Искусственный интеллект для роботов и физический ИИ: новая эра интеллектуальной автоматизации.

Автоматизация: почему физический ИИ будет управлять заводом будущего и преобразит вашу отрасль.

Искусственный интеллект находится на фундаментальном переломном этапе. После десятилетий, в течение которых системы ИИ работали преимущественно в цифровой среде, например, в области анализа данных или создания контента, технология выходит из своей виртуальной клетки и все чаще проявляется в физической реальности. Этот переход к так называемому физическому ИИ — воплощенному интеллекту — не только знаменует собой технологический скачок, но и потенциально предвещает следующую промышленную революцию, поскольку абстрактные алгоритмы становятся действующими системами, которые напрямую взаимодействуют с нашим трехмерным миром.

Экономический масштаб этой трансформации поражает воображение: по прогнозам, мировой рынок физического ИИ вырастет с примерно 5,41 миллиарда долларов в 2025 году до 61,19 миллиарда долларов к 2034 году. Параллельно с этим, вся сфера ИИ расширяется с аналогичной скоростью, что свидетельствует о глубоком структурном сдвиге в том, как предприятия, отрасли и общества будут взаимодействовать с автоматизацией и интеллектом в будущем.

Однако физический ИИ — это больше, чем просто реализация алгоритмов в роботах. В то время как классический ИИ для роботов часто опирается на жесткие системы, запрограммированные для решения конкретных задач, физический ИИ представляет собой целостный подход. Он основан на обобщаемых базовых моделях, которые формируют фундаментальные знания о мире и позволяют всесторонне понимать окружающую среду — развитие, ведущее от централизованных облачных архитектур к децентрализованному, локально управляемому периферийному ИИ.

Это новое поколение систем, часто называемых автономным физическим ИИ или воплощенным ИИ, преодолевает ограничения цифрового ИИ, соединяя цифровое и физическое пространства с помощью сложных сенсорных сетей, обработки данных в реальном времени и возможностей автономного принятия решений. В основе лежит разработка машин, которые не только выполняют команды, но и понимают реальный мир и могут гибко реагировать на непредвиденные вызовы — от автономного управления человекоподобными роботами на заводах до точных сельскохозяйственных технологий в поле. Это развитие в значительной степени обусловлено моделями «зрение-язык-действие» (VLA) и физическими симуляциями в цифровых двойниках, которые обеспечивают безопасную и масштабируемую генерацию данных для обучения этих роботизированных систем.

Когда машины научатся думать и взаимодействовать с миром — почему слияние цифрового и физического миров открывает путь к следующей промышленной революции.

Развитие искусственного интеллекта достигло решающего поворотного момента. После десятилетий, в течение которых системы ИИ работали исключительно в цифровой сфере, ограничиваясь обработкой данных и генерацией текста, изображений или анализом, в настоящее время происходит фундаментальная трансформация. Искусственный интеллект выходит из своей виртуальной клетки и все больше проявляется в физической реальности. Это развитие знаменует собой переход от чисто цифрового к воплощенному интеллекту, от абстрактных алгоритмов к действующим системам, способным напрямую вмешиваться в наш трехмерный мир.

Прогнозы рынка и экономический аспект

Глобальный рынок физического искусственного интеллекта наглядно демонстрирует масштаб этой трансформации. Оцениваемый в 5,41 миллиарда долларов в 2025 году, этот рынок, как ожидается, вырастет до 61,19 миллиарда долларов к 2034 году, что соответствует среднегодовому темпу роста в 31,26 процента. Другие аналитики прогнозируют еще более динамичный рост, оценивая рынок от 3,78 миллиарда долларов в 2024 году до 67,91 миллиарда долларов к 2034 году, что будет соответствовать годовому темпу роста в 33,49 процента. Эти впечатляющие цифры отражают не просто технологическую тенденцию, но и указывают на структурный сдвиг в том, как предприятия, отрасли и общество взаимодействуют с автоматизацией и интеллектом.

