Μοντέλα και πλατφόρμες AI

Η Άνοδος της Φυσικής AI: Γιατί η Συμμαχία Boston Dynamics–Google DeepMind Αλλάζει Τα Πάντα

Dr. Assad Abbas
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
The Rise of Physical AI: Why the Boston Dynamics–Google DeepMind Alliance Changes Everything
Βασικά σημείαΗ συμμαχία Boston Dynamics-Google DeepMind σηματοδοτεί μια στιγμή GPT-3 για τα ρομπότ…
Δείτε περισσότερα
  • Η συμμαχία Boston Dynamics-Google DeepMind σηματοδοτεί μια στιγμή GPT-3 για τα ρομπότ, συνδυάζοντας προηγμένο υλικό με την νοημοσύνη βασικών μοντέλων.
  • Τα μοντέλα Όρασης-Γλώσσας-Δράσης ενοποιούν την αντίληψη, τον σχεδιασμό και τον έλεγχο των ρομπότ, επιτρέποντας ευέλικτη λειτουργία σε πολύπλοκα περιβάλλοντα του πραγματικού κόσμου.
  • Το Metaplant της Hyundai στη Georgia καταδεικνύει πώς η Φυσική Τεχνητή Νοημοσύνη κλιμακώνεται μέσω ψηφιακών δίδυμων και συλλογικής μάθησης ολόκληρου του στόλου.

Φυσική AI αναφέρεται σε έξυπνα συστήματα που μπορούν να ανιχνεύουν, να συλλογίζονται και να ενεργούν μέσα στον φυσικό κόσμο. Αυτά τα συστήματα δεν περιορίζονται μόνο σε οθόνες, διακομιστές ή ψηφιακούς χώρους. Αντίθετα, λειτουργούν σε περιβάλλοντα όπου η βαρύτητα, η τριβή και οι ακατάστατες συνθήκες επικρατούν. Ως εκ τούτου, η Φυσική AI πρέπει να ανταποκριθεί σε αυστηρότερες τεχνικές και απαιτήσεις ασφάλειας από την παραδοσιακή Τεχνητή Νοημοσύνη (AI). Σε αντίθεση με τα μοντέλα μόνο λογισμικού, η Φυσική AI συνδέει την αντίληψη και τη λήψη αποφάσεων απευθείας με τους ενεργοποιητές. Αυτή η σύνδεση επιτρέπει στα ρομπότ να χειρίζονται πραγματικά αντικείμενα, να πλοηγούνται σε πραγματικούς χώρους και να εργάζονται μαζί με ανθρώπινους χειριστές σε πραγματικό χρόνο.

Για πολλά χρόνια, η ρομποτική και η τεχνητή νοημοσύνη αναπτύχθηκαν σε ξεχωριστές διαδρομές. Η έρευνα ρομποτικής επικεντρώθηκε κυρίως σε μηχανικά συστήματα, συμπεριλαμβανομένων κινητήρων, συνδέσμων και αλγορίθμων ελέγχου. Αντίθετα, η έρευνα Τεχνητής Νοημοσύνης επικεντρώθηκε στον συλλογισμό και τη μάθηση σε ψηφιακά περιβάλλοντα, συμπεριλαμβανομένων μεγάλων μοντέλων γλωσσών και μοντέλων θεμελίωσης. Αυτή η διάκριση περιόρισε την πρόοδο στη γενικής χρήσης ρομποτική. Ως αποτέλεσμα, τα ρομπότ πέτυχαν υψηλή ακρίβεια αλλά στερούνταν προσαρμοστικότητας. Τα συστήματα Τεχνητής Νοημοσύνης, ωστόσο, επέδειξαν ισχυρή ικανότητα συλλογισμού αλλά στερούνταν φυσικής παρουσίας σε εργοστάσια ή κέντρα εφοδιαστικής.

Αυτή η διάκριση άρχισε να στενεύει το 2026. Η συμμαχία μεταξύ Boston Dynamics και Google DeepMind (GOOGL ), υποστηριζόμενη από την Hyundai Motor Group, έφερε μαζί προηγμένο ρομποτικό υλικό και νοημοσύνη βασισμένη σε μοντέλα θεμελίωσης μέσα σε πραγματικά βιομηχανικά περιβάλλοντα. Ως εκ τούτου, τα φυσικά συστήματα και ο ευφυής συλλογισμός άρχισαν να λειτουργούν ως ένα ενιαίο σύστημα και όχι ως δύο ξεχωριστές στρώσεις. Ως αποτέλεσμα, η Φυσική AI μετακινήθηκε πέρα από την πειραματική έρευνα και εισήλθε στην πραγματική λειτουργική χρήση.

