İnsan Biçimci Çağ Gelmiyor, Zaten Burada

Geçen ay Çin’de, Shuang Shuang adlı bir insan biçimci robot, Fujian’da bir lise mezuniyet töreninde sahneye çıktı ve diploma aldı – öğrencileri ve öğretmenleri memnun ederek el sıkıştı. Bu gibi anlar, sadece halkın merakını temsil etmiyor, aynı zamanda insan biçimci robotların kamu hayatına çok görünür bir şekilde girmeye başladıklarını gösteren bir değişimin işaretçisidir.

Bu anlar, sadece kamu merakını temsil etmiyor, gerçek dünya entegrasyonu yönünde bir değişimi de gösteriyor. Bu makale, insan biçimcilerin gösteri ve görkemden işlevselliğe nasıl geçtiklerini ve bu görünüşte sadece donanım başarısı olan şeyin aslında bu makinelerin yürüyebilmesi, etkileşime girebilmesi ve otomasyon için yazılmamış ortamlarda öğrenmesine olanak tanıyan entegre zeka sayesinde mümkün olduğunu keşfedeceğiz. Ayrıca, erken dağıtım ve uzun vadeli ortaklıklar yoluyla ticarileştirme yaklaşımımızı da tartışacağız.

İnsan biçimler AI’ı gerçek dünyaya nasıl iter

Sanal performans ile fiziksel güvenilirlik arasındaki uçurum, AI’daki en çok göz ardı edilen zorluklardan biri olmaya devam ediyor. Bir sohbet botu, asla onlara göre hareket etmesi gerekmeyen fluent metin paragrafları üretebilir – aynı şekilde bir görme modeli, bir resimde bir adımı tanımlayabilir, ancak onu fiziksel olarak gezmemesi veya düşme riski olmadan yapması gerekmeyebilir. İnsan biçimler bu lüksü sahip değildir.

Gerçek dünyada işlev görmek için AI, statik veri kümelerini ve kontrol edilen koşulları geride bırakmak zorundadır. Saniye saniye değişen ortamlarda görmek, karar vermek ve hareket etmek zorundadır. Bu, düzensiz zeminler, yanlış yerleştirilmiş nesneler, öngörülemez insan davranışı ve bağlam bağımlı sözsüz ipuçlarını içerir. Sonuç, gürültü, belirsizlik ve potansiyel başarısızlık ile günlük bir karşılaşmadır.

Bu, bedensel akıl yürütmenin – dilin uzayda, zamanda ve sonuçta temellendirildiği yerin – daha önemli hale geldiği yerdir. Örneğin, bir insan “dikkat, kaygan” derse, robot bu cümleyi sadece bir kelime tanımına değil, aynı zamanda uzaysal farkındalığa, potansiyel risklere ve gerçek zamanlı ayarlamalara bağlamak zorundadır.

Aynı zamanda, çok modlu öğrenme de becomes essentiel. Çünkü hiçbir tek girdi kanalı tek başına yeterli değildir. Bir kamera kaygan bir yüzeyi kaçırabilir, ancak ayaktaki basınç sensörleri aniden kayma kaybını tespit edebilir. Ya da başka bir durumda, konuşma tanıma gürültülü bir depoda başarısız olabilir, ancak görsel ipuçları veya jestler boşluğu doldurabilir.

Genelleme de kritik hale gelir. Bir robot, aynı ortamı iki kez görmeye güvenemez. Davranışını, zeminin ıslak olduğu, aydınlatmanın değiştiği veya kutunun dün olduğu yerde olmadığı durumlarda uyarlayabilmesi gerekir. Bu, başarılı yürütme ile başarısızlık arasındaki farktır.

Humanoid’de, bu nedenle ticari ortaklarımızla erken testlere başlıyoruz. Robotlarımızı canlı ortamlara entegre ederek, potansiyel hataları nhanh chóng keşfetmeyi ve dağıtımdan önce optimal işlevselliği sağlamayı amaçlıyoruz. Bir simülasyon veya demo performans gösteren bir robot, gerçekten basınç altında güven kazanan bir robottan farklıdır, çünkü bu güven nihayetinde gerçek dünya öğrenimi üzerine inşa edilir.

İki yıl içinde insan biçimcilerin ticari olarak kullanılabilir olacağını biliyoruz, ancak beklemiyoruz. Bizim için ticarileştirme erken başlar. Gerçek kullanım örnekleri etrafında uzun vadeli ortaklıklar kurmak demektir. Pilot programlar dizisi aracılığıyla, sadece ortaklarımızı teknoloji hakkında eğitmekle kalmıyoruz, aynı zamanda onlarla birlikte öğreniyoruz. Bu paylaşılan öğrenme süreci, aynı zamanda maliyet yapılarını ve performans güvenilirliğini ilk günden itibaren iyileştirmemize yardımcı olarak, sistemlerin ölçeklendirilirken en iyi posible toplam sahip olma maliyetini (TCO) sağlar.

İnsan biçimler neden genel zekanın en büyük test yatağı

Son yüz yıl içinde yarattığımız dünya, insan ölçeklerine göre tasarlandı. Kapı kolları, forkliftler, depolar – her şey belirli boyutlar, hareket aralıkları ve örtük sosyal davranışlar varsayar. İnsan biçimler bu gerçekliği adapte olmak zorundadır, yoksa işlevsellikleri son derece sınırlı olacaktır.

Merdivenleri tırmanmak, bir nesne taşımak, bir işaret etme jestini yorumlamak veya bir sesin tereddütünü tanımak için, bir robot sadece görsel sınıflandırma veya betimlenmiş hareket planlamasından daha fazla bağlam anlayışına ihtiyaç duyar. Niyeti çıkarabilir, bir insandan yeni bir görevi öğrenir, bu beceriyi biraz farklı bir düzenle uyarlabilir ve zaman içinde performansını iyileştirebilir. Uygulamada, bu sistem etkili olarak AI’ın gerçek kısıtlamalar altında neler yapabileceğini genişletiyor.