Параллельно с этим рынок автономных систем искусственного интеллекта расширяется с аналогичной скоростью. По прогнозам, глобальный рынок автономных систем ИИ вырастет на 18,4 миллиарда долларов в период с 2025 по 2029 год, что соответствует среднегодовому темпу роста в 32,4 процента. Прогнозы для всего рынка искусственного интеллекта рисуют еще более широкую картину: с 294,16 миллиарда долларов в 2025 году до 1 771,62 миллиарда долларов к 2033 году. Эти цифры показывают, что ИИ перестал быть просто инструментом для оптимизации существующих процессов и превращается в фундаментальный двигатель экономической трансформации.

От облака к периферии: смена парадигмы.

Различие между физическим ИИ и классическим роботизированным ИИ на первый взгляд кажется незначительным, но при более внимательном рассмотрении оказывается парадигматическим для понимания современной технологической революции. Обе концепции работают на стыке цифрового интеллекта и физического воплощения, однако их подходы, возможности и потенциал принципиально различаются. В то время как традиционный роботизированный ИИ опирается на специализированные системы, запрограммированные для решения конкретных задач, физический ИИ представляет собой целостный подход, основанный на обобщаемых базовых моделях, позволяющих осуществлять фундаментальное восприятие мира в физическом контексте.

Сближение этих двух путей развития приводит к появлению нового поколения систем, известных как автономный физический ИИ. Эти системы сочетают в себе демократизацию высокопроизводительного ИИ с использованием моделей с открытым исходным кодом и интеграцию искусственного интеллекта в физические системы, которые могут работать автономно, децентрализованно и независимо от централизованных облачных инфраструктур. Это развитие знаменует собой структурный сдвиг от централизованной облачной архитектуры к децентрализованной, локально управляемой инфраструктуре ИИ.

Концептуальные различия и основы

Разграничение физического ИИ, роботизированного ИИ и связанных с ними концепций требует точного концептуального уточнения, поскольку в современных дискуссиях часто происходит смешение понятий, что затрудняет понимание их специфики. Концептуальные основы этих технологий коренятся в разных научных традициях и преследуют, в некоторых случаях, расходящиеся цели.

В классическом понимании, искусственный интеллект в роботах — это внедрение искусственного интеллекта в физические машины, запрограммированные на автоматическое выполнение определенных задач. Робот представляет собой аппаратную часть — физическую машину с датчиками, исполнительными механизмами и механическими компонентами. Искусственный интеллект функционирует как программное обеспечение, основанное на алгоритмах и машинном обучении, обеспечивая автономное принятие решений и обработку данных. В отличие от роботов, сам ИИ не имеет физического присутствия, а существует исключительно в программной форме. Важный момент заключается в том, что, хотя ИИ может быть внедрен в роботов для расширения их возможностей, это не является обязательным.

Ограничения классической промышленной робототехники

Традиционные промышленные роботы часто работают полностью без искусственного интеллекта, выполняя повторяющиеся процессы посредством жесткого точечного программирования. Эти системы представляют собой машины, которые перемещаются из одной точки в другую, подчиняясь заранее определенным командам, не имея возможности самостоятельно интерпретировать их. Это делает процессы жесткими и негибкими. Использование искусственного интеллекта, наконец, позволяет роботам использовать глаза в виде 3D-камер, «видеть» объекты и применять локальный интеллект для создания собственных планов движения и манипулирования объектами без точного точечного программирования.

Физический ИИ: это больше, чем просто программирование.

Физический ИИ значительно выходит за рамки этого концептуального определения. Этот термин описывает интеграцию ИИ в такие системы, как автомобили, дроны или роботы, позволяя ИИ взаимодействовать с реальным физическим миром. Физический ИИ смещает акцент с автоматизации повторяющихся задач на большую автономность системы. Это открывает новые области применения и расширяет рыночный потенциал. Под физическим ИИ подразумеваются системы ИИ, которые понимают реальный мир и взаимодействуют с ним, используя двигательные навыки, что часто встречается в автономных машинах, таких как роботы, беспилотные автомобили и интеллектуальные пространства.