Φυσική AI και η στιγμή GPT‑3 για Ρομπότ

Η Φυσική AI λειτουργεί στον πραγματικό κόσμο, όχι μόνο σε οθόνες ή διακομιστές. Αντίθετα με την παραγωγική AI, η οποία παράγει κείμενο, εικόνες ή κώδικα με σφάλματα χαμηλού κινδύνου, η Φυσική AI μετακινεί πραγματικά ρομπότ γύρω από ανθρώπους, μηχανές και εξοπλισμό. Λάθη σε αυτόν τον κόσμο μπορούν να προκαλέσουν ζημιά, να σταματήσουν την παραγωγή ή ακόμη και να δημιουργήσουν κινδύνους ασφαλείας. Ως εκ τούτου, η αξιοπιστία, ο χρόνος και η ασφάλεια είναι ενσωματωμένα σε κάθε στρώμα του σχεδιασμού συστήματος, από την ανίχνευση στην κίνηση.

Το μοντέλο GPT-3 βοηθά να εξηγήσει τη σημασία της Φυσικής AI. Το GPT-3 έδειξε ότι ένα μεγάλο μοντέλο γλωσσών μπορεί να εκτελέσει εργασίες όπως η μετάφραση, η περίληψη και ο προγραμματισμός χωρίς να απαιτούνται ξεχωριστά συστήματα για κάθε εργασία. Παρόμοια, τα μοντέλα ρομποτικής Gemini δίνουν στα ρομπότ ένα κοινό γνωστικό επίπεδο που χειρίζεται πολλές εργασίες σε διαφορετικές μηχανές. Αντί να γράφουν οι μηχανικοί λεπτομερείς οδηγίες για κάθε κατάσταση, τα ρομπότ βελτιώνονται μέσω δεδομένων και ενημερώσεων μοντέλων. Η νοημοσύνη τους αυξάνεται και εξαπλώνεται σε όλες τις μηχανές που ελέγχουν.

Με τον συνδυασμό προηγμένου υλικού και νοημοσύνης βασισμένης σε μοντέλα θεμελίωσης, η συμμαχία Boston Dynamics–Google DeepMind σηματοδοτεί πραγματικά ένα ορόσημο GPT-3 για ρομπότ. Δείχνει ότι τα ρομπότ μπορούν να λειτουργούν με ασφάλεια, να προσαρμόζονται και να μαθαίνουν συνεχώς σε σύνθετα, πραγματικά περιβάλλοντα.

Μοντέλα Όρασης-Γλώσσας-Δράσης (VLA) και η Νέα Προσέγγιση στη Ρομποτική

Τα μοντέλα VLA λύνουν ένα σημαντικό πρόβλημα στη ρομποτική. Τα παραδοσιακά ρομπότ αντιμετώπιζαν την αντίληψη, τον σχεδιασμό και τον έλεγχο ως ξεχωριστά συστήματα. Κάθε μονάδα σχεδιάστηκε, ρυθμίστηκε και ελέγχθηκε ανεξάρτητα. Αυτό έκανε τα ρομπότ εύθραυστα. Ακόμη και μικρές αλλαγές στο περιβάλλον, όπως ένα εκτοπισμένο αντικείμενο ή διαφορετικός φωτισμός, μπορούν να προκαλέσουν σφάλματα.

Τα μοντέλα VLA συνδυάζουν αυτά τα βήματα σε ένα σύστημα. Συνδέουν αυτό που βλέπει το ρομπότ, τι του λένε να κάνει και πώς πρέπει να ενεργήσει. Αυτή η ενότητα επιτρέπει στο ρομπότ να σχεδιάζει και να εκτελεί εργασίες πιο ομαλά. Δεν υπάρχει ανάγκη να σχεδιαστεί κάθε βήμα ξεχωριστά.

