En annan typ av AI utvecklas för närvarande, den så kallade "förkroppsligade AI." Den hänvisar till agenter som har en kropp och stöder fysisk interaktion, såsom intelligenta serviceroboter, självkörande bilar etc.
Förankrade AI -robotar kan interagera med miljön, planera, fatta beslut, agera och utföra uppgifter som människor. Till exempel har robotenheten i uppdrag att slipa den övre ytan på en del placerad i enheten för att uppnå önskad ytfinish. Embodierad AI kan använda sensorer för att övervaka enhetens tillstånd och generera instruktioner för roboten för att utföra uppgifter.
Digital AI och förkroppsligad AI delar vissa likheter och använder många underliggande tekniker. Att förstå skillnaderna mellan dessa två typer av AI är emellertid avgörande för att framgångsrikt tillämpa digitala AI -metoder på specifika AI -applikationer.
Riskprofilen för förkroppsliga AI -applikationer skiljer sig ofta i grund och botten från den för digitala AI -applikationer. Om digitala AI -verktyg är 99 procent exakta kan det dramatiskt förbättra mänsklig produktivitet i många applikationer.
Däremot, på grund av riskerna för industriella tillämpningar, varierar ofta noggrannhetskraven för specifika AI -system mycket.
De viktigaste riskerna kommer från två aspekter: sannolikheten för fel och konsekvenserna av fel. När konsekvenserna av att göra ett misstag inte är allvarliga kan en högre sannolikhet för fel tolereras. Det är därför en sannolikhet på 1% är acceptabel i många digitala AI -applikationer.
Omvänt kräver många förkroppsliga AI -applikationer fel sannolikheter bättre än en av en miljon. Att använda ett rent datadrivet tillvägagångssätt för att minska sannolikheten för fel kräver mycket data. I de flesta fall växer efterfrågan på data exponentiellt. Tyvärr är kostnaden för att få data från fysiska system höga. Därför måste ett annat tillvägagångssätt följas när man hanterar förkroppsliga AI -applikationer.
För att uppfylla ovanstående krav bör förkroppsligad AI för tillverkningsapplikationer ha följande egenskaper:
Träning med begränsad data: Den förkroppsliga AI kan utbildas med begränsade data genererade från fysikexperiment först.
Kan monteras från förutbildade modulkomponenter: Fysiska system kan ha flera konfigurationer för att stödja deras avsedda behov. Beroende på processen som utförs (t.ex. slipning eller sandblästring) kan till exempel tillverkningsrobotenheten vara i många olika konfigurationer. Olika enheter kan inkludera robotar med olika funktioner (som mobilplattformens monteringsrobotar eller robotar för montering), sensortyper (såsom djupkameror eller termiska bilder) och verktyg (som omloppsland eller sandblästrande munstycken).
Som ett resultat kanske det inte fungerar särskilt bra att utveckla Universal Embellied AI som fungerar ut ur lådan för alla tillverkningsapplikationer. Systemets AI måste syntetiseras snabbt från modulära komponenter för att matcha avkännings- och körfunktionerna för det specifika systemet och arbetsmiljön.
Kan anpassas till ny data eller sammanhang: När nya data blir tillgängliga under systemdistributionen bör det vara möjligt att använda dessa data för att förbättra AI -prestanda. AI bör kunna anpassa sig autonomt till nya miljöer eller uppgifter med minimal mänsklig övervakning.
Lätt att uppgradera: Med tiden kan prestandan för det fysiska systemet ändras på grund av slitage eller tår eller uppdateringar av de fysiska komponenterna. Detta kan kräva förbättringar av AI för att säkerställa att den kan hålla jämna steg med utvecklingen av systemet. Därför måste ett förkroppsligt AI -system utformas för att säkerställa att det kan uppgraderas med minimal störning i systemets operation.
Riskbaserade rekommendationer för åtgärder: Systemet bör kunna uppskatta dess förtroende för den föreslagna åtgärden. När förtroendet är lågt bör systemet utföra en riskanalys och analysera konsekvenserna av misslyckande. Om risken är för hög bör systemet söka hjälp från mänskliga experter.
Tolkbarhet: Om systemet föreslår en åtgärd som inte uppfyller användarens förväntningar, bör systemet kunna förklara orsakerna till att välja åtgärden.
Distribuerad arkitektur som stöder partitionering av beräkning mellan kant och moln: I förkroppsliga AI -applikationsscenarier är det inte möjligt att utföra all AI -dator i molnet. Systemets utformning bör se till att nätverkslatenskänsliga beräkningar kan utföras vid kanten.
Inom området Digital AI ser vi stor framgång med stora utlärningsmodeller som LLM. Dessa modeller trivs med enorma mängder data. De har emellertid inte många av egenskaperna hos förkroppsliga AI som nämns ovan.
Inkroppad AI bör ses som ett komplext system som involverar interaktioner mellan flera AI -komponenter. Att ha rätt systemarkitektur i förkroppsligad AI är en av nycklarna till framgångsrika tillverkningsapplikationer. Detta gör att du kan dra nytta av de senaste framstegen inom AI och uppfylla de krävande kraven i tillverkningsapplikationer. Därför behövs moderna systemtekniska metoder för att utforma förkroppsligad AI för tillverkningsapplikationer.