, der involverer hacking af autonome køretøjer eller robotnetværk, er allerede på kortene. De behandles som en del af risikovurdering – ligesom det engang skete med banksystemer, internettet og cloudtjenester.

Men historien viser, at teknologisk fremgang sjældent stopper på grund af trusler. I stedet styrker branchen beskyttelsen ved at etablere standarder, implementere overvågning og bygge multi-lagrede sikkerhedssystemer. Fysisk AI vil følge samme vej. Spørgsmålet er ikke, om risici vil opstå, men hvor hurtigt sikkerhed bliver integreret i hele økosystemet.

En branche bliver bygget op omkring det

Alle de nævnte udfordringer, tekniske, markedsmæssige og regulatoriske, deler en vigtig egenskab: ingen af dem kan løses i isolation.

Fysisk AI kan ikke ses som et selvstændigt produkt eller blot som en enkelt teknologi. Det, vi er vidne til, er opbygningen af en hel infrastruktur, hvor hardware, beregning, energi, data og materialer udvikler sig i takt. Og det er netop her, det bliver klart: dette er opkomsten af et nyt industrieløkøkonomisk system.

En robot er autonom og mobil. Dette betyder, at den ikke kan afhænge udelukkende af cloud-computing. I modsætning til LLM’er, der kører på serverkluster, må fysisk intelligens træffe beslutninger lokalt, i realtid. Dette ændrer fundamentalt kravene til chip: de må være kraftfulde, energibesparende og optimeret til inferens på kanten af enheder.

Dette skaber igen et bredt spektrum af nye udviklingsområder: energibesparende chip til robotteknologi; kompakte, optimerede AI-modeller til edge-udrulning; platforme til træning af sådanne modeller; dataannotationssystemer og forberedelse af specialiserede datasæt, ligesom det, vi gør på Introspector, samt fremskridt i batterier og autonome strømforsyningsanlæg.

Koncepter diskuteres allerede for, at en robot skal erstatte sine egne batterier: fjernelse af et udbrændt modul, anbringelse på opladning og tilslutning af et opladt modul uden fuldstændig lukning af systemet. Dette alene kunne blive et separat marked.

En omfattende branche tager langsomt form omkring fysisk AI. Ud over beregning og energi skal materialvidenskab udvikle sig: syntetiske belægninger, der efterligner hud, fleksible sensorsurface, sikre og taktilt behagelige materialer til menneskelig interaktion. Hvis en robot opererer sammen med mennesker, bliver dens udseende og fysiske egenskaber en del af brugerens perception og tillid til teknologien.

I denne forstand er fysisk AI om hele den teknologiske stak, fra chip og batterier til sensorer, software, materialer og faktorer relateret til menneskelig perception. Det er inden for denne kompleksitet, den sande skala af den fremtidige branche ligger.