В отличие от традиционного ИИ, работающего исключительно в цифровой среде, физический ИИ преодолевает разрыв между цифровым и физическим миром благодаря сложным сенсорным сетям, обработке данных в реальном времени и возможностям автономного принятия решений. Эта технология позволяет машинам наблюдать за окружающей средой с помощью датчиков, обрабатывать эту информацию с помощью ИИ и выполнять физические действия с помощью исполнительных механизмов. Фундаментальное отличие заключается в том, что физический ИИ непрерывно собирает данные из физической среды одновременно с помощью множества датчиков, тем самым формируя всестороннее понимание окружающей среды.

Воплощенный ИИ: интеллект через взаимодействие

Воплощенный ИИ, или искусственный интеллект, — это недавнее направление в исследованиях ИИ, основанное на теории воплощения. Эта теория предполагает, что интеллект следует понимать в контексте поведения физических агентов в реальном физическом и социальном мире. В отличие от классического машинного обучения в робототехнике, воплощенный ИИ охватывает все аспекты взаимодействия и обучения в окружающей среде: от восприятия и понимания до мышления, планирования и, в конечном итоге, выполнения или управления.

Ранние исследования в области ИИ рассматривали мыслительные процессы как абстрактное манипулирование символами или вычислительные операции. Основное внимание уделялось алгоритмам и компьютерным программам, а аппаратная часть считалась в значительной степени неактуальной. Родни Брукс, австралийский учёный в области компьютерных наук и когнитивной психологии, был одним из первых, кто коренным образом оспорил эту точку зрения. В своей влиятельной лекции он раскритиковал распространенную в то время практику разработки систем ИИ с использованием подхода «сверху вниз», который фокусировался на имитации человеческих способностей к решению проблем и рассуждению.

Брукс утверждал, что модели интеллекта, разработанные в рамках традиционных исследований в области ИИ, которые в значительной степени зависели от работы доступных в то время компьютеров, практически не имели ничего общего с принципами работы интеллектуальных биологических систем. Это очевидно из того факта, что большинство действий, которыми люди занимаются в повседневной жизни, не являются ни решением проблем, ни планированием, а представляют собой рутинное поведение в относительно благоприятной, но при этом очень динамичной среде. Подобно тому, как человеческое обучение основано на исследовании и взаимодействии с окружающей средой, воплощенные агенты должны совершенствовать свое поведение посредством опыта.

Воплощенный ИИ преодолевает ограничения цифрового ИИ, взаимодействуя с реальным миром посредством физических систем ИИ. Он призван преодолеть разрыв между цифровым ИИ и реальными приложениями. Для воплощенного интеллектуального агента решающую роль играют его физическая структура и свойства, сенсорные возможности и варианты действий. Интеллект не должен существовать изолированно, а должен проявляться через разнообразное, мультимодальное взаимодействие с окружающей средой.

Генеративные модели и моделирование реальности

Генеративный физический ИИ расширяет возможности существующих моделей генеративного ИИ, добавляя способность понимать пространственные отношения и физические процессы в нашем трехмерном мире. Это расширение становится возможным благодаря интеграции дополнительных данных в процесс обучения ИИ, данных, содержащих информацию о пространственных структурах и физических законах реального мира. Модели генеративного ИИ, такие как языковые модели, обучаются на больших объемах текстовых и графических данных и впечатляют своей способностью генерировать человекоподобный язык и разрабатывать абстрактные понятия. Однако их понимание физического мира и его правил ограничено; им не хватает пространственного контекста.

Генерация данных на основе физических принципов начинается с создания цифрового двойника, например, завода. В это виртуальное пространство интегрируются датчики и автономные машины, такие как роботы. Затем запускаются сценарии реального мира на основе физических симуляций, где датчики фиксируют различные взаимодействия, такие как динамика твердых тел (например, движения и столкновения) или взаимодействие света с окружающей средой. Эта технология вознаграждает физические модели ИИ за успешное выполнение задач в симуляции, позволяя им постоянно адаптироваться и совершенствоваться.

