Լաբորատորիայում լռություն էր, եթե չհաշվենք սերվոմոտորների ռիթմիկ, գրեթե կենսաբանական մռնչոցը։ Ես կանգնած էի մի կառուցվածքի դիմաց, որն առաջին հայացքից պարզ էր թվում՝ ստանդարտ արդյունաբերական ռոբոտ-բազուկ, խառնաշփոթ աշխատանքային սեղան և տարբեր, առօրյա իրերի զամբյուղ։ Երկար տարիներ ձեռնարկություններում ռոբոտաշինության պատմությունը սահմանվում էր կոշտ ճշգրտությամբ՝ միևնույն առաջադրանքը միլիոնավոր անգամներ առանց շեղումների կատարելու կարողությամբ։ Սակայն երբ հետևում էի, թե ինչպես է մեքենան հարմարեցնում իր բռնվածքն անծանոթ առարկային՝ լուծելու համար մի խնդիր, որի համար այն նախապես ծրագրավորված չէր, պարզ դարձավ, որ մենք ականատեսն ենք պարադիգմային տեղաշարժի։ Մենք անցնում ենք «ավտոմատացված կատարողականության» դարաշրջանից դեպի «ինքնավար իմպրովիզացիայի» դարաշրջան։
Սա պարզապես տեխնիկական ցուցադրությունների համար նախատեսված հնարք չէ։ Երբ մեքենան կարողանում է դիտարկել աշխատանքային տարածքը, վերլուծել հասանելի գործիքների ֆիզիկական հատկությունները և ընտրել ամենաարդյունավետը նպատակին հասնելու համար, արդյունաբերական ավտոմատացման հիմքն իսկ փոխվում է։ Այս կարողությունը, որը պայմանավորված է Ռոբոտաշինության համար հիմնարար մոդելների (Foundation Models for Robotics) վերջին նվաճումներով, ստատիկ ծրագրային ապահովման և ֆիզիկական գործողությունների միջև կամուրջ է հանդիսանում։
Նախապես ծրագրավորված սկրիպտներից դեպի ճանաչողական հարմարվողականություն
Պատմականորեն ռոբոտաշինության ներդրումը մատակարարման շղթայում կամ արտադրական գծում պահանջում էր հսկայական ներդրումներ հատուկ ծրագրային ապահովման և միջավայրի խիստ վերահսկողության մեջ։ Եթե որևէ բաղադրիչ մեկ դյույմով ձախ էր տեղադրվում, ռոբոտը ձախողվում էր։ Այս «փխրունությունը» հիմնական խոչընդոտն էր փոքր և միջին բիզնեսի միջավայրերում ֆիզիկական արհեստական բանականության (AI) լայնածավալ ընդունման համար։
Այնուամենայնիվ, ռոբոտացված ինտելեկտի վերջին սերունդն օգտագործում է Generalist AI ճարտարապետություններ, որոնք իրական ժամանակում մշակում են տեսողական և տարածական տվյալներ։ Շարժումը թելադրող կոդի տողեր կատարելու փոխարեն՝ ռոբոտը, ըստ էության, «մտածում» է ֆիզիկական միջավայրում։
Խելացի գործակալների այս նոր դասի հիմնական կարողություններն են.
