물리적 AI: 새로운 시대의 영웅

오늘날, AI 산업과 관련된 모든 사람이 물리적 AI에 대해 논의하고 있습니다. 이 용어는 니치 논의에서 주류 의제로 빠르게 이동했습니다. 일러스트레이션 예: NVIDIA는 새로운 로봇 모델 및 시뮬레이션 프레임워크에서 에지 컴퓨팅 하드웨어에 이르기까지 전략의 중심에 물리적 AI를 위치시켰습니다. 에지 컴퓨팅은 자율 기계를 위해 특별히 설계되었습니다.

조직이 제품 로드맵을 재조직하기 시작하면 그것은 방향이 됩니다.

那么 물리적 AI는 정말 무엇인가 – 새로운 기술이나 패러다임인가? 그리고 이 두 단어가 뒤에 있는 것은 무엇일까?

오래된 새로운 것

우리가全球적으로 생각해 본다면, 물리적 AI는 항상 존재했습니다. 로봇공학 및 자율 시스템과 관련된 모든 것은 본질적으로 이 정의에 해당합니다. 1960년대에는 인공 지능의 요소를 사용하여 제어되는 차량이 등장했습니다. 오늘날의 기준으로는 이것은 매우 원시적인 컴퓨터 비전 시스템이었습니다. 그러나 차량은 “본” 것에 따라 이동을 조정할 수 있었습니다. 그것은 물리적 AI의 첫 번째 прояв 중 하나였습니다.

자율성과 환경 인식을 결합하는 모든 로봇 시스템은 물리적 AI입니다. 간단히 말해, 물리적 세계를 분석하고 이해하고 결정하고 행동하는 인공 지능의 적용입니다.

그것은 우리가 근본적으로 새로운 기술에 대해 논의하고 있지 않다는 것을 의미합니다. 자율 기계는 오래전부터 존재했습니다. 더욱이, 우주선, 화성 로버를 포함한 우주선은 동일한 기본 원칙으로 작동합니다.它们는 컴퓨터 비전 시스템, 항법, 표면 이동, 샘플 수집 등이 가능합니다. 모두 이것은 물리적 AI의 형태입니다.

2026년에 변경된 것은 주의 초점입니다. 용어 자체가 인기 있게 되었습니다.

시장은 항상 새로운 “영웅”을 필요로 하는 방식으로 구조화되어 있습니다. 즉, 논의와 투자 관심이 형성될 수 있는 개념입니다. 한때 그것은 가상화폐였습니다. 그런 다음 스마트 계약이 등장했습니다. 본질적으로 동일한 아이디어의 발전이지만 더 투자자 친화적인 이름으로 재포장되었습니다. 기존 기술을 재포장하고 새로운 관심의 물결을 일으키는 방법이었습니다.

물리적 AI와 관련하여 비슷한 일이 발생하고 있습니다. 용어 자체는 새로운 것이 아니지만, 오늘날에는 새로운 관련성, 새로운輪廓, 개발 벡터를 얻었습니다.

우리는 컴퓨터가 말하고, 텍스트를 생성하고, 심지어 推論을 모방하도록 가르쳤습니다. 자율 주행 자동차는 수년 동안 운전手を 없이 이동했습니다. 테슬라의 Full Self-Driving 시스템, 웨이모, 주크스는 승객을 수송합니다. 자율 트럭은 테스트되고 실제 환경에서 운영되고 있습니다. 이 분야의 많은 도전은 이미 해결되거나 매우 성숙했습니다.

동시에 로봇은 아직도 단순한 일상적인 작업을 신뢰성 있게 수행할 수 없습니다. 예를 들어, 의류를 깔끔하게 접거나 식기 세척기를 로드하는 것과 같은 작업입니다. 그래서 시장은 새로운 성장 지점을 찾기 시작합니다. 즉, 해결되지 않은 문제가 남아 있고 여전히 규모가 있을 수 있는 도메인입니다.

이 맥락에서 물리적 AI 용어는 기술 개발의 다음 단계를 설명하는 편리한 프레임워크로 작용합니다. 여기서 지능은 화면을 넘어 실제 물리적 세계에서 작동하기 시작합니다.

테크 자이언츠의 논리

거시적인 관점에서 보면 물리적 AI에 대한 관심이 우연히 증가한 것이 아니라는 것이 명백합니다.

NVIDIA의 역사 는 대표적인 예입니다. 회사는 게임을 위한 그래픽 프로세서로 시작했습니다. 나중에 칩은 가상화폐 채굴의 중추가 되었습니다. 그 후 동일한 컴퓨팅 파워는 깊은 신경망을 훈련하는 데 필수적이었습니다. 각 새로운 기술 주기는 하드웨어에 대한 수요를 강화했습니다.