Благодаря многократному обучению автономные машины учатся адаптироваться к новым ситуациям и непредвиденным вызовам, готовясь к применению в реальном мире. Со временем они развивают сложные навыки мелкой моторики для практического использования, например, для точной упаковки коробок, поддержки производственных процессов или автономной навигации в сложных условиях. До сих пор автономные машины не могли в полной мере воспринимать и интерпретировать окружающую среду. Генеративный физический искусственный интеллект теперь позволяет разрабатывать и обучать роботов, которые могут беспрепятственно взаимодействовать с реальным миром и гибко адаптироваться к меняющимся условиям.

Технологическая архитектура и функциональность

Технологическая основа физического ИИ и передовых роботизированных систем ИИ базируется на взаимодействии нескольких ключевых технологий, которые только в сочетании позволяют достичь впечатляющих возможностей современных автономных систем. Эта архитектура принципиально отличается от традиционных решений в области автоматизации своей способностью к обобщению, непрерывному обучению и адаптации к неструктурированной среде.

В основе этой технологической революции лежат базовые модели — крупные, предварительно обученные системы искусственного интеллекта, которые с 2021 года служат общим термином для обозначения современных распространенных крупных систем ИИ. Эти модели первоначально проходят интенсивное обучение на огромных массивах данных, а затем могут быть адаптированы к широкому спектру задач посредством относительно небольшого специализированного обучения, известного как тонкая настройка. Это предварительное обучение позволяет базовым моделям не только понимать язык, но, что более важно, развивать обширные знания о мире, а также логически мыслить, рассуждать, абстрагироваться и в определенной степени планировать.

Эти свойства делают базовые модели особенно подходящими для управления роботами — область, которая интенсивно исследуется уже около трех лет и в настоящее время ведет к революции в робототехнике. Благодаря этим свойствам такие модели значительно превосходят традиционный, специализированный искусственный интеллект в робототехнике. По этим причинам использование подходящих базовых моделей в качестве «мозга» роботов представляет собой прорыв и впервые открывает путь к разработке по-настоящему интеллектуальных, практически полезных и, следовательно, универсально применимых роботов.

Визуально-языковые модели (VLA): Мозг робота

В отличие от стандартных базовых моделей, которые не разработаны и не оптимизированы для робототехники и ее специфических требований, базовые модели для робототехники дополнительно обучаются на наборах данных, используемых в робототехнике, и имеют специфические архитектурные адаптации. Эти модели, как правило, представляют собой модели «зрение-язык-действие» (SNA), которые обрабатывают речевые данные, а также изображения и видеоданные с камер в качестве входных данных и обучаются непосредственно выдавать действия — то есть команды движения для суставов и приводов робота.

Ключевым этапом в этом развитии стала разработка Google DeepMind RT-2 в середине 2023 года, которая в строгом смысле слова представляет собой первую виртуальную лопасть робота (VLA). К современным моделям относятся открытая OpenVLA, выпущенная в 2024 году, а также другие передовые системы. Архитектура этих моделей чрезвычайно сложна и обычно включает в себя визуальный кодировщик, преобразующий изображения с камеры в числовые представления, большую языковую модель в качестве ядра для рассуждений и планирования, а также специализированные декодеры действий, генерирующие непрерывные команды для робота.

Воплощенное мышление: понимание и действие

Ключевым аспектом современных физических систем искусственного интеллекта является их способность к воплощенному мышлению — умение моделей понимать физический мир и способы взаимодействия с ним. Воплощенное мышление охватывает набор знаний о мире, включающий фундаментальные понятия, критически важные для функционирования и действий в мире, по своей сути являющемся физическим телом. Это возможность моделей визуального языка (VLM) и не обязательно ограничивается робототехникой. Проверка воплощенного мышления заключается в простом предъявлении VLM изображений.