- Իմաստային ընկալում (Semantic Understanding): Ռոբոտը ճանաչում է առարկայի նշանակությունը (օրինակ՝ «այս առարկան երկար է և կոշտ, հետևաբար՝ այն կարող է լծակ ծառայել»), այլ ոչ թե միայն դրա ձևը։
- Zero-Shot առաջադրանքների կատարում: Մեքենան կարող է կատարել գործողությունների հաջորդականություն՝ ձգտել, բռնել, մանիպուլյացիա անել և ուժ կիրառել՝ առանց այդ հատուկ հաջորդականությանը նախապես սովորեցված լինելու։
- Դինամիկ սխալների ուղղում: Եթե շարժումը չի ստացվում, գործակալը դիտարկում է արդյունքը, հարմարեցնում մոտեցումը և նորից փորձում՝ արդյունավետորեն սովորելով ընթացքի մեջ։
Բիզնեսի ղեկավարների համար սա նշանակում է ներդրման ծախսերի հսկայական կրճատում։ Մենք գնում ենք դեպի մի աշխարհ, որտեղ այլևս կարիք չկա ինժեներների փոքր բանակի՝ յուրաքանչյուր շարժում սկրիպտավորելու համար։ Դուք պարզապես նշում եք արդյունքը, և գործակալը հաղթահարում է միջավայրի սահմանափակումները՝ այն իրականացնելու համար։
ROI և ձեռնարկության համար ռազմավարական նշանակությունը
Ի՞նչ է սա նշանակում ղեկավարության համար։ Ավտոմատացման ROI-ի (ներդրումների վերադարձելիության) հաշվարկը արմատական վերագնահատման է ենթարկվում։ Նախկինում ընկերությունները հաշվարկում էին ROI-ն՝ հիմնվելով երկարաժամկետ, բարձր ծավալի արտադրական ցիկլերի վրա՝ համակարգի ինտեգրման բարձր ծախսերը հիմնավորելու համար։ Այնպիսի ռոբոտների հայտնվելով, որոնք կարող են սովորել տեղում, ավտոմատացման «ինքնածախսածածկման» կետը զգալիորեն իջնում է։
Դիտարկենք Թվային փոխակերպման (Digital Transformation) աշխատանքային գործընթացների հետևանքները։ Երկար տարիներ մենք ձգտել ենք թվայնացնել տվյալները և կենտրոնացնել դրանք Հաճախորդների հետ հարաբերությունների կառավարման (CRM) հարթակում կամ ERP համակարգում։ Այնուամենայնիվ, հսկայական բաց էր մնում այդ թվային տվյալների և աշխատանքի ֆիզիկական կատարման միջև։ Այս նոր ճանաչողական ռոբոտներն արդյունավետորեն փակում են այդ բացը։ CRM-ում պաշարների մակարդակը վերահսկող AI գործակալն այժմ կարող է ֆիզիկական գործակալին հրահանգել վերակազմավորել պահեստի դարակը կամ կազմակերպել բեռնման տարածքը՝ իրական ժամանակում արձագանքելով պահանջարկի տատանումներին՝ առանց ձեռքի վերահսկողության։
Ընդունման միտումները պարզ են.
- Ճկունության աճ. Ընկերությունները կարող են մեկ գիշերվա ընթացքում փոխել արտադրական կամ լոգիստիկ աշխատանքային հոսքերը, քանի որ գործակալները հարմարվում են նոր դասավորություններին կամ գործիքներին՝ առանց լայնածավալ վերածրագրավորման։
- Ինտեգրման բարդության նվազում. Հիմնվելով տեսողության վրա հիմնված ուսուցման, այլ ոչ թե կոշտ ծրագրավորված տրամաբանության վրա՝ նոր սարքավորումների «ինտեգրման հարկը» կտրուկ նվազում է։
- Ինտելեկտի մասշտաբայնություն. Երբ մոդելը սովորում է, թե ինչպես աշխատել տարբեր գործիքների հետ, այդ «գիտելիքը» կարող է կիրառվել ռոբոտների ամբողջ պարկում՝ ապահովելով, որ մեկ պատկերացումը արժեք բերի ողջ ձեռնարկությանը։
Մենք ականատեսն ենք կոնվերգենցիայի, որտեղ ֆիզիկական ավտոմատացումը դառնում է նույնքան ճկուն, որքան ամպային ծրագրային ապահովումը։ Առաջադեմ կազմակերպություններն արդեն հարցնում են, թե ինչպես կարող է իրենց ներկայիս տվյալների ենթակառուցվածքն աջակցել «ֆիզիկական ին
