ռոբոտաշինության և ֆիզիկական արհեստական բանականության (AI) պատմությունը երկար ժամանակ սահմանափակված է եղել մեկ հիմնարար խոչընդոտով՝ «սենսոր-ակտուատորային բացթողումով»։ Տասնամյակներ շարունակ մենք մեքենաներին սովորեցնում ենք կողմնորոշվել աշխարհում՝ պիքսելների վրա հիմնված տեսողության և պարզունակ հպումային սենսորների միջոցով։ Մենք նրանց կերակրում ենք YouTube-յան ժամեր տևողությամբ տեսանյութերով՝ ակնկալելով, որ նրանք սեղմված վիդեոկադրերից կվերականգնեն մարդկային հմտությունները։ Թեև լաբորատոր պայմաններում սա տվել է տպավորիչ արդյունքներ, մենք հասել ենք առաստաղին։ Գործարաններում, լոգիստիկայում և առողջապահության ոլորտում իսկական համընդհանուր ինքնավարության հասնելու համար մենք պետք է դուրս գանք պասիվ դիտարկման սահմաններից։ Մենք մտնում ենք նեյրոինտեգրված ինտելեկտի դարաշրջան, որտեղ ֆիզիկական AI-ի հաջորդ սահմանը ոչ միայն ավելի լավ «աչքերն» են, այլև ֆիզիոլոգիական տվյալների (ներառյալ ուղեղային ալիքների) միջոցով մտադրության ավելի խորը ըմբռնումը։
Պիքսելներից այն կողմ. տեսողական նմանակման սահմանափակումները
Ռոբոտաշինության համար նախատեսված Foundation Models-ի (հիմնարար մոդելների) ժամանակակից առաջատար լուծումները մեծապես հենվում են Large Behavior Models-ի (LBMs) վրա, որոնք վերապատրաստվում են մարդկային գործունեության հսկայական տվյալների բազաների հիման վրա։ Figure AI և Tesla ընկերությունները ցույց են տվել, թե ինչպես կարող են այդ գործակալները սովորել ծալել լվացքը կամ տեսակավորել պահեստամասերը՝ միլիոնավոր ժամեր տեսանյութեր դիտելու միջոցով։ Սակայն տեսողությունը բնույթով կորուստներ ունի։ Տեսախցիկը կարող է տեսնել, թե ինչպես է մարդը ձգտում դեպի գործիքը, բայց այն չի կարող ընկալել հիմքում ընկած նյարդային ազդակի նրբերանգը՝ այն ճշգրիտ, միկրովայրկյանային մտադրությունը, որը թելադրում է այդ շարժման ուժը, արագությունը և առաջնահերթությունը։
Երբ մարդը կատարում է բարդ առաջադրանք, նա ոչ միայն դիտարկում է շրջակա միջավայրը, այլև գործարկում է հետադարձ կապի օղակ ուղեղի շարժողական կեղևի և ֆիզիկական արդյունքի միջև։ Ինտեգրելով ոչ ինվազիվ Brain-Computer Interfaces (BCI) (ուղեղ-համակարգիչ ինտերֆեյսներ) և նյարդաբանական զգայունությունը ուսուցման գործընթացում՝ մենք կարող ենք AI մոդելներին տրամադրել մտադրության «օբյեկտիվ ճշմարտություն» (ground truth): Փոխարենը կռահելու, թե ինչու է մարդ օպերատորը դադար տվել հավաքման ընթացքում, մոդելը կարող է գրանցել նյարդային այն ազդանշանը, որը կապված է խոչընդոտների շրջանցման կամ սխալների հայտնաբերման հետ։
