കഴിഞ്ഞ ദശകത്തിൽ, കൃത്രിമബുദ്ധി പ്രധാനമായും ഒരു സ്ക്രീനിലാണ് ജീവിച്ചിരുന്നത്. അത് ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകി, വാക്യങ്ങൾ പൂർത്തിയാക്കി, ചിത്രങ്ങൾ അടുക്കി, അടുത്തതായി കാണേണ്ട കാര്യം ശുപാർശ ചെയ്തു. ആ യുഗം അവസാനിക്കുകയാണ്. AI യുടെ അടുത്ത തരംഗത്തിന് കൈകൾ, ചക്രങ്ങൾ, റോട്ടറുകൾ, സെൻസറുകൾ എന്നിവയുണ്ട് - വെയർഹൗസുകൾ, ആശുപത്രികൾ, ഫാമുകൾ, നഗര തെരുവുകൾ എന്നിവയിൽ വിശ്വസനീയമായി പ്രവർത്തിക്കാൻ ആവശ്യപ്പെടുന്നു. ഇതാണ് ഫിസിക്കൽ AI : യഥാർത്ഥ ലോകത്തെ മനസ്സിലാക്കുകയും തീരുമാനിക്കുകയും പ്രവർത്തിക്കുകയും ചെയ്യുന്ന ബുദ്ധി, തുടർന്ന് സംഭവിച്ചതിൽ നിന്ന് പഠിക്കുന്നു. സ്വയം ഓടിക്കുന്ന കാറുകൾക്ക് കീഴിലുള്ള നിശബ്ദ പാളി, ഹ്യൂമനോയിഡ് സഹായികൾ, വ്യവസായത്തിലുടനീളം ദൃശ്യമാകുന്ന സ്വയംഭരണ ബുദ്ധി എന്നിവയാണ് ഇത്. അത് അടിസ്ഥാനമാക്കിയുള്ള അടിത്തറ ചിപ്പുകളോ ക്ലൗഡ് ഇൻഫ്രാസ്ട്രക്ചറോ അല്ല - ഭൗതിക ലോകം യഥാർത്ഥത്തിൽ എങ്ങനെ പെരുമാറണമെന്ന് യന്ത്രങ്ങളെ പഠിപ്പിക്കുന്ന ഡാറ്റയാണിത്.
ഫിസിക്കൽ എഐയെ അതിനു മുമ്പുള്ള എല്ലാത്തിൽ നിന്നും വേർതിരിക്കുന്നത് എന്താണ്
ജനറേറ്റീവ് AI മോഡലുകൾക്ക് ഇന്റർനെറ്റിൽ നിന്ന് എടുത്ത ടെക്സ്റ്റും ഇമേജുകളും ഉപയോഗിച്ചാണ് പരിശീലനം നൽകുന്നത്. അവ ഔട്ട്പുട്ടുകൾ - വാക്യങ്ങൾ, ചിത്രങ്ങൾ, കോഡ് - ഉത്പാദിപ്പിക്കുന്നു, അവരുടെ ജോലി അവിടെ അവസാനിക്കുന്നു. മറുവശത്ത്, ക്ലാസിക്കൽ റോബോട്ടുകൾ കർശനമായി നിയന്ത്രിത പരിതസ്ഥിതികളിൽ കർശനമായി സ്ക്രിപ്റ്റ് ചെയ്ത നിർദ്ദേശങ്ങൾ പാലിക്കുന്നു. ഫിസിക്കൽ AI പൂർണ്ണമായും വ്യത്യസ്തമായ ഒരു വിഭാഗത്തിലാണ്. ഇത് ഒരു ലൂപ്പ് അടയ്ക്കുന്നു: പരിസ്ഥിതിയെ മനസ്സിലാക്കുക, വ്യാഖ്യാനിക്കുക, അതിൽ പ്രവർത്തിക്കുക, എന്താണ് സംഭവിച്ചതെന്ന് അടിസ്ഥാനമാക്കി അടുത്ത പ്രവർത്തനം പരിഷ്കരിക്കുക. ആ ലൂപ്പ് ഘർഷണം, ലേറ്റൻസി, ഭാഗിക സെൻസർ പരാജയം, പ്രവചനാതീതമായ മനുഷ്യർ, ഭൗതികശാസ്ത്ര നിയമങ്ങൾ എന്നിവയ്ക്ക് കീഴിൽ പ്രവർത്തിക്കേണ്ടതുണ്ട്. ഒരു ജനറേറ്റീവ് മോഡലിന് ഭ്രമാത്മകത സഹിക്കാൻ കഴിയും. ഒരു ഫോർക്ക്ലിഫ്റ്റിന് കഴിയില്ല.