Για παράδειγμα, ένα ρομπότ που χρησιμοποιεί μοντέλο VLA μπορεί να λάβει εικόνες και δεδομένα βάθους ενώ λαμβάνει οδηγίες όπως “καθαρίστε αυτή την εργασιακή θέση και ταξινομήστε τα μέρη μετάλλου ανά μέγεθος.” Το μοντέλο μεταφράζει αυτό απευθείας σε εντολές δράσης. Επειδή το σύστημα μαθαίνει από μεγάλα σύνολα δεδομένων και προσομοιώσεις, μπορεί να χειριστεί αλλαγές στον φωτισμό, στη θέση αντικειμένων και στην ακαταστασία χωρίς συνεχή επαναπρογραμματισμό.

Αυτή η σχεδίαση κάνει τα ρομπότ πιο ευέλικτα και αξιόπιστα. Μπορούν να εργαστούν σε σύνθετα περιβάλλοντα, όπως αποθήκες μεικτών προϊόντων ή γραμμές συναρμολόγησης που μοιράζονται με ανθρώπους. Επιπλέον, τα μοντέλα VLA μειώνουν τον χρόνο και την προσπάθεια που απαιτείται για την ανάπτυξη ρομποτών σε νέα περιβάλλοντα. Ως αποτέλεσμα, η Φυσική AI μπορεί να εκτελέσει εργασίες που ήταν δύσκολες ή αδύνατες για τα παραδοσιακά ρομπότ.

Κλιμάκωση της Φυσικής AI με Atlas και Gemini Ρομποτική

Τα παραδοσιακά βιομηχανικά ρομπότ λειτουργούσαν καλά σε προβλέψιμα περιβάλλοντα όπου τα μέρη ήταν σταθερά και η κίνηση ήταν επαναλαμβανόμενη. Ωστόσο, είχαν δυσκολίες σε ρυθμίσεις με παραλλαγές, όπως αποθήκες με μεικτά προϊόντα ή γραμμές συναρμολόγησης με αλλαγές εργασιών. Το κύριο ζήτημα ήταν η εύθραυστη κατάσταση, επειδή ακόμη και μικρές αλλαγές συχνά απαιτούσαν από τους μηχανικούς να ξαναγράψουν τη λογική ελέγχου. Ως αποτέλεσμα, η κλιμάκωση ήταν περιορισμένη και η αυτοματοποίηση παρέμεινε ακριβή και άκαμπτη.

Η συμμαχία Boston Dynamics και Google DeepMind αντιμετωπίζει αυτό το πρόβλημα συνδυάζοντας προηγμένη υλική υποδομή με νοημοσύνη βασισμένη σε μοντέλα θεμελίωσης. Ο Atlas έχει επανασχεδιαστεί σε ένα ολοηλεκτρικό ανθρωπόμορφο για βιομηχανικές λειτουργίες. Η ηλεκτρική ενεργοποίηση παρέχει ακριβή έλεγχο, ενεργειακή αποτελεσματικότητα και μειωμένη συντήρηση, τα οποία είναι απαραίτητα για συνεχή παραγωγή. Επιπλέον, ο Atlas δεν μιμείται ακριβώς την ανθρώπινη ανατομία. Οι αρθρώσεις του κινούνται πέρα από τα ανθρώπινα όρια, προσφέροντας πρόσθετη εμβέλεια και ευελιξία. Υψηλοί βαθμοί ελευθερίας υποστηρίζουν σύνθετες εργασίες χειρισμού και επιτρέπουν στο ρομπότ να προσαρμοστεί σε στενούς χώρους ή ασυνήθιστους προσανατολισμούς μερών. Ως αποτέλεσμα, ο Atlas μπορεί να εκτελέσει ένα ευρύτερο φάσμα λειτουργιών χωρίς να χρειάζεται εξειδικευμένα εξαρτήματα στερέωσης.

Η Gemini Ρομποτική λειτουργεί ως ψηφιακό νευρικό σύστημα για τον Atlas, επεξεργαζόμενη συνεχώς οπτικές και απτικές πληροφορίες και πληροφορίες ανάδρασης από τις αρθρώσεις για να διατηρήσει μια ενημερωμένη κατανόηση του περιβάλλοντος. Αυτό επιτρέπει στο ρομπότ να προσαρμόσει τις κινήσεις σε πραγματικό χρόνο, να διορθώσει λάθη και να ανακάμψει από διαταραχές. Επιπλέον, οι δεξιότητες που έχουν μάθει από μια μονάδα Atlas μπορούν να μοιραστούν σε άλλα ρομπότ, βελτιώνοντας την απόδοση σε επίπεδο στόλου. Ως αποτέλεσμα, πολλά ρομπότ μπορούν να λειτουργήσουν αποτελεσματικά σε εργοστάσια και τοποθεσίες ενώ συνεχίζουν να μαθαίνουν από την εμπειρία.