그러나ニュアンス가 있습니다. 기술이 최적화되기 시작하면서 과도한 컴퓨팅 파워에 대한 수요가 점차 감소합니다. LLM은 더 효율적이 됩니다. 중국 기업은 강력한 모델을 훨씬 낮은 비용으로 훈련할 수 있다는 것을 보여주고 있습니다. 인프라 제조업체에게 이것은 경고 신호입니다. 모델이 더 콤팩트하고 저렴해지고, 추론이 에지 디바이스로 이동하고, 훈련이 더 최적화되면 시장은 서버 용량의 지수적 성장을 더 이상 필요로하지 않습니다. 즉, 새로운 운전자가 필요합니다.

물리적 AI는 이 역할을 완벽하게 수행합니다. 순수한 소프트웨어 기반 모델과 달리 물리적 AI는 센서, 실시간 처리, 데이터 스트림 처리, 시뮬레이션 및 지속적인 실험을 통합해야 합니다. 로봇은 “hallucinate”할 수 없습니다. 텍스트의 오류는 무해하지만, 매니퓰레이터의 동작 오류는 장비를 손상시키거나 인간을 상처입힐 수 있습니다. 이것은 신뢰성 요구 사항과 컴퓨팅 로드의 완전히 다른 수준을 나타냅니다. 예를 들어, 우리는 Introspector에서 이것을 광범위하게 작업하고 있으며, 높은 품질의 데이터와 에지 케이스의 중요성을 완전히 이해하고 있습니다.

요약하면, 한 기술 주기가 성숙기에 접어들면 자본은 다음 주기, 즉 더 복잡하고, 구조화되지 않으며, 잠재적으로 더 확장 가능한 주기를 찾기 시작합니다. 세계 테크 자이언츠는 이 새로운 주기에 투자하고 적극적으로 홍보하며, 그 주변의 내러티브, 에코시스템 및 표준을 형성할 수 있는 자원을 가지고 있습니다.

로봇공학의狂野한 전선

過去 10년 동안 기술 시장에目を 돌리면, 거의 모든 주요 AI 도메인에서 이미 핵심 플레이어가 등장했습니다. LLM의 경우 글로벌 플랫폼의 작은 그룹이 전체 생태계를 지원합니다. 자율 주행 운송의 경우 제한된 기업의 원이 수十억 달러를 투자하여 센서, 지도, 함대 및 인프라를 구축했습니다. 스마트폰의 경우 실제로 폐쇄된 클럽입니다.

본질적으로 스타트업은 아직 구조가 정립되지 않은 영역을 찾습니다. 투자자는 지수적 성장이 가능한 시장을 찾습니다. 그리고 한 도메인이 성숙기에 접어들면 관심은 아직 구조가 정립되지 않은 영역, 표준이 아직 고정되지 않은 영역, 아직 게임의 규칙을 정의할 수 있는 영역으로 이동합니다.

이 의미에서 로봇공학은真正한狂野한 전선으로 보입니다. 수백 개의 잠재적인 응용 프로그램이 있습니다. 홈 어시스턴트, 소매점의 서비스 로봇, 창고 자동화, 농업, 건설, 의료 지원, 노인 돌봄 등입니다. 이것은 단일 시장ではなく, 하나의 광범위한 기술 계층 내에서 수십 개의 시장입니다.

핵심적인 차이점은 아직 단일한 지배적 아키텍처가 없다는 것입니다. 물리적 AI에 대한 “운영 체제”가 없으며, 표준화된 센서 구성이 없으며, 단순히 템플릿을 사용하여 미세 조정하고 확장할 수 있는 모델 세트가 없습니다. 각 팀은 본질적으로 근본적인 문제를 처음부터 해결합니다. 즉, 지각, 항법, 조작, 균형 및 인간 상호 작용입니다.

그것이 바로 매력입니다. 로봇공학은 아직 경계가 그려지지 않은 영역입니다. 그것이 다시 한번 큰 시장으로 부상하는 이유입니다.

B2B에서 시작

저와 오늘날 로봇공학에 대해 이야기하는 많은 전문가들은 다음 개발의 물결이 B2B 세그먼트에서 시작할 것이라고 확신합니다. 산업은 항상 새로운 기술을 확대하는 첫 번째입니다. 경제는 명확하며, 프로세스는高度 반복 가능하며, 결과는 측정 가능합니다.

동시에 산업 로봇공학은 오래전부터 존재했습니다. 우리는 “다크 팩토리”라고 하는 것을 모두 알고 있습니다. 즉, 거의 사람이 없기 때문에 조명이 필요하지 않은 시설입니다. 생산 라인은 완전히 자동화되어 있습니다. 로봇 매니퓰레이터는 조립, 이동, 용접 및 포장 등을 처리합니다.