Բիզնեսի համար սա նշանակում է անցում «իմիտացիոն ուսուցումից» «մտադրության վրա հիմնված ուսուցման»։ Return on Investment (ROI)-ի (ներդրումների եկամտաբերության) հետևանքները նշանակալի են։ Ռոբոտներին նյարդային տվյալներով վերապատրաստելով՝ մենք կտրուկ կրճատում ենք «sim-to-real» (սիմուլյացիայից դեպի իրականություն) բացը՝ ծախսատար պարապուրդի այն ժամանակահատվածը, երբ ռոբոտը պետք է վերակարգավորվի, քանի որ չի կարողացել իր ուսուցումը տարածել իրական գործարանային միջավայրի վրա։
Նյարդային տվյալների և կանխատեսող ավտոմատացման համախմբումը
Նյարդաբանական մուտքային տվյալների ինտեգրումը ֆիզիկական AI-ում պարզապես գիտական հետաքրքրություն չէ. այն Digital Transformation-ի (թվային փոխակերպման) հաջորդ փուլի կատալիզատորն է։ Քանի որ ընկերությունները ձգտում են ավտոմատացնել բարձր ճշգրտություն պահանջող առաջադրանքները, որոնք մարդկային հարմարվողականություն են պահանջում, նրանք հայտնաբերում են, որ գոյություն ունեցող CRM և ERP աշխատանքային հոսքերը կտրված են ֆիզիկական իրականությունից:
Երբ AI գործակալը հասկանում է ոչ միայն գործընթացի «ի՞նչը» (օրինակ՝ տուփը տեղափոխելը), այլ նաև օպերատորի մտավոր վիճակի «ինչո՞ւն» ու «ինչպե՞սը», այն դառնում է ոչ թե փոխարինող, այլ՝ համագործակից (co-pilot)։ Մենք տեսնում ենք մի ապագա, որտեղ՝
- Մարդու մասնակցությամբ օպտիմալացում. ռոբոտները հարմարեցնում են իրենց գործառնական պարամետրերը՝ հիմնվելով մարդ-վերահսկիչների կոգնիտիվ ծանրաբեռնվածության կամ կենտրոնացման մակարդակի վրա՝ ապահովելով համագործակցության ավելի անվտանգ միջավայր։
- Հմտությունների արագ ձեռքբերում. AI գործակալները կարող են ամիսների աշխատանքային վերապատրաստումը սեղմել ժամերի՝ վերլուծելով փորձառու որոշումների կայացման հետ կապված նյարդային ազդակների օրինաչափությունները։
- Ռեսուրսների դինամիկ բաշխում. Մարդու նյարդային մտադրության և մեքենայական արդյունքի միջև եղած բացը կամրջելով՝ ավտոմատացված համակարգերը կարող են իրական ժամանակում թարմացումներ կատարել CRM-ում կամ մատակարարման շղթայում՝ հենց առաջադրանքի կատարման պահին, այլ ոչ թե դրանից հետո։
Այս էվոլյուցիան արդեն ազդում է ընդունման միտումների վրա։ Առաջադեմ ընկերությունները հրաժարվում են մոնոլիտ, կոշտ ավտոմատացումից՝ հօգուտ «ճկուն ռոբոտային գործակալների», որոնք կարող են վերապատրաստվել ընթացքում: Ոչ տեսողական տվյալների հոսքերը (օրինակ՝ նյարդային օրինաչափությունները կամ հապտիկ հետադարձ կապը) ընկալելու կարողությունը կլինի որոշիչ գործոն այն ընկերությունների համար, որոնք ձգտում են ընդլայնել իրենց ֆիզիկական AI ենթակառուցվածքը։
Ռազմավարական հրամայականներ հաջորդ տասնամյակի համար
Բիզնես առաջնորդների համար եզրակացությունը պարզ է. ֆիզիկական AI-ի լանդշաֆտը անշարժ ուսուցումից անցնում է դինամիկ, բազմամոդալ ինտեգրման։ Եթե ձեր ընթացիկ ավտոմատացման ռազմավարությունը սահմանափակվում է ավանդական համակարգչային տեսողությամբ, դուք, հավանաբար, բաց եք թողնում տվյալների այն շերտերը,
