Сферата на хуманоидната роботика вече изглежда не е на светлинни години разстояние от масовия потребител. Благодарение на AI напредъка, технологични компании като Nvidia вече говорят не за това дали, а кога хуманоидните машини ще се превърнат в неизменна част от ежедневието ни.

На изложението Computex в Тайван вицепрезидентът на компанията Рев Лебаредиан разказва как симулациите, данните и реалните нужди от работна ръка ще задвижат следващата революция – тази на физическия AI.

„Намираме се в изключително интересен момент“, казва Лебаредиан в интервю за Euronews Next. „Обещанието на роботиката съществува от доста време – още от научната фантастика. Но днес сме по-близо от всякога до реализацията ѝ.“

След години, прекарани в опити за създаване на универсални роботи, най-голямото предизвикателство изглежда не е физиката, а програмирането. Сега това се променя благодарение на изкуствения интелект.

„AI направи така, че роботите вече могат да се програмират по универсален начин – от обикновени хора, а не само от инженери по роботика“, казва Лебаредиан.

Meta представи PARTNR – иновативна програма, която изследва взаимодействието между хора и роботи в домакинството. Целта е да се създадат машини, които не просто изпълняват команди, а си сътрудничат с хората, за да улеснят ежедневието им

Роботите идват, за да ни заменят... в досадните битови задачи

Компании като Tesla вече демонстрират значителен напредък – Optimus наскоро е обучен да извършва домакински задачи. Но за да бъдат роботите наистина полезни, те първо трябва да бъдат „дресирани“ – и това няма как да се случи изцяло в реалния свят.

„Физическият AI има нужда от изключително много данни“, обяснява Лебаредиан.

„При езиковите модели можем да използваме интернет като източник на данни. Но при роботите такива данни просто не съществуват – сами трябва да ги създадем.“

Обучението чрез симулации е по-безопасно, както и значително по-бързо и по-ефективно. Според него най-добрият „възобновяем“ източник на данни е именно симулираната реалност – дигитална среда, в която роботите могат да натрупат нужния „животински“ опит, преди реално да влязат в действие.

„Да обучим робот да вдигне предмет в реалния свят е скъпо, опасно и бавно. Симулацията е отговорът, който търсим“, казва Лебаредиан пред Euronews.

След като виртуално обучените роботи преминат успешно тестовете, те могат да се „дипломират“ и да започнат работа. Подобно на новоназначен служител, който първо учи от отворени източници, но става ценен едва когато започне да трупа знания от вътрешната база данни на компанията, така и роботите ще се специализират според нуждите на конкретния бизнес.

Комбинацията от AI модели и споделен хардуер променя начина, по който се създават и използват хуманоидните роботи

Хуманоидни роботи с отворен код? Hugging Face работи за по-достъпно технологично бъдеще

Най-вероятният сценарий е индустрията да бъде първият реален потребител. „Дори да създадем перфектния домашен робот, не е ясно дали всички хора ще искат точно такъв у дома. Но в индустрията нещата стоят по различен начин, защото нуждата е налице и непрестанно нараства“, казва Лебаредиан.

Той също така посочва, че недостигът на работна ръка в глобален мащаб се засилва – особено в т.нар. „3D“ професии: dangerous, dull, dirty – опасни, скучни и мръсни.

Тайван, например, вече обяви петгодишен план за развитие на роботиката с цел справяне с демографския спад и нуждата от грижа за възрастното население.

След производството, според Nvidia, роботи могат да бъдат внедрени в търговията на дребно, в минната индустрия, в ядрени обекти, в космоса, а дори и като асистенти за възрастни хора – стига обществото да има такава готовност.

Това изглежда като поредното доказателство, че технологичният напредък не винаги се измерва със скорост, а с устойчивост и способност за адаптация в реална среда

Роботи срещу хора: Полумаратонът, който показа колко (не)далеч сме стигнали в хуманоидната революция

Въпреки технологичния напредък, остава един голям въпрос, а той е именно сигурността. Една грешка от езиков модел може да създаде доста неудобства… но грешка от физически робот е потенциално по-опасна.

„Да, генеративният AI все още допуска неточности“, казва Лебаредиан, „но ако погледнем какво се случва с ChatGPT само в рамките на две години – точността и качеството на отговорите се подобряват експоненциално.“

При роботите задачите често са ясни и измерими – например дали успешно е преместен даден обект. Това прави системите по-податливи на тестване и сертифициране преди масова употреба.

„Имаме примери за изключително опасни системи – като ядрени реактори – които сме се научили да управляваме безопасно. Същото може да се постигне и с физическия AI“, уверява той.