| പരിമാണം | പരമ്പരാഗത / ജനറേറ്റീവ് AI | ഫിസിക്കൽ AI |
|---|---|---|
| പ്രവർത്തന പരിതസ്ഥിതി | ഡിജിറ്റൽ, സ്റ്റാറ്റിക് ഡാറ്റാസെറ്റുകൾ | ഭൗതിക ലോകം, ചലനാത്മകമായ സാഹചര്യങ്ങൾ |
| ചെലവായ | വാചകം, ചിത്രങ്ങൾ, ഓഡിയോ | മൾട്ടിമോഡൽ സെൻസർ ഡാറ്റ — ദർശനം, ലിഡാർ, ആഴം, ഓഡിയോ, സ്പർശനം, IMU |
| ഔട്ട്പുട്ട് | പ്രവചനങ്ങൾ, ഉള്ളടക്കം, ശുപാർശകൾ | ആക്യുവേറ്ററുകളും നിയന്ത്രണങ്ങളും വഴിയുള്ള യഥാർത്ഥ ലോക പ്രവർത്തനങ്ങൾ |
| പരാജയ ചെലവ് | താഴ്ന്നത് മുതൽ മിതമായത് വരെ | ഉയർന്നത് — സുരക്ഷ, ഉപകരണങ്ങൾ, ആളുകൾ |
| ഫീഡ്ബാക്ക് ലൂപ്പ് | ബാച്ച് പുനർപരിശീലനം | തുടർച്ചയായ ഇന്ദ്രിയ-തീരുമാന-പ്രവൃത്തി-പഠനം |
ഡാറ്റ എന്തുകൊണ്ടാണ് യഥാർത്ഥ ഫിസിക്കൽ AI ഫൗണ്ടേഷൻ ആകുന്നത്
മൂന്ന് വെയർഹൗസുകളിലായി സ്വയംഭരണ പിക്കറുകൾ പുറത്തിറക്കുന്ന ഒരു ഇടത്തരം ലോജിസ്റ്റിക് ഓപ്പറേറ്ററെ സങ്കൽപ്പിക്കുക. വെണ്ടർ ഡെമോയിൽ റോബോട്ടുകൾ മനോഹരമായി പ്രവർത്തിക്കുന്നു - ഒരേ ലൈറ്റിംഗ്, ഒരേ പാലറ്റ് ഉയരങ്ങൾ, ഒരേ ഇടനാഴി അടയാളങ്ങൾ. യഥാർത്ഥ വിന്യാസത്തിന്റെ രണ്ടാം ആഴ്ച, പ്രകടന തകർച്ച. ഒരു വെയർഹൗസിൽ ഡെപ്ത് സെൻസറുകളെ ആശയക്കുഴപ്പത്തിലാക്കുന്ന തിളങ്ങുന്ന എപ്പോക്സി തറകളുണ്ട്. മറ്റൊരു വെയർഹൗസിൽ പെർസെപ്ഷൻ മോഡൽ ഇതുവരെ കണ്ടിട്ടില്ലാത്തത്ര പകുതി തകർന്ന കാർട്ടണുകൾ സ്റ്റോക്ക് ചെയ്യുന്നു. മൂന്നാമത്തേത് വ്യത്യസ്ത ലൈറ്റിംഗിൽ രണ്ടാമത്തെ ഷിഫ്റ്റ് പ്രവർത്തിപ്പിക്കുന്നു. അടിസ്ഥാന മോഡൽ തെറ്റിയിരുന്നില്ല. അത് ഇതുവരെ ലോകത്തെ കണ്ടിട്ടില്ലായിരുന്നു.
