İnsansı Çağ Gelmiyor — Zaten Geldi

Bu ayın başlarında Çin'de, adı insansı bir robot olan Shuang Shuang sahne aldı Fujian'daki bir lise mezuniyet töreninde diplomalarını almak için bir araya gelen öğrenciler ve öğretmenler, el sıkışarak hem sevindiler hem de çok mutlu oldular. Bu gibi anlar, insansı robotların kamusal hayata çok görünür şekillerde girmeye başladığı anlamlı bir değişimi temsil ediyor.

Bu anlar, kamuoyunun merakından daha fazlasını ifade ediyor; gerçek dünya entegrasyonuna doğru bir geçişin sinyallerini veriyor. Bu yazı, insansıların gösterişten işlevselliğe nasıl geçtiğini ve yalnızca donanımla ilgili gibi görünen bir başarının, aslında bu makinelerin otomasyon için tasarlanmamış ortamlarda yürümesini, etkileşim kurmasını ve öğrenmesini sağlayan entegre zekâyla ilgili olduğunu inceliyor. Ayrıca, erken dağıtım ve uzun vadeli ortaklıklar aracılığıyla ticarileştirmeye nasıl yaklaştığımızı da ele alacağız.

İnsanoidler yapay zekayı gerçek dünyaya nasıl taşıyor?

Sanal performans ile fiziksel güvenilirlik arasındaki fark, yapay zeka alanında en çok göz ardı edilen zorluklardan biri olmaya devam ediyor. Bir sohbet robotu, üzerinde hiçbir işlem yapmasına gerek kalmadan akıcı metin paragrafları oluşturabilir; tıpkı bir görme modelinin fiziksel olarak gezinmesine veya düşme riskine gerek kalmadan bir görüntüdeki bir adımı belirleyebilmesi gibi. İnsansıların böyle bir lüksü yok.

Yapay zekânın gerçek dünyada işlev görebilmesi için statik veri kümelerini ve kontrollü koşulları geride bırakması gerekir. Saniye saniye değişen ortamlarda görmeli, karar vermeli ve harekete geçmelidir. Bu ortamlar arasında engebeli zeminler, yanlış yerleştirilmiş nesneler, öngörülemeyen insan davranışları ve bağlama bağlı sözel olmayan ipuçları da bulunur. Sonuç olarak, gürültü, belirsizlik ve potansiyel başarısızlıkla günlük bir yüzleşme yaşanır.

İşte bu noktada, dilin uzay, zaman ve sonuçlara dayandığı somut akıl yürütme, sembolik tahminlerden daha önemli hale geliyor. Örneğin, bir insan "dikkat et, kaygan" derse, robotun bu ifadeyi yalnızca bir kelime tanımıyla değil, aynı zamanda mekansal farkındalık, potansiyel riskler ve gerçek zamanlı ayarlamalarla da ilişkilendirmesi gerekir.

Aynı zamanda, hiçbir giriş kanalı tek başına çalışacak kadar güvenilir olmadığından, çok modlu öğrenme de olmazsa olmaz hale geliyor. Bir kamera kaygan bir yüzeyi fark edemeyebilir, ancak ayaktaki basınç sensörleri ani bir çekiş kaybını tespit edebilir. Ya da başka bir durumda, gürültülü bir depoda konuşma tanıma başarısız olabilir, ancak görsel ipuçları veya hareketler boşluğu doldurabilir.

Genelleme de kritik bir öneme sahip. Bir robot, ortamı aynı anda iki kez görebileceğine güvenemez. Zemin ıslak olduğunda, ışık değiştiğinde veya kutu dün olduğu yerde olmadığında davranışını uyarlaması gerekir. Bu, başarılı uygulama ile başarısızlık arasındaki fark haline gelir.

Humanoid'de, ticari ortaklarımızla erken testlere başlamamızın nedeni budur. Robotlarımızı canlı ortamlara entegre ederek potansiyel kusurları anında tespit ediyor ve devreye almadan önce optimum performans sağlıyoruz. Simülasyon veya demoda iyi performans gösteren bir robot, baskı altında güven kazanan bir robotla aynı şey değildir, çünkü bu güven nihayetinde gerçek dünya öğrenimine dayanır.