Τα πρώτα ανθρωπόμορφα ρομπότ βασίζονταν πολύ στην τηλεχειριζόμενη λειτουργία, όπου οι άνθρωποι ελέγχαναν κάθε κίνηση. Αυτή η προσέγγιση εισήγαγε καθυστέρηση, αύξησε το κόστος και περιόρισε την κλιμάκωση. Αντίθετα, η Gemini Ρομποτική υποστηρίζει την εκτέλεση εργασιών με βάση την πρόθεση. Οι άνθρωποι παρέχουν ένα στόχο, όπως “οργανώστε αυτά τα μέρη,” και ο Atlas σχεδιάζει και εκτελεί τις απαραίτητες ενέργειες. Οι επόπτες παρακολουθούν τις επιχειρήσεις, αλλά ο άμεσος έλεγχος διατηρείται στο ελάχιστο. Ως αποτέλεσμα, η εκτέλεση εργασιών γίνεται πιο αποτελεσματική και η ανάπτυξη σε βιομηχανικά περιβάλλοντα γίνεται εφικτή σε κλίμακα.

Το Όραμα της Hyundai για τη Φυσική AI και το Βιομηχανικό Πλεονέκτημα

Η Hyundai Motor Group έχει επεκτείνει το ενδιαφέρον της πέρα από τη βιομηχανία οχημάτων σε ρομποτική και έξυπνα συστήματα. Επιπλέον, το όραμά της για τη μετα-κινητικότητα περιλαμβάνει εργοστάσια, κέντρα εφοδιαστικής και περιβάλλοντα υπηρεσιών. Ως εκ τούτου, η Φυσική AI ταιριάζει φυσικά σε αυτή τη στρατηγική επειδή επιτρέπει στα ρομπότ να εκτελούν εργασίες που η παραδοσιακή αυτοματοποίηση δεν μπορεί να χειριστεί. Επιπλέον, τα ρομπότ συλλέγουν λειτουργικά δεδομένα κατά τη διάρκεια της εργασίας, τα οποία βελτιώνουν την απόδοσή τους με το χρόνο. Ως αποτέλεσμα, γίνονται μέρος της βασικής υποδομής και όχι πειραματικών εργαλείων.

Το Georgia Metaplant, γνωστό ως Hyundai Motor Group Metaplant America, χρησιμεύει ως το πρώτο πραγματικό πεδίο δοκιμών για τη Φυσική AI. Εδώ, η αυτοματοποίηση, οι ψηφιακοί δίδυμοι και τα ρομπότ συνεργάζονται στενά σε ενεργούς χώρους παραγωγής. Οι δεξιότητες που έχουν μάθει σε προσομοιώσεις εφαρμόζονται απευθείας σε πραγματικές εργασίες. Επιπλέον, η ανάδραση από αυτές τις επιχειρήσεις ενημερώνει τα μοντέλα εκπαίδευσης. Αυτός ο συνεχής βρόχος βελτιώνει την απόδοση του ρομπότ και μειώνει τον κίνδυνο λειτουργίας. Ως αποτέλεσμα, οι αναπτύξεις σε πολλαπλά εργοστάσια γίνονται δυνατές και το μοντέλο θα μπορούσε να επεκταθεί παγκοσμίως.