ഇതാണ് എല്ലാ ഫിസിക്കൽ AI ടീമും ഒടുവിൽ നേരിടുന്ന യാഥാർത്ഥ്യം. പരിശീലന ഡാറ്റ സ്ക്രാപ്പ് ചെയ്യാനും പകർത്താനും വിലകുറഞ്ഞ രീതിയിൽ വീണ്ടും ഉപയോഗിക്കാനും കഴിയുന്ന ഡിജിറ്റൽ AI-യിൽ നിന്ന് വ്യത്യസ്തമായി, ഫിസിക്കൽ AI മോഡലുകൾ യഥാർത്ഥ പരിതസ്ഥിതികളുടെ കുഴപ്പങ്ങൾ - വൈവിധ്യമാർന്ന ലൈറ്റിംഗ്, കാലാവസ്ഥ, ഒക്ലൂഷൻ, വെയർ പാറ്റേണുകൾ, എഡ്ജ് കേസുകൾ, അപൂർവ സംഭവങ്ങൾ എന്നിവ പിടിച്ചെടുക്കുന്ന ഉദ്ദേശ്യത്തോടെ ശേഖരിച്ച മൾട്ടിമോഡൽ ഡാറ്റ ആവശ്യപ്പെടുന്നു. ആ ഡാറ്റ നിർമ്മിക്കാൻ മന്ദഗതിയിലുള്ളതും ചെലവേറിയതുമാണ്, അതുകൊണ്ടാണ് ഈ മേഖലയിൽ വേഗത്തിൽ നീങ്ങുന്ന ഓർഗനൈസേഷനുകൾ അവരുടെ ഫിസിക്കൽ AI ഡാറ്റ പൈപ്പ്ലൈനിനെ ഒരു സൈഡ് പ്രോജക്റ്റ് എന്നതിലുപരി ഒരു ഫസ്റ്റ് ക്ലാസ് ശേഷിയായി കണക്കാക്കുന്നത്. ഡാറ്റ ഫൗണ്ടേഷൻ ശക്തമാകുമ്പോൾ, അതിന് മുകളിലുള്ള ഓരോ ലെയറും - പെർസെപ്ഷൻ, യുക്തി, പ്രവർത്തനം, സുരക്ഷ - ഗുണങ്ങൾ നൽകുന്നു. അത് ദുർബലമാകുമ്പോൾ, ഓരോ ലെയറും ബലഹീനത അവകാശപ്പെടുന്നു.
[ഇതും വായിക്കുക: ഫിസിക്കൽ AI ഡാറ്റാസെറ്റ് സ്റ്റാക്ക് ]
പ്രൊഡക്ഷൻ-റെഡി ഫിസിക്കൽ AI സിസ്റ്റത്തിന്റെ നാല് തൂണുകൾ
പരസ്പരബന്ധിതമായ നാല് തൂണുകളിലാണ് കഴിവുള്ള ഒരു ഭൗതിക AI സിസ്റ്റം ഇരിക്കുന്നത്. ഏതെങ്കിലും ഒന്നിൽ നിക്ഷേപിക്കാതെ വെച്ചാൽ മുഴുവൻ സ്റ്റാക്കും ആടിയുലയും.
- മൾട്ടിമോഡൽ പെർസെപ്ഷൻ ഡാറ്റ. ഒരു യന്ത്രത്തിന് തീരുമാനമെടുക്കാനോ പ്രവർത്തിക്കാനോ കഴിയുന്നതിനുമുമ്പ്, അത് കാണേണ്ടതുണ്ട്. അതായത് സ്റ്റീരിയോ ക്യാമറകൾ, LiDAR, റഡാർ, ഡെപ്ത് സെൻസറുകൾ, മൈക്രോഫോണുകൾ, IMU-കൾ, ചിലപ്പോൾ ഫോഴ്സ് അല്ലെങ്കിൽ ടാക്റ്റൈൽ സെൻസറുകൾ - ഇവയെല്ലാം സമയ-സമന്വയിപ്പിച്ച സ്ട്രീമുകൾ സൃഷ്ടിക്കുന്നു. ഇത് ശരിയാക്കുന്നത് സിസ്റ്റങ്ങളുടെ ഒരു പ്രശ്നമാണ്: സെൻസർ പ്ലേസ്മെന്റ്, കാലിബ്രേഷൻ, സിൻക്രൊണൈസേഷൻ, സിസ്റ്റം യഥാർത്ഥത്തിൽ അഭിമുഖീകരിക്കുന്ന സാഹചര്യങ്ങളുടെ നീണ്ട വാൽ പിടിച്ചെടുക്കാനുള്ള കഴിവ്. മിക്ക പ്രൊഡക്ഷൻ-ഗ്രേഡ് ടീമുകളും അവരുടെ മോഡലുകൾക്ക് ആവശ്യമായ ഭൂമിശാസ്ത്രപരവും ജനസംഖ്യാപരവും പാരിസ്ഥിതികവുമായ വൈവിധ്യത്തിലെത്താൻ ഒരു സ്പെഷ്യലിസ്റ്റ് ഡാറ്റ ശേഖരണ പങ്കാളിയുമായി ഒരു ഇൻ-ഹൗസ് ഫ്ലീറ്റിനെ സംയോജിപ്പിക്കുന്നു.
