Dlaczego sztuczna inteligencja fizyczna nie może być po prostu ChatGPT z nogami

Śmiejemy się, kiedy ChatGPT z pewnością mówi, że Napoleon wynalazł mikrofalówkę. Ale kiedy sztuczna inteligencja kontroluje chirurgiczny robot, pojazd autonomiczny lub system przemysłowy, nie ma miejsca na halucynacje. Dokładność ma znaczenie. To tworzy prawdziwe wyzwanie w przebudowie sposobu, w jaki budujemy i wdrażamy sztuczną inteligencję.

Większość organizacji podejmujących fizyczną sztuczną inteligencję popełnia podstawowy błąd: stosują strategie cyfrowej sztucznej inteligencji do wyzwań fizycznej sztucznej inteligencji. To nie działa. Fizyczna sztuczna inteligencja wymaga innej infrastruktury, innych ram czasowych i innych modeli biznesowych niż cokolwiek, co zbudowaliśmy wcześniej.

Widziałem tę zmianę na własne oczy, pracując z przedsiębiorstwami wdrażającymi sztuczną inteligencję wszędzie, od pól naftowych do sklepów detalicznych. Firmy, które odnoszą sukcesy, nie tylko wymieniają technologie – działają z zupełnie innym zestawem założeń na temat tego, co oznacza wdrożenie.

Rzeczywistość infrastruktury, o której nikt nie mówi

To, co wiele osób pomija w przypadku fizycznej sztucznej inteligencji, to fakt, że nie działa w chmurze. Nie może.

Kiedy firmy robocze opisują swoją architekturę, często zaskakuje to tradycyjnych liderów IT. Roboty obsługują podstawowe funkcje lokalnie. Komputery krawędziowe w tej samej placówce przetwarzają złożone decyzje. Chmura zarządza szkoleniami i aktualizacjami. To zdecydowanie rozproszony sposób, który zmusza firmy do przemyślenia infrastruktury od podstaw.

Myjnie samochodowe nie są tradycyjnie wysoko zaawansowanymi technologicznie firmami, ale niektórzy operatorzy używają sztucznej inteligencji do przewidywania konserwacji, rozpoznawania pojazdów za pomocą komputerowego widzenia i interfejsów konwersacyjnych dla klientów. Te systemy wymagają lokalnego przetwarzania i odpowiedzi w czasie rzeczywistym, ponieważ połączenie z chmurą nie jest wystarczająco niezawodne.

Nowy układ Jetson Thor pokazuje, dokąd to zmierza – umieszcza moc na poziomie centrum danych w kompaktowych urządzeniach krawędziowych. To nie jest funkcja wygody. To to, co sprawia, że system działa.

Powstający standard wygląda bardziej jak trzy warstwy: urządzenia obsługują natychmiastowe odpowiedzi; lokalne systemy krawędziowe zarządzają bardziej złożonymi decyzjami dla grupy urządzeń; a chmura zajmuje się szkoleniami. Większość organizacji nadal myśli o chmurze jako pierwszej – a ten sposób myślenia nie zajmie ich zbyt daleko.

Dlaczego wdrożenie przedsiębiorstwa jest inne

Cyfrowa sztuczna inteligencja koncentruje się na przyjęciu przez użytkowników i poprawie dokładności. Fizyczna sztuczna inteligencja wymaga zarządzania rozproszoną infrastrukturą, zapewnienia zgodności z przepisami bezpieczeństwa oraz utrzymania operacji w środowiskach, w których tradycyjne wsparcie IT może nie istnieć.

Spójrzmy na realia wdrożenia w opiece zdrowotnej. Sztuczna inteligencja generatywna może analizować skany medyczne z bardzo wysoką dokładnością, ale dane pacjentów nie mogą opuścić terenu szpitala ze względu na przepisy HIPAA. Pliki obrazów medycznych często mają rozmiar od kilku do kilkuset gigabajtów, co sprawia, że ich przesyłanie do chmury do przetwarzania jest niewykonalne. Szpitale potrzebują systemów, które mogą przetwarzać wrażliwe dane lokalnie, jednocześnie zapewniając zaawansowaną analizę na poziomie chmury.

Przeszkody nie są tylko techniczne. W naszym niedawnym badaniu 37% dyrektorów ds. informatyki wskazało na brak wykwalifikowanej kadry jako największe wyzwanie. Nie są to typowe umiejętności sztucznej inteligencji – wymagają one specjalistycznej wiedzy na styku sztucznej inteligencji, obliczeń krawędziowych, bezpieczeństwa i branżowych przepisów. Umiejętności, które nie istniały pięć lat temu.

Czas to kolejna różnica. Aplikacje cyfrowej sztucznej inteligencji wdrażają się i iterują szybko. Systemy fizycznej sztucznej inteligencji wymagają obszernych testów, zatwierdzenia regulacyjnego i walidacji bezpieczeństwa. Pojazdy autonomiczne są w fazie rozwoju od ponad dekady i nadal działają tylko w ograniczonych obszarach.

Kiedy sztuczna inteligencja kontroluje systemy fizyczne, awaria nie dotyczy tylko złej jakości doświadczenia użytkownika. To kwestia bezpieczeństwa, zgodności i stabilności.