Η παραδοσιακή αυτοματοποίηση έχει δυσκολίες με την παραλλαγή και το υψηλό κόστος προγραμματισμού, το οποίο αφήνει πολλές εργασίες χειροκίνητες. Παρόμοια, η έλλειψη εργατικού δυναμικού και η ποικιλία προϊόντων περιορίζουν αυτό που μπορούν να κάνουν τα συμβατικά ρομπότ. Τα ανθρωπόμορφα ρομπότ με Φυσική AI υπερβαίνουν αυτούς τους περιορισμούς προσαρμοζόμενα σε αλλαγμένα περιβάλλοντα και εκτελώντας σύνθετες εργασίες. Επιπλέον, αυτή η ευελιξία κλείνει το χάσμα αυτοματοποίησης και επιτρέπει λειτουργίες που ήταν προηγουμένως αδύνατες. Οι προβλέψεις της αγοράς δείχνουν ότι η ρομποτική ανθρωπόμορφου θα μπορούσε να φτάσει δεκάδες δισεκατομμύρια δολάρια την επόμενη δεκαετία. Ως αποτέλεσμα, η Hyundai κερδίζει ένα στρατηγικό πλεονέκτημα ελέγχοντας τόσο το περιβάλλον ανάπτυξης όσο και τη νοημοσύνη που τροφοδοτεί τα ρομπότ.

Τα μοντέλα Gemini της Google DeepMind παρέχουν τη νοημοσύνη για αυτά τα ρομπότ. Οι εργαζόμενοι μπορούν να δώσουν οδηγίες σε φυσική γλώσσα και τα ρομπότ τις ερμηνεύουν χρησιμοποιώντας όραση, απτική ανάδραση και χωρική αντίληψη. Ως εκ τούτου, τα ρομπότ μεταφράζουν την ανθρώπινη πρόθεση σε ακριβείς ενέργειες χωρίς χειροκίνητο κώδικα. Η πολυτροπική ανίχνευση ενισχύει τον χειρισμό υλικών. Για παράδειγμα, τα ρομπότ συνδυάζουν οπτικά και απτικά δεδομένα για να προσαρμόσει τη λαβή, τη δύναμη και την κίνηση σε πραγματικό χρόνο. Ως αποτέλεσμα, ο χειρισμός των ευαίσθητων ή υψηλής αξίας μερών γίνεται με ασφάλεια.

Οι ψηφιακοί δίδυμοι κάνουν τη μεγάλης κλίμακας ανάπτυξη πρακτική και αξιόπιστη. Οι δεξιότητες και οι πολιτικές δοκιμάζονται πρώτα σε προσομοιώσεις πριν εφαρμοστούν σε πραγματικά ρομπότ. Επιπλέον, όταν έχουν επικυρωθεί, οι ενημερώσεις μπορούν να μοιραστούν σε ολόκληρους στόλους μηχανημάτων. Ως αποτέλεσμα, η Φυσική AI κλιμακώνεται με τρόπο παρόμοιο με το λογισμικό. Αυτός ο συνδυασμός προηγμένου υλικού, νοημοσύνης βασισμένης σε μοντέλα θεμελίωσης και συνδεδεμένης ανάπτυξης δίνει στην Hyundai τόσο λειτουργική αποδοτικότητα όσο και σαφή στρατηγικό πλεονέκτημα στο αναδυόμενο πεδίο της Φυσικής AI.

Το Μέλλον της Φυσικής AI στα Ανθρωπόμορφα

Το πρόγραμμα Optimus της Tesla ακολουθεί μια κατακόρυφα ολοκληρωμένη προσέγγιση. Το υλικό, η AI και η ανάπτυξη παραμένουν εσωτερικά και η αρχική κυκλοφορία συμβαίνει κυρίως μέσα σε εργοστάσια Tesla (TSLA ). Αντίθετα, το μοντέλο Boston Dynamics–Hyundai συνδυάζει εξειδικευμένη ρομποτική, νοημοσύνη βασισμένη σε μοντέλα θεμελίωσης και βιομηχανική ανάπτυξη μέσω συντονισμένων συνεργατών. Ως εκ τούτου, τα ρομπότ μπορούν να λειτουργούν σε πιο ποικίλα περιβάλλοντα και να χειρίζονται ένα ευρύτερο φάσμα εφαρμογών. Αυτή η συνεργασία ωφελεί επίσης τους προγραμματιστές, οι οποίοι κερδίζουν ευελιξία και πρόσβαση σε ένα ευρύτερο οικοσύστημα.