- സിമുലേഷനും സിന്തറ്റിക് ഡാറ്റയും. യഥാർത്ഥ ലോക ചിത്രീകരണം കൊണ്ട് മാത്രം മതിയായ അപൂർവ സംഭവങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയില്ല. ആയിരം കാൽനടയാത്രക്കാർക്ക് സുരക്ഷിതമായി ദൃശ്യവൽക്കരിക്കാനോ ഒരു സർജിക്കൽ റോബോട്ട് നേരിട്ടേക്കാവുന്ന എല്ലാ ലൈറ്റിംഗ് അവസ്ഥകളും ചിത്രീകരിക്കാനോ കഴിയില്ല. സിമുലേഷൻ ആ വിടവ് നികത്തുന്നു. ഉയർന്ന വിശ്വാസ്യതയുള്ള ഫിസിക്സ് എഞ്ചിനുകൾ, ഡിജിറ്റൽ ഇരട്ടകൾ, വേൾഡ് ഫൗണ്ടേഷൻ മോഡലുകൾ എന്നിവ ഇപ്പോൾ എഡ്ജ് കേസുകൾ ഉൾപ്പെടെ സിന്തറ്റിക് സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുന്നു - പ്രീ-ട്രെയിൻ, സ്ട്രെസ്-ടെസ്റ്റ് ഫിസിക്കൽ AI മോഡലുകൾക്കായി. സിന്തറ്റിക്, റിയൽ ഡാറ്റ എന്നിവ സംയോജിപ്പിക്കുന്നതിലൂടെയാണ് മികച്ച ഫലങ്ങൾ ലഭിക്കുന്നത്, അതിനാൽ മോഡൽ രണ്ടിനും അമിതമായി യോജിക്കുന്നില്ല.
- സ്കെയിലിൽ അടിസ്ഥാന സത്യ വ്യാഖ്യാനം. ഇവിടെയാണ് മിക്ക ഫിസിക്കൽ AI പ്രോഗ്രാമുകളും നിലയ്ക്കുന്നത്. കൃത്യമായ ലേബലുകൾ - 3D ബൗണ്ടിംഗ് ബോക്സുകൾ, സെമാന്റിക് സെഗ്മെന്റേഷൻ, ലെയ്ൻ ലൈനുകൾ, സ്കെലിറ്റൽ പോസുകൾ, ടെമ്പറൽ ഇവന്റ് ബൗണ്ടറികൾ, മോഡാലിറ്റികളിലുടനീളമുള്ള സെൻസർ ഫ്യൂഷൻ - ഉണ്ടാകുന്നതുവരെ റോ സെൻസർ ഡാറ്റ പരിശീലന ഡാറ്റയല്ല. ഒരു ഡ്രൈവിംഗ് സ്കൂൾ പോലെയുള്ള അനോട്ടേഷനെക്കുറിച്ച് ചിന്തിക്കുക: ഒരു വിദ്യാർത്ഥി ഡ്രൈവർ ഫൂട്ടേജ് കണ്ട് പഠിക്കുന്നില്ല, ഒരു ഇൻസ്ട്രക്ടർ ചൂണ്ടിക്കാണിക്കുന്നതിനാൽ അവർ പഠിക്കുന്നു - ആവർത്തിച്ച് സ്ഥിരമായി - ഒരു കാൽനടയാത്രക്കാരൻ എന്താണ്, ഒരു വിളവ് ചിഹ്നം എന്താണ് അർത്ഥമാക്കുന്നത്, "വളരെ അടുത്ത്" എങ്ങനെയിരിക്കും എന്ന്. ഫിസിക്കൽ AI മോഡലുകൾ അതേ രീതിയിൽ പഠിക്കുന്നു, ആ നിർദ്ദേശത്തിന്റെ ഗുണനിലവാരം എല്ലാറ്റിലും പരിധി നിശ്ചയിക്കുന്നു. സ്കെയിലിനെക്കുറിച്ച് ഗൗരവമുള്ള ടീമുകൾ സാധാരണയായി ഒരു സമർപ്പിത ഡാറ്റ അനോട്ടേഷൻ വർക്ക്ഫ്ലോ അഡ്-ഹോക് ലേബലിംഗിന് പകരം മൾട്ടി-ടയർ ഗുണനിലവാര നിയന്ത്രണം ഉപയോഗിച്ച്.