Классические задачи компьютерного зрения, такие как распознавание объектов и сопоставление нескольких ракурсов, относятся к воплощенному мышлению. Все эти задачи выражаются в виде речевых подсказок. Воплощенное мышление также может быть проверено с помощью визуальных ответов на вопросы. Эти вопросы проверяют понимание, необходимое для взаимодействия с окружающей средой. В дополнение к общему физическому мышлению, системы могут использовать знания об окружающем мире для принятия решений. Например, робота могут попросить принести полезную закуску из кухни, и знания об окружающем мире в системе управления виртуальной жизнью (VLM) будут использованы для определения того, как выполнить эту неоднозначную команду.

Для робототехнических приложений крайне важно использовать это понимание для выполнения осмысленных действий в реальном мире. Это означает преобразование высокоуровневого понимания в точные команды управления через аппаратные API робота. Каждый робот имеет свой собственный интерфейс, и знания о том, как управляется робот, отсутствуют в виртуальных моделях роботов (VLM). Задача состоит в расширении больших, предварительно обученных моделей таким образом, чтобы они могли выдавать непрерывные действия для конкретных версий роботов, сохраняя при этом ценные возможности VLM.

Инновационным решением этой задачи является архитектура Action Expert — модель трансформера с тем же количеством слоев, но меньшими размерами эмбеддингов и шириной MLP. Головы механизма внимания и размер эмбеддинга для каждой головы должны соответствовать основной модели, чтобы допускать использование префиксных токенов в механизме внимания. Во время обработки суффиксные токены проходят через трансформер Action Expert, включая KV-эмбеддинги из префикса, которые вычисляются один раз, а затем кэшируются.

Ключевые технологии: моделирование, периферийный ИИ и трансферное обучение.

Реализация физического ИИ основана на взаимодействии трех ключевых технологий. Во-первых, реалистичные симуляции в виде цифровых двойников позволяют точно отображать процессы, потоки материалов и взаимодействия, что имеет решающее значение для автономного обучения роботов. Во-вторых, аппаратное обеспечение периферийного ИИ обеспечивает локальную работу систем ИИ на роботе, например, с помощью компактных систем на базе графических процессоров. В-третьих, передовые технологии компьютерного зрения позволяют системам визуального распознавания идентифицировать различные объекты, формы и вариации.

Обучение роботов происходит, когда модели ИИ обучаются в симуляциях, а их знания переносятся на физических роботов. Трансферное обучение значительно ускоряет адаптацию к новым задачам. Анализ данных в реальном времени с помощью таких платформ, как Microsoft Fabric, позволяет анализировать данные процесса, выявлять узкие места и разрабатывать стратегии оптимизации. Реальность и машина виртуально воссоздаются со всеми их естественными законами и характеристиками. Затем этот цифровой двойник учится, например, с помощью обучения с подкреплением, точно, как двигаться без столкновений, как выполнять желаемые движения и как реагировать на различные смоделированные сценарии.

Искусственный интеллект может тестировать бесчисленное множество ситуаций без риска повреждения физического робота. Полученные данные затем передаются реальному роботу после того, как цифровой двойник достаточно изучит информацию. Роботы, оснащенные соответствующими системами ИИ, не просто выполняют жесткие программы, но и способны принимать решения и адаптироваться. Физический ИИ используется для того, чтобы дать роботам контекст и понимание ситуации. На практике это означает, что роботы с физическим ИИ могут осваивать процессы, которые являются изменчивыми и требуют адаптивности.

Данные как топливо: вызовы и решения.

Еще один важнейший аспект заключается в генерации данных для обучения этих систем. Хотя VLM-системы обучаются на триллионах токенов интернет-данных, можно достичь сопоставимого количества токенов и с помощью данных робототехники. Open X-Embodiment содержит 2,4 миллиона эпизодов. Предполагая 30 секунд на эпизод, частоту дискретизации кадров 30 Гц и приблизительно 512 токенов зрения на кадр, можно достичь более триллиона токенов. Эта коллективная работа 21 академического и промышленного учреждения объединяет 72 различных набора данных от 27 различных роботов и охватывает 527 возможностей в рамках 160 266 задач.