İnsansı robotların önümüzdeki iki yıl içinde ticari olarak satışa sunulacağını biliyoruz, ancak beklemiyoruz. Bizim için ticarileştirme erken başlıyor. Bu, gerçek kullanım senaryoları etrafında uzun vadeli ortaklıklar kurmak anlamına geliyor. Bir dizi pilot program aracılığıyla, ortaklarımızı teknoloji hakkında eğitmekle kalmıyor, aynı zamanda onlarla birlikte öğreniyoruz da. Bu ortak öğrenme süreci, maliyet yapılarını ve performans güvenilirliğini ilk günden itibaren geliştirmemize de yardımcı oluyor ve sistemler ölçeklendikçe mümkün olan en iyi toplam sahip olma maliyetini (TCO) sağlıyor.

İnsanoidler neden genel zeka için nihai test ortamıdır?

Son yüz yılda yarattığımız dünya insan ölçeğine göre tasarlandı. Kapı kolları, forkliftler, depolar... her şey belirli boyutlara, hareket aralıklarına ve örtük sosyal davranışlara sahip. İnsansılar bu gerçekliğe uyum sağlamalı, aksi takdirde işlevselliklerinde son derece sınırlı kalma riskiyle karşı karşıya kalırlar.

Merdivenlerden yukarı çıkmak, bir nesneyi taşımak, bir işaret hareketini yorumlamak veya bir sesteki tereddütü fark etmek için bir robotun görsel sınıflandırmanın veya önceden belirlenmiş hareket planlamasının çok ötesinde bağlamı anlaması gerekir. Bir insanı izleyerek niyeti çıkarsamalı, yeni bir görev öğrenmeli, bu beceriyi biraz farklı bir düzene uyarlamalı ve zamanla performansını geliştirmelidir. Uygulamada, bu sistem yapay zekanın gerçek kısıtlamalar altında yapabileceklerini etkili bir şekilde genişletiyor.

Humanoid'de bu süreci teleoperasyon yoluyla hızlandırıyoruz. Geliştirmenin erken aşamalarında, insan operatörler robotu temel görevlerde yönlendirir. Bu uygulamalı veriler, yeni davranışların eğitiminin temelini oluşturur. Zamanla, bu gösterimler uçtan uca modellerimize entegre olarak güvenilir bir otonomiye doğru ilerlememize yardımcı olur.

Dar sistemlerden entegre zekaya

Günümüzde çoğu yapay zeka sistemi dar görevlerde mükemmel performans gösteriyor. Tek başlarına, her biri iyi çalışıyor. Ancak insansıların birbirinden bağımsız uzmanlara ihtiyacı yok. Başarılı bir entegrasyon için, farklı yöntemler ve zaman ölçekleri arasında akıl yürütebilen sistemlere ihtiyacımız var.

İnsansı bir varlık, nispeten belirsiz bir talimat alabilir - "Git, koridorun karşısındaki depo odasından bana sarı kutuyu getir" - ve bunu bir dizi alt göreve dönüştürmek zorunda kalabilir: hoparlörün yerini tespit etmek, koridorda gezinmek, doğru kutuyu belirlemek, kavrama gücünü ayarlamak, çarpışmalardan kaçınmak ve elbette güvenli bir şekilde geri dönmek.

Bu dizinin her bir parçası farklı bir alt sistemi içerir: görme, hareket, dil, manipülasyon ve geri bildirim. Bütünün güvenilirliği ise, bu parçaların değişen koşullar altında ne kadar iyi iletişim kurduğuna bağlıdır.

Modüler mimari, bu zorluğun üstesinden gelmenin bir yoludur. Bu, sistem genelinde koordinasyonu sağlarken alt sistemler üzerinde bağımsız olarak yineleme yapmamızı sağlar. Ayrıca, sıfırdan yeniden yapılandırmaya gerek kalmadan yetenekleri birden fazla ortamda ölçeklendirmemizi sağlar. Kapalı demolardan açık dünya performansına bu şekilde geçiyoruz.