- തുടർച്ചയായ പഠന ലൂപ്പ്. ഒരിക്കൽ വിന്യസിച്ചുകഴിഞ്ഞാൽ, ഫിസിക്കൽ AI സിസ്റ്റങ്ങൾ പ്രവർത്തന ഡാറ്റ സൃഷ്ടിച്ചുകൊണ്ടിരിക്കുന്നു - വിജയങ്ങൾ, ഏതാണ്ട് പരാജയങ്ങൾ, യഥാർത്ഥ പരാജയങ്ങൾ. ആ ഡാറ്റ പുനഃപരിശീലനം, സിമുലേഷൻ പുതുക്കൽ, ടാർഗെറ്റുചെയ്ത പുനർ വ്യാഖ്യാനം എന്നിവയിലേക്ക് തിരികെ നൽകുന്നു. ഈ ലൂപ്പ് അടയ്ക്കുന്ന ഓർഗനൈസേഷനുകൾ സങ്കീർണ്ണമായ മെച്ചപ്പെടുത്തലുകൾ കാണുന്നു. പ്രകടനം കാണാത്തവ പൊതുവായി എന്തെങ്കിലും പൊട്ടിത്തെറിക്കുന്നത് വരെ നിശബ്ദമായി നീങ്ങുന്നു.
ഫിസിക്കൽ AI ഇതിനകം പ്രവർത്തിക്കുന്നിടത്ത്
ഈ സാങ്കേതികവിദ്യ സാങ്കൽപ്പികമല്ല. നഗര ദൃശ്യങ്ങൾ വായിക്കാനും നിർമ്മാണ മേഖലകൾ കൈകാര്യം ചെയ്യാനും ഓട്ടോണമസ് വാഹനങ്ങൾ ദർശന-ഭാഷ-പ്രവർത്തന മാതൃകകൾ ഉപയോഗിക്കുന്നു. ഹ്യൂമനോയിഡ്, മൊബൈൽ റോബോട്ടുകൾ വെയർഹൗസുകളിൽ പ്രവേശിക്കുകയും സാധനങ്ങൾ നീക്കുകയും റീസ്റ്റോക്കിംഗിൽ സഹായിക്കുകയും ചെയ്യുന്നു. കൃത്യമായ നടപടിക്രമങ്ങൾക്കായി സഹായിക്കുന്നതിന് ശസ്ത്രക്രിയാ പ്ലാറ്റ്ഫോമുകൾക്ക് സിമുലേഷനിൽ പരിശീലനം നൽകുന്നു. മനുഷ്യ സംഘങ്ങൾക്ക് സുരക്ഷിതമല്ലാത്ത സാഹചര്യങ്ങളിൽ ഡ്രോണുകൾ കാറ്റാടി ടർബൈനുകൾ, പൈപ്പ്ലൈനുകൾ, ട്രാൻസ്മിഷൻ ലൈനുകൾ എന്നിവ പരിശോധിക്കുന്നു. കാർഷിക പ്ലാറ്റ്ഫോമുകൾ ഓരോ പ്ലാന്റിനും കൃത്യതയോടെ കള പറിക്കൽ, സ്പ്രേ ചെയ്യൽ, വിളവെടുപ്പ് എന്നിവ നടത്തുന്നു. വ്യാപകമായി ഉദ്ധരിക്കപ്പെടുന്ന ഒരു കണക്കനുസരിച്ച്, AI-യിൽ പ്രവർത്തിക്കുന്ന റോബോട്ടുകൾക്കും ഏജന്റുമാർക്കും ദശാബ്ദത്തിന്റെ അവസാനത്തോടെ വികസിത സമ്പദ്വ്യവസ്ഥകളിലുടനീളം വാർഷിക മൂല്യം ട്രില്യൺ കണക്കിന് ഡോളർ അൺലോക്ക് ചെയ്യാൻ കഴിയും (ഉറവിടം: മക്കിൻസി, 2024). ഈ ഡൊമെയ്നുകളിൽ ഓരോന്നിലും പൊതുവായുള്ളത്: മുന്നോട്ട് പോകുന്ന സ്ഥാപനങ്ങൾ മികച്ച മോഡലുകൾ മാത്രമല്ല, മികച്ച ഡാറ്റയുള്ളവയാണ്.