Стандартизация данных от различных типов роботов с разными датчиками и рабочими пространствами в единый формат представляет собой огромную техническую проблему, но имеет решающее значение для разработки обобщаемых моделей. Модели World Foundation Models используются для генерации или воспроизведения масштабируемых обучающих данных для базовых моделей робототехники, поскольку относительная нехватка релевантных для робототехники обучающих данных в настоящее время является самым большим препятствием на пути их разработки.

Воспользуйтесь преимуществами обширного пятистороннего опыта Xpert.Digital в комплексном пакете услуг | НИОКР, XR, PR и оптимизация цифровой видимости — Изображение: Xpert.Digital

Xpert.Digital обладает глубокими знаниями различных отраслей. Это позволяет нам разрабатывать индивидуальные стратегии, которые точно соответствуют требованиям и задачам вашего конкретного сегмента рынка. Постоянно анализируя тенденции рынка и следя за развитием отрасли, мы можем действовать дальновидно и предлагать инновационные решения. Благодаря сочетанию опыта и знаний мы создаем добавленную стоимость и даем нашим клиентам решающее конкурентное преимущество.

Подробнее об этом здесь:

• Используйте 5-кратный опыт Xpert.Digital в одном пакете — всего от 500 евро в месяц

От интеллектуального сельского хозяйства к интеллектуальной розничной торговле: где физический ИИ уже меняет представление о создании ценности – Изображение: Xpert.Digital

Области применения в конкретных отраслях и рыночный потенциал

Практическое внедрение физического ИИ и передовых роботизированных систем ИИ разворачивается в широком спектре отраслей и сценариев использования, при этом каждый сектор имеет свои специфические требования, проблемы и потенциал. Анализ различных рынков ясно показывает, что универсальный подход не является оптимальным для всех отраслей; скорее, специфические характеристики каждой отрасли определяют, какая форма интеллектуальной автоматизации принесет наибольшую выгоду.

Использование физического ИИ особенно заметно в промышленном производстве. Автомобильная промышленность находится в авангарде этой трансформации. BMW стала первым автопроизводителем, протестировавшим человекоподобных роботов в серийном производстве, в частности, Figure 02 на своем заводе в Спартанбурге, США. В отличие от Tesla Optimus, который в основном оставался на стадии концепции, управляемый ИИ Figure 02 уже берет детали из листового металла с полки и помещает их в станок — задача, которая традиционно выполнялась людьми на автомобильных заводах.

BMW и Figure AI планируют совместно изучать такие технологические темы, как искусственный интеллект, управление роботами, виртуализация производства и интеграция роботов. Автомобильная промышленность, а следовательно, и производство автомобилей, быстро развивается. Использование универсальных роботов потенциально может повысить производительность, удовлетворить растущие потребности клиентов и позволить командам сосредоточиться на предстоящих изменениях. Долгосрочная цель — освободить заводских рабочих от эргономически сложных и утомительных задач.

Промышленная автоматизация выигрывает от использования физического ИИ благодаря сочетанию цифровых двойников, периферийного ИИ и робототехники, что переосмысливает автоматизацию. В производстве так называемые «живые двойники» — цифровые модели, которые не только отображают, но и активно управляют процессами, — открывают новые возможности. Они позволяют выявлять узкие места до того, как они станут критическими, тестировать новые процессы и оценивать варианты, а также проводить безопасное обучение автономных систем. В частности, в областях логистики 4.0 и интеллектуального складирования «живые двойники» повышают надежность планирования, отказоустойчивость и скорость реагирования.

Логистика 4.0: Цифровые двойники на практике.