자동차 산업은 가장 두드러진 예입니다. 테슬라 또는 토요타와 같은 회사는 매년 수백만 대의 차량을 생산합니다. 이러한 규모는 깊은 로봇화 없이 불가능할 것입니다.

컨베이어 벨트가 차량 부품을 운반합니다. 로봇 암이 내려가서 객체를 잡고 들어 올리고 컨테이너에 넣습니다. 단순히 고정된 동작의 순서를 프로그래밍할 수 있습니다. 즉, 내리다, 잡다, 들어 올리다, 이동하다, 놓다. 即使 객체가 없더라도, 암은 여전히 정의된 사이클을 실행할 것입니다. 그것은 자동화입니다.

AI는推論이 나타나는 곳에서 시작됩니다. 즉, 불확실성下的 상황을 평가하는 능력입니다.

예를 들어, 자율 주행 자동차는 도로변에 서 있는 사람을 보고 있습니다. 그것은 속도, 날씨 조건 및 사람이 예기치 않게 미끄러져 도로로 들어갈 가능성을 고려합니다. 이러한 요인에 따라 시스템은 미리 속도를 줄일 수 있습니다. 그것은 더 이상 단순한 반응이 아닙니다. 즉, 예측 및 위험 평가입니다. 저는 Keymakr에서 기억합니다. 저희는 자동차 회사들이 도로 표식의 복잡한 3D 레이블링을 관리하도록 높은 정밀도 데이터 솔루션을 제공했습니다. 모두 모델이 “생각”하도록 도와주기 위해했습니다.

이제 산업용 로봇 암으로 돌아갑시다. 그것은推論이 필요하지 않습니다. 모든 매개변수는 사전에 정의되어 있으며, 시스템의 작업은 적응이 아닌 반복 가능성과 정밀도입니다. 그것이 왜 생산 라인에 보편적인 휴머노이드 로봇이 종종 과도하다는 것을 의미합니다. 특정 작업에 최적화된 전문 매니퓰레이터를 사용하는 것이 훨씬 더 효율적입니다. 그러나 작업이 엄격하게 정의된 시나리오를 넘어갈 때 상황이 달라집니다.

여기서 물리적 AI의 핵심 도전이 오늘날에 있습니다. 즉, 자동화에서 지능형 적응성으로의 전환입니다.

현대적인 지능형 로봇 시스템은 여전히 비쌉니다. 유연성과 적응성이 필요한 작업에서는 인간에 비해 아직도 부족합니다. 구별하는 것이 중요합니다. 즉, 고전적인 자동화는 종종 인간을 능가하지만, 지능형 구성 요소는 아직 그렇지 않습니다.

공장 바닥의 로봇 암은 정교하게 프로그래밍된 동작을 반복하여 높은 정밀도와 속도로 작동합니다. 이것은 인간이 단조로운 작업을 끊임없이 수행할 수 없는 반면, 로봇은 인간을 능가합니다. 그러나 환경이 예측할 수 없게 되면 실제 도전이 시작됩니다. 그리고 그것이 오늘날 자동화와真正한 인공 지능 사이의 경계가 그려지는 곳입니다.

물질 작업

여기서 핵심 아이디어에 도착합니다.

물리적 AI는 하드웨어나 트렌드에 대해 그렇게 많이 말하는 것이 아닙니다. 즉, 실수에 물리적인 결과가 있는 환경에서 지능을 전달하는 것입니다. 인공 지능의 개발의 다음 단계는 실제 세계에서 신뢰성 있게 작동할 수 있는 능력으로 정의됩니다. 이 전환은 이전 것보다 더 복잡하며, 센서, 하드웨어, 로컬 컴퓨팅, 새로운 모델 아키텍처, 새로운 데이터 세트 및 새로운 안전 표준을 통합해야 합니다. 즉, 전체 기술 스택을 재구성하는 것입니다. 이 의미에서 물리적 AI는真正한 새로운 시대의 영웅이 됩니다.

모든 기술 주기는 유사한 단계를 따릅니다. 즉, 첫째, 연구소, 둘째, 시연, 셋째, 투자 피크, 넷째, 실제 산업화입니다. 물리적 AI는 오늘날 어디쯤에 위치하고 있을까요? 시연과 산업화 사이 어딘가에 있습니다.

그리고 여기서 핵심적인 질문이 정의됩니다. 즉,誰가 먼저 그것을 확장 가능하고, 안전하고, 경제적으로 жиз능력 있게 만들 수 있을까요? 그것이 우리가 다음에 논의할 것입니다.