[ഇതും വായിക്കുക: കാഴ്ചയ്ക്കും പ്രവൃത്തിക്കും ഇടയിലുള്ള നഷ്ടപ്പെട്ട പാളി ]
ഉപസംഹാരം — ഡിജിറ്റൽ ഇന്റലിജൻസ് മുതൽ ഓട്ടോണമസ് ഇന്റലിജൻസ് വരെ
കൃത്രിമബുദ്ധി നിങ്ങൾ തുറക്കുന്ന ഒരു ഉപകരണമായി മാറുന്നത് നിർത്തി, നിങ്ങളുടെ ചുറ്റുമുള്ള മെഷീനുകളിൽ ഉൾച്ചേർത്ത ഒരു കഴിവായി മാറാൻ തുടങ്ങുന്നിടത്താണ് ഭൗതിക AI. മാറ്റം ക്രമേണയല്ല. വ്യവസായങ്ങൾ എങ്ങനെ പ്രവർത്തിക്കുന്നു, സുരക്ഷ എങ്ങനെ രൂപകൽപ്പന ചെയ്യപ്പെടുന്നു, മൂല്യം എങ്ങനെ സൃഷ്ടിക്കപ്പെടുന്നു എന്നിവ ഇത് പുനഃക്രമീകരിക്കുന്നു. ഫ്രെയിംവർക്കുകൾ, കമ്പ്യൂട്ട്, ഫൗണ്ടേഷൻ മോഡലുകൾ എന്നിവയെല്ലാം പ്രധാനമാണ് - എന്നാൽ ഈ ദശകത്തിൽ വിജയിക്കുന്ന ടീമുകൾ ഡാറ്റയെ തന്ത്രപരമായ അടിസ്ഥാന സൗകര്യങ്ങളായി കണക്കാക്കുന്നവരായിരിക്കും. മൾട്ടിമോഡൽ ശേഖരണം, സിമുലേഷൻ, അനോട്ടേഷൻ, ഫീഡ്ബാക്ക് ലൂപ്പ് എന്നിവ പിന്തുണാ പ്രവർത്തനങ്ങളല്ല. അവയാണ് സ്വയംഭരണ ബുദ്ധി കെട്ടിപ്പടുക്കുന്നതിന്റെ അടിസ്ഥാനം.
ലളിതമായി പറഞ്ഞാൽ ഫിസിക്കൽ AI എന്താണ്?
ഫിസിക്കൽ AI എന്നത് സെൻസറുകളിലൂടെയും ആക്യുവേറ്ററുകളിലൂടെയും യഥാർത്ഥ ലോകത്തെ മനസ്സിലാക്കുകയും തീരുമാനിക്കുകയും പ്രവർത്തിക്കുകയും ചെയ്യുന്ന കൃത്രിമബുദ്ധിയാണ്. ടെക്സ്റ്റ് അല്ലെങ്കിൽ ഇമേജുകൾ നിർമ്മിക്കുന്ന ഡിജിറ്റൽ AI-യിൽ നിന്ന് വ്യത്യസ്തമായി, ഫിസിക്കൽ AI ഭൗതിക പരിതസ്ഥിതികളുമായി നേരിട്ട് ഇടപഴകുന്ന യന്ത്രങ്ങൾക്ക് - റോബോട്ടുകൾ, സ്വയംഭരണ വാഹനങ്ങൾ, ഡ്രോണുകൾ - ശക്തി നൽകുന്നു.
