Самая большая проблема, с которой сталкивается физический ИИ, может быть физической, а не искусственной

За почти каждой привлекающей внимание демонстрацией в индустрии физического ИИ стоит одна и та же истина: машина — прототип, а прототипы не являются продуктами. Создать один работающий робот — инженерный подвиг. Создать тысячу‑й, по цене, которую кто‑то готов заплатить, без команды специалистов, готовых поддержать его при поломке, — совершенно иной вызов, и отрасль только начинает с ним сталкиваться.

От единичного изделия к сборочной линии

Любой, кто переводил аппаратный продукт от прототипа к массовому производству, знает, что первая единица — самая простая.

Прототип робота может работать на индивидуальном актуаторе, изготовленном вручную, датчике, поставленном от небольшого поставщика с двухмесячным сроком поставки, или батарейном блоке, собранном теми же инженерами, которые его спроектировали. Когда есть только одна единица, всё это не имеет значения. При масштабе в десять тысяч это превращается в серьёзный риск.

Поставщики должны быть одобрены, обычно дважды, чтобы один пожар на заводе или задержка в доставке не остановили производство. Компоненты, разработанные для максимальной производительности в лаборатории, часто нужно переосмысливать с учётом допусков, долговечности и, прежде всего, стоимости. Сборочные процессы, которые работали с небольшой командой докторов наук, устраняющих проблемы вручную, должны быть упрощены настолько, чтобы техник на конвейере мог выполнить работу за минуты, а не за дни.

Эта работа называется дизайн для производства. Она медленная, утомительная, именно здесь всё чаще разгорается инженерная битва в сфере физического ИИ, и многие хорошо финансируемые, технически выдающиеся компании‑робототехники проиграли её.

Впечатляющие демонстрации не завоёвывают рынки

Существует естественный инстинкт, унаследованный от десятилетних циклов программного обеспечения, полагать, что тот, кто создаст самую умную модель или самого человекоподобного робота, окажется победителем. Этот инстинкт обычно служил инвесторам в сфере ИИ. В физическом ИИ он, вероятно, вводит их в заблуждение.

Аппаратный бизнес выигрывается не в день демонстрации, а в последующие годы, благодаря экономике единицы, устойчивости цепочки поставок и способности поддерживать работу тысяч машин в полевых условиях без постоянного небольшого отряда инженеров на дежурстве.

Солнечная энергия предоставляет полезный пример. Панели, которые в конечном итоге доминировали на рынке, не обязательно были самыми эффективными в лаборатории; они были теми, которые компании могли надёжно производить, снижая стоимость и увеличивая объём. Электромобили прошли аналогичный путь, где цепочки поставок батарей и коэффициент выхода производства имели такое же значение, как и отдельные инженерные прорывы. Физический ИИ, где роботы состоят из десятков или сотен компонентов, каждый из которых может стать точкой отказа, может оказаться ещё менее снисходительным. Компания, предлагающая просто хороший робот, поддерживаемый надёжными поставщиками и с кривой стоимости, снижающейся каждый квартал, скорее всего превзойдёт конкурента с ослепительным роботом, который можно произвести лишь дюжину штук за раз.

ИИ может ускорить инженерные процессы, но не физику

Разве ИИ сам не закроет этот разрыв? В некоторой степени — да. Инструменты генеративного дизайна уже исследуют геометрию компонентов, о которой ни один человеческий инженер не подумал бы. Симуляция, ускоренная машинным обучением, сжимает тестовые циклы, ранее занимавшие месяцы. Прогностические модели могут заранее указывать, какие поставщики или материалы могут вызвать проблемы с выходом, ещё до того, как будет изготовлена первая деталь.

Эти инструменты являются настоящими ускорителями, и компании, эффективно использующие их в инженерии и закупках, будут двигаться быстрее тех, кто этого не делает.

Но существует жёсткий потолок, насколько сильно это может сократить сроки, потому что физический мир не итеративен, как программное обеспечение. Новый сплав всё равно должен пройти испытания на усталость, измеряемые тысячами циклов. Производственная линия всё ещё должна быть оснастена, введена в эксплуатацию и пройти собственную крутую кривую обучения, прежде чем выход стабилизируется. Ни одна симуляция не сокращает месяцы, необходимые для квалификации нового материала, ни кварталы, нужные для ввода в эксплуатацию новой производственной линии. Любая компания, строящая свою дорожную карту на предположении, что сроки аппаратного обеспечения сократятся так же, как сроки программного, готовит себя к неприятному и публичному сюрпризу.

Недооценённые узкие места

Если вынести один урок из предыдущих аппаратных циклов, то это то, что компоненты, получающие наименьшее внимание, обычно вызывают наибольшие задержки.

В физическом ИИ это, вероятно, начинается с актуаторов, то есть двигателей и механизмов, обеспечивающих роботу крутящий момент и точность для выполнения реальной работы. Их поставка ограничена небольшим числом квалифицированных производителей, а создание новой мощности занимает годы, а не кварталы.

Далее следует сенсорика. Камеры, датчики силы и проприоцептивные системы, позволяющие машине воспринимать окружение, всё ещё дороги и находятся в стадии развития по сравнению с тем, что потребует плотное реальное развертывание.

Это распространяется и на само производство. Отрасль сильно опирается на ограниченный набор регионов и поставщиков, что всё чаще рассматривается как стратегическая уязвимость, заставляя компании переходить к более распределённым, избыточным производственным площадкам, даже если это требует жертвовать некоторой эффективностью.

И завершается всё энергией: батареями, силовой электроникой и инфраструктурой зарядки, которые должны масштабироваться вместе с флотами машин, работающих непрерывно в складах, домах и строительных площадках. Ни одна из этих категорий не будет центральной темой доклада. Однако именно они, скорее всего, определят, кто действительно будет поставлять продукцию.

Предпросмотр более масштабного расплаты

Бум физического ИИ, по сути, представляет собой живой тест предположения, к которому технологическая индустрия привыкла: что интеллект, будучи созданным, масштабируется без ограничений. Это предположение в значительной степени верно для программного обеспечения. Для заводов оно не работает.

Вычислительные мощности могут удвоиться за одну ночь. Модели могут улучшаться после нового тренировочного прогона. Развёртывание может произойти нажатием кнопки. Цепочки поставок не могут удвоиться за ночь. Квалифицированные техники, одобренные поставщики и зрелые производственные линии требуют лет для создания, и ни один скачок в возможностях модели не сокращает этот срок.

Ни одно из этого не означает, что физический ИИ переоценён или что базовая технология нереальна. Это значит, что центр тяжести смещается от искусственного интеллекта к физической инфраструктуре. Компании и инвесторы, которые рано осознают это смещение и вкладывают реальные ресурсы в производственные мощности и устойчивость цепочки поставок, а не в очередную яркую демонстрацию, скорее всего, останутся в деле, когда текущая волна вирусных видео уступит место более медленной и тяжёлой работе по реальному масштабному развертыванию этих машин.