Šiuo metu kuriama kitokio pobūdžio AI, vadinamosios „įkūnyta AI“. Tai reiškia agentus, kurie turi kūną ir palaiko fizinę sąveiką, pavyzdžiui, intelektualius aptarnavimo robotus, savarankiškai važiuojančius automobilius ir kt.
Įsikūrę AI robotai gali bendrauti su aplinka, planuoti, priimti sprendimus, atlikti ir atlikti tokias užduotis kaip žmonės. Pavyzdžiui, robotų blokui pavesta šlifuoti viršutinę dalį dalies, įdėtos į įrenginį, kad pasiektų norimą paviršiaus apdailą. Įsikūnijusi AI gali naudoti jutiklius, norėdamas stebėti įrenginio būklę ir generuoti roboto instrukcijas atlikti užduotis.
Skaitmeninė AI ir įkūnyta AI turi tam tikrų panašumų ir naudoja daugybę pagrindinių technologijų. Tačiau norint sėkmingai pritaikyti skaitmeninius AI metodus konkrečioms AI programoms, labai svarbu suprasti šių dviejų tipų AI tipus.
Įsikūnijusių AI programų rizikos profilis iš esmės skiriasi nuo skaitmeninių AI programų. Jei skaitmeniniai AI įrankiai yra 99 procentai tikslūs, tai gali dramatiškai pagerinti žmonių produktyvumą daugelyje programų.
Priešingai, dėl pramoninių programų rizikos konkrečių AI sistemų tikslumo reikalavimai dažnai labai skiriasi.
Pagrindinė rizika kyla iš dviejų aspektų: klaidos tikimybės ir klaidos pasekmių. Kai klaidos padarymo pasekmės nėra rimtos, gali būti toleruojama didesnė klaidų tikimybė. Štai kodėl 1% klaidų tikimybė yra priimtina daugelyje skaitmeninių AI programų.
Ir atvirkščiai, daugeliui įkūnytų AI programų reikia geresnių nei vienos iš milijono klaidų tikimybių. Naudojant grynai duomenų pagrįstą metodą, norint sumažinti klaidų tikimybę, reikia daug duomenų. Daugeliu atvejų duomenų paklausa auga eksponentiškai. Deja, duomenų iš fizinių sistemų gavimo išlaidos yra didelės. Todėl sprendžiant įkūnytus AI programas, reikia laikytis kitokio požiūrio.
Norint įvykdyti aukščiau pateiktus reikalavimus, gamybos programų AI turi būti šios charakteristikos:
Treniruotės su ribotais duomenimis: Įsikūnijusi AI pirmiausia gali būti mokoma su ribotais duomenimis, gautais iš fizikos eksperimentų.
Galima surinkti iš iš anksto išmokytų modulinių komponentų: fizinės sistemos gali turėti kelias konfigūracijas, kad palaikytų jų numatomus poreikius. Pavyzdžiui, atsižvelgiant į atliekamą procesą (pvz., Šlifavimą ar šlifavimą), gamybos robotų įrenginys gali būti daugelyje skirtingų konfigūracijų. Skirtingi vienetai gali apimti robotus su skirtingomis funkcijomis (tokiomis kaip mobiliosios platformos montavimo robotai ar robotai montuojami robotai), jutiklių tipai (pvz., Gylinės kameros ar šiluminiai vaizdai) ir įrankiai (tokie kaip orbitos smaigalys ar smėlio spalvos purkštukai).
Dėl to „Universal“ įkūnijimo AI, veikiančios ne visoms gamybos programoms, kurti, gali būti ne taip gerai. Sistemos PG reikia greitai sintetinti iš modulinių komponentų, kad atitiktų konkrečios sistemos ir darbo aplinkos jutimo ir vairavimo galimybes.
Gali būti pritaikytas naujiems duomenims ar kontekstui: Kai nauji duomenys tampa prieinami sistemos diegimo metu, turėtų būti įmanoma naudoti šiuos duomenis AI našumui pagerinti. PG turėtų sugebėti autonomiškai pritaikyti naują aplinką ar užduotis su minimalia žmonių priežiūra.
Lengva atnaujinti: laikui bėgant fizinės sistemos veikimas gali keistis dėl susidėvėjimo ar fizinių komponentų atnaujinimų. Tam gali reikėti patobulinti AI, kad būtų užtikrinta, jog ji gali neatsilikti nuo sistemos raidos. Todėl reikia sukurti įkūnytą AI sistemą, kad būtų užtikrinta, jog ją galima patobulinti minimaliai sutrikdant sistemos veikimą.
Riziškai pagrįstos veiksmų rekomendacijos: Sistema turėtų sugebėti įvertinti savo pasitikėjimą siūlomu veiksmu. Kai pasitikėjimas savimi yra mažas, sistema turėtų atlikti rizikos analizę ir išanalizuoti nesėkmės pasekmes. Jei rizika yra per didelė, sistema turėtų kreiptis pagalbos iš žmonių ekspertų.
Aiškumas: Jei sistema siūlo veiksmą, kuris neatitinka vartotojo lūkesčių, sistema turėtų sugebėti paaiškinti veiksmo pasirinkimo priežastis.
Paskirstyta architektūra, palaikanti skaičiavimo padalijimą tarp krašto ir debesies: Įsikūnijusiose AI taikymo scenarijuose neįmanoma atlikti viso AI skaičiavimo debesyje. Sistemos projektavimas turėtų užtikrinti, kad tinkle latencijai jautrius skaičiavimus būtų galima atlikti krašte.
Skaitmeninės AI srityje matome didelę sėkmę su dideliais mokymosi modeliais, tokiais kaip LLM. Šie modeliai klesti didžiuliais duomenų kiekiais. Tačiau jie neturi daugelio aukščiau paminėtų AI įkūnytų AI savybių.
Įsikūnijusi AI turėtų būti vertinama kaip sudėtinga sistema, apimanti kelių AI komponentų sąveiką. Turėti tinkamą sistemos architektūrą įkūnytoje AI yra vienas iš sėkmingų gamybos programų raktų. Tai leidžia pasinaudoti naujausiais AI pasiekimais ir patenkinti reikalaujančius gamybos programų reikalavimus. Todėl norint suprojektuoti įkūnytą AI gamybos programas, reikalingi modernūs sistemų inžinerijos metodai.