ജനറേറ്റീവ് AI-യിൽ നിന്ന് ഫിസിക്കൽ AI എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നു?
ഡിജിറ്റൽ ഇൻപുട്ടുകളിൽ നിന്ന് ജനറേറ്റീവ് AI ഡിജിറ്റൽ ഔട്ട്പുട്ടുകൾ ഉത്പാദിപ്പിക്കുന്നു. ഭൗതിക ലോകത്ത് ഒരു ഇന്ദ്രിയ-തീരുമാന-പ്രവർത്തന-പഠന ലൂപ്പ് ഫിസിക്കൽ AI അടയ്ക്കുന്നു, അതായത് ജനറേറ്റീവ് AI നേരിടാത്ത തത്സമയ നിയന്ത്രണങ്ങൾ, സെൻസർ ശബ്ദം, ഭൗതികശാസ്ത്രം, സുരക്ഷാ പ്രത്യാഘാതങ്ങൾ എന്നിവ കൈകാര്യം ചെയ്യേണ്ടതുണ്ട്.
ഫിസിക്കൽ എഐക്ക് ഇത്രയധികം പരിശീലന ഡാറ്റ ആവശ്യമായി വരുന്നത് എന്തുകൊണ്ട്?
ഭൗതിക പരിതസ്ഥിതികൾ വളരെയധികം വൈവിധ്യപൂർണ്ണമാണ് - വെളിച്ചം, കാലാവസ്ഥ, പ്രതലങ്ങൾ, വസ്തുക്കൾ, മനുഷ്യന്റെ പെരുമാറ്റം, എഡ്ജ് കേസുകൾ. മോഡലുകൾക്ക് അവ ഡെമോ ചെയ്ത സാഹചര്യങ്ങൾക്കപ്പുറം വിശ്വസനീയമായി സാമാന്യവൽക്കരിക്കുന്നതിന് വലിയ അളവിലുള്ള മൾട്ടിമോഡൽ, കൃത്യമായി ലേബൽ ചെയ്ത ഡാറ്റ ആവശ്യമാണ്.
സിമുലേഷൻ എന്ത് പങ്കാണ് വഹിക്കുന്നത്?
യഥാർത്ഥ ലോകത്ത് പകർത്താൻ അപ്രായോഗികമായ, അപൂർവമോ അപകടകരമോ ആയവ ഉൾപ്പെടെ, സുരക്ഷിതവും ആവർത്തിക്കാവുന്നതുമായ പരിശീലന സാഹചര്യങ്ങളാണ് സിമുലേഷൻ നൽകുന്നത്. യഥാർത്ഥ ലോക ഡാറ്റയുമായി ജോടിയാക്കുമ്പോഴാണ് ഇത് ഏറ്റവും നന്നായി പ്രവർത്തിക്കുന്നത്, പകരം ഉപയോഗിക്കാവുന്ന ഒന്നല്ല.
ഏതൊക്കെ വ്യവസായങ്ങളാണ് ആദ്യം ഫിസിക്കൽ AI സ്വീകരിക്കുന്നത്?
ഓട്ടോണമസ് വാഹനങ്ങൾ, വെയർഹൗസ്, ഫാക്ടറി റോബോട്ടിക്സ്, പ്രതിരോധ, പരിശോധന ഡ്രോണുകൾ, കൃഷി, സർജിക്കൽ, അസിസ്റ്റീവ് ഹെൽത്ത്കെയർ റോബോട്ടിക്സ്, ലോജിസ്റ്റിക്സ് എന്നിവയാണ് ഇന്ന് മുൻനിരയിൽ നിൽക്കുന്നത്, ഹ്യൂമനോയിഡ് റോബോട്ടിക്സ് അടുത്ത അതിർത്തിയായി അതിവേഗം ഉയർന്നുവരുന്നു.