Οι κοινοί χώροι εργασίας με ανθρώπους αυξάνουν τη σημασία της ασφάλειας. Τα συστήματα Φυσικής AI πρέπει να προβλέψουν την κίνηση ανθρώπων και να προσαρμόσουν τις ενέργειες προληπτικά. Ως εκ τούτου, πιστοποιημένα στρώματα ελέγχου, διπλοποίηση και παρακολούθηση σε επίπεδο στόλου παραμένουν κρίσιμα για ασφαλείς επιχειρήσεις. Επιπλέον, τα συνδεδεμένα ρομπότ εισάγουν νέους κυβερνο-φυσικούς κινδύνους. Ασφαλής αυθεντικοποίηση, κρυπτογράφηση και παρακολούθηση σε χρόνο εκτέλεσης είναι απαραίτητες για την αποτροπή κατάχρησης. Ως εκ τούτου, η κυβερνοασφάλεια είναι τόσο φυσικό όσο και ψηφιακό ζήτημα και πρέπει να ενσωματωθεί από το στάδιο σχεδιασμού.

Οι προσομοιώσεις-πρώτα ροές μειώνουν τον κίνδυνο λειτουργίας και το κόστος. Τα ρομπότ εκπαιδεύονται εκτενώς σε εικονικά περιβάλλοντα πριν από την ανάπτυξη. Η σταδιακή κυκλοφορία επιτρέπει την επαλήθευση και τη βελτίωση στον πραγματικό κόσμο. Επιπλέον, η τηλεμετρία και οι βρόχοι ανάδρασης ενημερώνουν τις συνεχείς ενημερώσεις, βελτιώνοντας την απόδοση και την εμπιστοσύνη στην υιοθέτηση. Με αυτόν τον τρόπο, η Boston Dynamics και η Hyundai δείχνουν πώς η Φυσική AI στα ανθρωπόμορφα μπορεί να κλιμακωθεί ασφαλώς, ευφυώς και αξιοπιστώς σε μελλοντικά εργοστάσια και δραστηριότητες εφοδιαστικής.

Η Κύρια Ιδέα

Η συμμαχία Boston Dynamics–Google DeepMind–Hyundai δείχνει μια σημαντική αλλαγή στο πώς η ρομποτική και η AI συνεργάζονται. Συνδυάζοντας την προηγμένη υλική υποδομή του Atlas με τη νοημοσύνη Gemini, τα ρομπότ λειτουργούν τώρα ασφαλώς και προσαρμοστικά σε πραγματικά περιβάλλοντα. Ως εκ τούτου, η Φυσική AI μετακινείται από την πειραματική έρευνα σε πρακτικές, γενικής χρήσης εφαρμογές.

Επιπλέον, η κοινή μάθηση μέσω μοντέλων θεμελίωσης και ψηφιακών διδύμων επιτρέπει στα ρομπότ να βελτιώνονται συνεχώς. Οι δεξιότητες που έχουν μάθει σε ένα περιβάλλον μπορούν να μεταφερθούν σε άλλα, αυξάνοντας την αποδοτικότητα και την αξιοπιστία σε επίπεδο στόλου. Ως εκ τούτου, οι άνθρωποι μπορούν να επικεντρωθούν στην εποπτεία και τις σύνθετες αποφάσεις, ενώ τα ρομπότ χειρίζονται επαναλαμβανόμενες ή επικίνδυνες εργασίες.

Επιπλέον, οι βιομηχανίες που υιοθετούν τη Φυσική AI νωρίς μπορεί να κερδίσουν ανταγωνιστικά πλεονεκτήματα σε παραγωγικότητα και ευελιξία. Αντίθετα, αυτοί που καθυστερούν την υιοθέτηση κινδυνεύουν να μείνουν πίσω στην λειτουργική αποδοτικότητα. Σε συμπέρασμα, η συμμαχία δεν κατασκευάζει μόνο πιο καινοτόμα ρομπότ αλλά και δείχνει ένα νέο μοντέλο για τη διαχείριση και την κλιμάκωση εργασιών σε φυσικούς χώρους.

Ο Δρ Assad Abbas, αναπληρωτής καθηγητής με μονιμότητα στο COMSATS University Islamabad, Πακιστάν, απέκτησε το διδακτορικό του από το North Dakota State University, ΗΠΑ. Η έρευνά του επικεντρώνεται σε προηγμένα τεχνολογικά μέσα, συμπεριλαμβανομένων cloud, fog και edge computing, big data analytics και AI. Ο Δρ Abbas έχει κάνει σημαντικές συνεισφορές με δημοσιεύσεις σε αξιόπιστες επιστημονικές περιοδικές εκδόσεις και συνέδρια. Είναι επίσης ο ιδρυτής του MyFastingBuddy.