Riskler çok büyük ve küresel

İnsansıları fütüristik olarak tanımlamak kolaydır. Ancak müşterilerimizle konuştuğumuzda, bu ihtiyacın acil olduğunu görüyoruz. Birçok depo, montaj hattı ve bir zamanlar yoğun olan diğer işyerleri artık personel bulmakta zorlanıyor.

Bu işgücü kıtlığı demografik sorunlardır. Japonya'da, Nüfusun yaklaşık %30'u 65 yaşın üzerindeAvrupa'da, toplamda önemli bir paya sahip olan kilit sektörler 1.7 trilyon dolarlık maaş bordrosu - genç işçileri işe almakta zorlanıyorBunlar çoğu insanın isteyeceği türden roller değil ve giderek insanların üstlenmeye istekli olduğu türden roller değil.

İnsansılar, yedek olarak değil, yardımcı el olarak görev alarak, yorgunluk veya yaralanma riski olmadan envanter taşıma, palet yükleme, makine çalıştırma gibi fiziksel olarak zorlu, tekrarlayan veya tehlikeli görevleri üstlenebilirler. Bu, insan çalışanların işin daha karmaşık, yaratıcı veya kişilerarası yönlerine odaklanmalarını sağlar.

Dahası, bu durum uzun vadeli ekonomik dayanıklılık yaratır. İşgücü istikrarsız veya mevcut olmadığında, akıllı makineler güvenlik, kalite veya uyum yeteneğinden ödün vermeden sürekliliği sağlamaya yardımcı olabilir.

Vurgulanması gereken bir diğer husus da düzenleyici çerçevedir. Çoğu ekip, özellikle de gevşek düzenlemelere sahip bölgelerde, bunu düşünmek için bekler. Biz de oradan başladık. Avrupa'nın güvenlik ve veri yasaları dünyanın en katı yasaları arasında yer alıyor, ancak bunları engel olarak görmek yerine, rekabet avantajımız olarak görüyoruz. Diğer pazarlar daha katı düzenlemeler benimsedikçe, diğer şirketler zorlanırken biz bunlara uymaya hazır olacağız.

Yeni bir yapay zeka ırkı - ama düşündüğünüz gibi değil

Günümüzde yapay zekâ etrafındaki söylemlerin çoğu, işlem gücü, parametreler ve eğitim verilerine odaklanıyor. Ancak asıl atılım farklı bir sınırdan gelebilir: fiziksel dünyaya entegrasyon. İşte bu noktada, zekânın yalnızca tahminde bulunmak yerine, performans göstermeyi öğrenmesi gerekiyor.

Bu bağlamda, yarış en yetenekli sistemle ilgilidir; kamusal alanlarda, güvenlik kısıtlamaları altında ve insanların katılımıyla çalışabilen bir sistem. Bu sistem, verilerden öğrenmenin yanı sıra, özellikle de gerçeklikten de öğrenecek ve işlerin akışını aksatmadan insanlarla birlikte çalışacaktır.

İşte bu yüzden dağıtıma başlamak için beklemiyoruz. Başlangıçtan itibaren, gerçek ortamlara entegrasyon için doğrudan ticari ortaklarla çalışarak sistemin en önemli olduğu yerde, yani pratikte, iyileşmesini sağlıyoruz.

Bu tür gerçek dünya öğrenmesi, dar sistemlerin tam da yetersiz kaldığı noktadır. Bunlar bizi çok ileri götürmüş olsa da, asla bu tür bir karmaşıklık için tasarlanmamışlardı. İnsansıların başka bir şeye ihtiyacı var: koordinasyon, sağlamlık ve daha önce de belirtildiği gibi, beklenmedik şeylerden öğrenme yeteneği.

İşte önümüzde duran büyük fırsat bu. Her şeyi otomatikleştirmek değil, insan dünyasını anlayabilen, onunla birlikte hareket edebilen ve iş birliği yapabilen makineler inşa etmek.