Przekroczenie problemu „czarnej skrzynki”

Tradycyjna sztuczna inteligencja przedsiębiorstw często obejmuje specyficzne dla dostawcy rozwiązania sprzętowe. Jeden z executive’ów technologii detalicznych opisał je jako „czarne skrzynki, które robią swoje magiczne rzeczy”. Wynikiem są problemy z zarządzaniem, ponieważ firmy mają do czynienia z różnymi aplikacjami sztucznej inteligencji, z których każda ma własne wyzwania sprzętowe i bezpieczeństwa.

Prowadzące przedsiębiorstwa przechodzą w kierunku podejścia platformowego, które umożliwia uruchamianie wielu obciążeń sztucznej inteligencji na wspólnej infrastrukturze. Zamiast kupowania nowego urządzenia za każdym razem, gdy pojawia się nowy przypadek użycia sztucznej inteligencji, wdrażają modele jako aplikacje na zunifikowanym systemie krawędziowym.

Detaliści od razu widzą korzyści. Mogą potrzebować rozpoznawania obrazów dla inwentaryzacji, predykcyjnej analizy dla systemów HVAC i chłodzenia, oraz interfejsów konwersacyjnych obsługi klienta. Zamiast uruchamiania trzech oddzielnych systemów, konsolidują wszystko na wspólnej infrastrukturze z centralnym zarządzaniem.

Liderzy IT widzą różnicę – zarządzanie aplikacjami bije zarządzanie skrzynkami.

Rzeczywistość inwestycyjna

Pomimo powszechnego entuzjazmu, większość inwestycji w sztuczną inteligencję ma problemy z pomiarerm ROI. Aplikacje cyfrowej sztucznej inteligencji, takie jak sztuczna inteligencja generatywna, mają szczególne wyzwanie: chociaż są dość łatwe w wdrożeniu, pomiar ich wpływu na produktywność pracowników wiedzy pozostaje niejasny.

Fizyczna sztuczna inteligencja prezentuje inne zalety. Bariery wdrożenia są wyższe – wymagają one rozproszonej infrastruktury, walidacji bezpieczeństwa i zgodności z przepisami – ale potencjalne zwroty są bardziej konkretnymi. Optymalizacja łańcucha dostaw, czas pracy urządzeń i poprawa bezpieczeństwa pracowników mogą być mierzone bezpośrednio w kategoriach operacyjnych i finansowych.

Ta różnica w pomiarze może wyjaśniać, dlaczego budżety przedsiębiorstw się zmieniają. Dziewięćdziesiąt procent organizacji zgłasza zwiększonych inwestycji w obliczenia krawędziowe w 2025 roku, przy czym prawie jedna trzecia zwiększa wydatki o ponad 25%. Te inwestycje odzwierciedlają uznanie, że fizyczna sztuczna inteligencja, pomimo swojej złożoności, oferuje jaśniejsze ścieżki do ilościowego wpływu biznesowego.

Okno konkurencyjne się zamyka

Organizacje nie mają nieograniczonego czasu na adaptację. Cykle rozwoju i wdrożenia fizycznej sztucznej inteligencji są mierzone w latach, a nie miesiącach. Pionierzy budują zdolności operacyjne, których rywale będą mieć trudności z odtworzeniem.

Pomyślne firmy myślą inaczej. Zamiast koncentrować się na samej technologii, skupiają się na tym, jak zmienia ona ich pozycję konkurencyjną.

Producenci używający sztucznej inteligencji do predykcyjnej konserwacji zapobiegają kosztownym przestojom. Detaliści używający sztucznej inteligencji krawędziowej do zarządzania inwentaryzacją w czasie rzeczywistym dostarczają doświadczenia klienta, którego ich konkurenci nie mogą dorównać. Systemy opieki zdrowotnej używające lokalnej sztucznej inteligencji do wsparcia diagnostycznego poprawiają wyniki pacjentów, chroniąc przy tym prywatność.

Te przewagi kumulują się z czasem, ponieważ zdolności fizycznej sztucznej inteligencji wymagają lat, aby je rozwinąć i wdrożyć skutecznie.

Co to oznacza dla liderów biznesu

Fizyczna sztuczna inteligencja odnosi sukcesy tam, gdzie cyfrowa sztuczna inteligencja często zawodzi: dostarcza mieralne wyniki biznesowe w środowiskach rzeczywistych. Technologia wymaga systemów, które działają zawsze, w każdych warunkach, z mieralnym wpływem biznesowym. To fundamentalnie inaczej niż cyfrowa sztuczna inteligencja.

Organizacje, które rozpoznają tę zmianę i dostosują swoje strategie, będą prowadzić następną erę wdrożenia sztucznej inteligencji. Te, które będą próbować wymusić na fizycznej sztucznej inteligencji podręczniki cyfrowej sztucznej inteligencji, pozostaną w tyle, gdy to stanie się standardową praktyką.

Fizyczna sztuczna inteligencja zmieni operacje biznesowe. Jedynym prawdziwym pytaniem jest, czy Twoja organizacja poprowadzi tę zmianę, czy będzie się spieszyć, by nadrobić.

To reprezentuje strukturalną zmianę w tym, jak inteligencja jest wdrażana w świecie rzeczywistym. Firmy, które to rozpoznają wcześnie i odpowiednio zaplanują, zdefiniują następną dekadę przewagi biznesowej.