【儀表網(wǎng) 行業(yè)科普】我們在日常生活中體驗的大部分 AI 都是數(shù)字 AI。它生成數(shù)字工件、決策建議或預測，這些將由人類或其他一些數(shù)字代理使用。例如，使用 ChatGPT 生成求職信，推薦在 Netflix 上觀看電影，使用 Dall-E 創(chuàng)作一幅畫，以及檢測醫(yī)學影像中的腫瘤。
不過，目前正在開發(fā)一種不同的人工智能，即所謂的 “具身智能”(Embodied AI)。這一概念在1950年圖靈在他的論文——《Computing Machinery and Intelligence》中首次提出，它指的是具有身體并支持物理交互的智能體，如智能服務機器人、自動駕駛汽車等。
具身AI機器人能像人類一樣與環(huán)境交互感知、自助規(guī)劃、決策、行動和執(zhí)行任務。例如，機器人單元的任務是打磨放置在單元中的零件的上表面，使其達到所需的表面光潔度。具身AI能夠利用傳感器監(jiān)控單元狀態(tài)，并生成機器人執(zhí)行任務的指令。
數(shù)字 AI 和具身 AI 有一些相似之處，并利用了許多底層技術。然而，了解這兩種類型的 AI 之間的差異對于成功地將數(shù)字 AI 方法用于具體 AI 的應用中至關重要。
具身AI 應用的風險狀況通常與數(shù)字 AI 的應用有根本的不同。如果數(shù)字 AI 工具的準確率達到 99%，它就能在許多應用中極大地提高人類的工作效率。例如，如果您使用生成式 AI(數(shù)字 AI的一種類型)生成一封 1,000 字的求職信，只需要您手動編輯其中的 10 個單詞，那么與從頭開始寫這封信相比，您將節(jié)省大量時間。至于推薦引擎，您也不會介意它每隔幾個月給您一次關于電影的糟糕建議。
相比之下，出于工業(yè)應用的風險考慮，對具體 AI 系統(tǒng)的準確性要求往往大相徑庭。例如，如果一個機器人的加工步驟成功率為 99%，并且它工作在一個需要 200 個步驟的零件上，那么機器人制造的每個零件都會包含兩個錯誤。結果，該零件將報廢或需要維修。在大多數(shù)制造業(yè)應用中，這種技術并不可行。
主要的風險來自兩個方面：出錯的概率和出錯的后果。當犯錯的后果不嚴重時，可以容忍更高的錯誤概率。這就是為什么在許多數(shù)字 AI 應用中，1% 的錯誤概率是可以接受的。
相反，許多具身AI 應用要求錯誤概率要優(yōu)于百萬分之一。使用純粹的數(shù)據(jù)驅動方法降低錯誤概率需要大量數(shù)據(jù)。在大多數(shù)情況下，對數(shù)據(jù)的需求呈指數(shù)級增長。遺憾的是，從物理系統(tǒng)獲取數(shù)據(jù)的成本很高。因此，在處理具身 AI 應用時需要遵循不同的方法。
為了滿足上述要求，用于制造應用的具身 AI 應當具備以下特征：
●可使用有限數(shù)據(jù)進行訓練：可先利用物理實驗生成的有限數(shù)據(jù)來訓練具身AI。
●可從預先訓練的模塊化組件中進行組合：物理系統(tǒng)可以具有多種配置來支持其預期需求。例如，根據(jù)正在執(zhí)行的工藝(如打磨或噴砂)，制造機器人單元可以采用許多不同的配置。不同的單元可能包括具有不同功能的機器人(如移動平臺安裝機器人或龍門安裝機器人)、傳感器類型(例如深度相機或熱像儀)和工具(如軌道砂光機或噴砂噴嘴)。
因此，開發(fā)開箱即用的、適用于所有制造應用的通用具身 AI可能不會表現(xiàn)很好。系統(tǒng)的 AI 需要從模塊化組件中快速合成，以匹配特定系統(tǒng)和工作環(huán)境的傳感和驅動能力。
●可根據(jù)新數(shù)據(jù)或情境進行調整：當系統(tǒng)部署過程中出現(xiàn)新數(shù)據(jù)時，應能利用這些數(shù)據(jù)提高 AI的性能。AI 應該能夠在最少的人工監(jiān)督下自主適應新環(huán)境或任務。
●可輕松升級：隨著時間的推移，物理系統(tǒng)的性能可能會因為磨損或物理組件的更新而發(fā)生變化。這可能需要對AI進行改進，以確保它能跟上系統(tǒng)的發(fā)展。因此，所設計的具身AI系統(tǒng)需要確保能夠在對系統(tǒng)運行干擾最小的情況下進行升級。
●基于風險的行動建議：系統(tǒng)應能估計其對建議行動的信心。信心不足時，系統(tǒng)應進行風險分析，分析失敗的后果。如果風險過高，系統(tǒng)應向人類專家尋求幫助。
●可解釋性：如果系統(tǒng)建議的操作不符合用戶期望，系統(tǒng)應該能夠解釋用于選擇操作的理由。
●分布式架構，支持邊緣與云之間的計算分區(qū)：在具身 AI 的應用情境中，不可能在云端執(zhí)行所有的AI計算。系統(tǒng)的設計應確保對網(wǎng)絡延遲敏感的計算可以在邊緣執(zhí)行。
在數(shù)字 AI 領域，我們看到大型端到端學習模型(例如 LLM)取得了巨大成功。這些模型在大量數(shù)據(jù)上蓬勃發(fā)展。但是，它們并不具備上述提到的具身 AI 的許多特征。
具身 AI 應被視為一個復雜的系統(tǒng)，涉及多個 AI 組件之間的交互。在具身 AI 中擁有正確的系統(tǒng)架構是制造應用成功的關鍵之一。這使您能夠利用 AI 的最新進展并滿足制造應用的苛刻要求。因此，需要使用現(xiàn)代系統(tǒng)工程方法來設計用于制造業(yè)應用的具身 AI。
所有評論僅代表網(wǎng)友意見，與本站立場無關。