Humanoid’de, bu süreci teleoperasyon aracılığıyla hızlandırıyoruz. Geliştirme sürecinin erken aşamalarında, insan operatörler robotu kritik görevler boyunca yönlendirir. Bu elden data, yeni davranışların eğitimi için temel oluşturur. Zaman içinde, bu gösteriler sonlu otomatiklik inşa etmeye yardımcı olan uçtan uca modellerimize beslenir.

Dar sistemlerden entegre zekaya

Bugün çoğu AI sistemi dar görevlerde excels. İzole olarak her biri iyi çalışır. Ancak insan biçimler ayrı uzmanlara ihtiyaç duymaz. Başarılı entegrasyon için, modalite ve zaman ölçekleri arasında akıl yürütebilen sistemlere ihtiyacımız vardır.

İnsan biçimci, nispeten belirsiz bir talimat alabilir – “Depodaki sarı kutuyu bana getir” – ve bunu alt görevler dizisine çevirmek zorundadır: konuşmacıyı lokalize etmek, bir koridorda gezinmek, doğru kutuyu tanımlamak, tutma gücünü ayarlamak, çarpışmaları önlemek ve elbette güvenli bir şekilde dönmek.

Bu dizinin her parçası farklı bir alt sistem içerir – görme, locomotion, dil, manipülasyon ve geri bildirim. ve tümünün güvenilirliği, değişen koşullar altında nasıl iletişim kurduklarına bağlıdır.

Modüler mimari, bu zorluğu karşılamak için bir yoldur. Bu, bağımsız olarak alt sistemleri geliştirmemizi sağlar, ancak aynı zamanda sistem genelinde koordinasyonu sağlar. Ayrıca, birden fazla ortamda yetenekleri ölçeklendirirken sıfırdan yeniden inşa etmek zorunda kalmayız. Bu, kapalı demo’ları açık dünya performansına taşımamızın yolu.

Bahisler devasa — ve küresel

İnsan biçimleri gelecekteki bir şey olarak görmek kolaydır. Ancak müşterilerimizle konuştuğumuzda, ihtiyaç acil. Birçok depo, montaj hattı ve diğer bir zamanlar yoğun işyerleri şimdi personel sıkıntısı çekiyor.

İşgücü kıtlıkları demografik sorunlardır. Japonya’da, nüfusun neredeyse %30’u 65 yaşın üzerinde. Avrupa’da, birleşik bir payroll 1.7 trilyon dolar olan sektörler – genç işçiler işe almakta zorlanıyorlar. Bunlar, insanların genellikle yapmak istemediği veya yapmak istemediği türden rollerdir.

İnsan biçimler, yardıma gelen eller olarak, fiziksel olarak talep edilen, tekrarlayan veya tehlikeli görevleri – envanteri taşıma, paletleri yükleme, makine operasyonu – yorgunluk veya yaralanma riski olmadan üstlenebilir. Bu, insan işçilerin daha karmaşık, yaratıcı veya kişiler arası yönlerine odaklanmalarını sağlar.

Dahası, bu, uzun vadeli ekonomik direnci yaratır. İşgücü volatil veya mevcut değilse, zeki makineler, güvenlik, kalite veya adaptasyonda fedakarlık yapmadan sürekliliği sağlayabilir.

Diğer bir方面 vurgulanması gereken, düzenleyici çerçevenin olmasıdır. Çoğu takım – özellikle gevşek düzenlenmiş yargı bölgelerinde – bunu düşünmek için bekler. Biz orada başladık. Avrupa’nın güvenlik ve veri yasaları, dünyanın en katılarından bazılarıdır, ancak bunları engeller olarak değil, rekabet avantajı olarak görüyoruz. Diğer piyasalar daha katı düzenlemeleri benimsedikçe, onları karşılamak için hazırlıklı olacağız, diğer şirketler ise çabalayabilir.

Yeni bir AI yarışı — ama düşündüğünüz gibi değil

AI etrafındaki çoğu tartışma bugün hesaplama gücü, parametreler ve eğitim verisi etrafında dönüyor. Ancak gerçek atılım, farklı bir cepheden gelebilir: fiziksel dünyada entegrasyon. Orada zeka, sadece öngörme yerine performe öğrenmelidir.

Bu bağlamda, yarış, en yetenekli sistem hakkındadır – kamu alanlarında, güvenlik kısıtlamaları altında ve insanlarla birlikte çalışan bir sistem. Bu sistem, sadece veriden öğrenmekle kalmaz, aynı zamanda – ve özellikle – gerçeklikten ve insanların akışını bozmadan birlikte çalışarak öğrenir.

Bu nedenle, dağıtıma başlamadan önce beklemiyoruz. Başından itibaren, sistemimizi gerçek ortamlarda entegre etmek için ticari ortaklarımızla birlikte çalışıyoruz – böylece sistem, gerçekten önemli olduğu yerde gelişir: uygulamada.

Gerçek dünya öğrenimi tam da dar sistemlerin yetersiz kaldığı yerdir. Bu sistemler bizi bu yana getirdi, ancak bu tür karmaşıklık için tasarlanmamışlardı. İnsan biçimler başka bir şeye ihtiyaç duyar – koordinasyon, sağlamlık ve beklenmedik durumları öğrenme yeteneği.

Bu, önümüzdeki devasa fırsat. Her şeyi otomatikleştirmek değil, insan dünyasını anlamak, gezinmek ve işbirliği yapmak için makineler inşa etmek.