Пример компании KION Group наглядно демонстрирует, как физический ИИ может поддерживать реальную складскую логистику. KION, Accenture и NVIDIA совместно разрабатывают решение, в котором интеллектуальные роботы обучаются исключительно в цифровой модели склада. Там роботы изучают такие процессы, как погрузка и разгрузка, комплектация заказов и переупаковка, прежде чем быть развернутыми на реальном складе. Система основана на платформе моделирования NVIDIA Omniverse. Кроме того, для поддержки параллельного моделирования целых систем и роботизированных парков используется NVIDIA Mega — платформа в рамках Omniverse, специально разработанная для промышленных приложений.

Преимущества очевидны в нескольких аспектах. Моделирование типичных складских процессов значительно снижает количество ошибок в реальных операциях. Обучение безопасно, ускорено и не требует реальных ресурсов. После успешного обучения роботы берут на себя выполнение реальных задач, управляемых в режиме реального времени искусственным интеллектом, работающим непосредственно на роботе. Кроме того, цифровые двойники позволяют осуществлять упреждающее стратегическое планирование, давая компаниям возможность заранее виртуально тестировать и оптимизировать различные схемы размещения, уровни автоматизации и конфигурации персонала, не нарушая текущие операции.

Логистическая и транспортная отрасль переживает всестороннюю трансформацию благодаря искусственному интеллекту. ИИ применяется в различных областях логистики. Для прогнозирования спроса и планирования продаж 62% компаний используют поддержку ИИ, 51% применяют ИИ для оптимизации производства и 50% — для оптимизации транспортировки. Области применения варьируются от распознавания различных этикеток опасных материалов и различения объектов без серийных номеров или этикеток до анализа данных датчиков о деятельности и перемещениях.

Системы искусственного интеллекта могут прогнозировать время прибытия транспорта, используя данные из множества источников, и составлять прогнозы продаж на основе многомерных данных из цепочек поставок и общедоступных источников. Они планируют перерывы сотрудников, используя данные о жизненно важных показателях, движении и работе оборудования, обеспечивают автоматизированное планирование загрузки с помощью сверточных нейронных сетей и отслеживают выбор вида транспорта для постепенного выявления более эффективных решений. Взаимодействие человека и машины улучшается благодаря обученным голосовым роботам, а транспортные роботы используют оптические шаблоны для позиционирования и ориентации.

Здравоохранение: точность и помощь

Здравоохранение представляет собой особенно сложную, но многообещающую область применения. Более 40 процентов медицинских работников в Германии используют технологии с поддержкой ИИ в своих учреждениях или клиниках. В повседневной медицинской практике это означает, что радиологические отделения используют ИИ для анализа изображений, или приложения для проверки симптомов с поддержкой ИИ используются для предварительной диагностики. Ключевое применение ИИ заключается в автоматизированном анализе медицинских записей. ИИ может помочь врачам в постановке диагнозов, поскольку он использует и анализирует огромный объем существующих данных — значительно больше, чем врач может накопить за всю свою карьеру.

В немецкой системе здравоохранения используются три типа роботов: терапевтические роботы, роботы для ухода и хирургические роботы. Терапевтические роботы могут самостоятельно направлять выполнение упражнений, а роботы для ухода оказывают поддержку медицинским работникам. Хирургические роботы могут самостоятельно делать разрезы и помогать хирургам. Их использование необходимо для некоторых малоинвазивных процедур. Робот da Vinci от Intuitive Surgical помогает хирургам выполнять точные малоинвазивные процедуры благодаря сочетанию управления со стороны хирурга и воплощенного искусственного интеллекта, который объединяет человеческую интуицию и роботизированную точность.

На рынке физического ИИ в здравоохранении доминируют хирургические роботы, особенно системы роботизированной хирургии, которые лидировали на рынке в 2024 году. В рамках робототехники ожидается, что нейрохирургический и ортопедический сегменты продемонстрируют самые высокие темпы роста в течение прогнозируемого периода. Помимо радиологии и патологии, приложения ИИ играют все более важную роль в диагностике и вмешательствах во всех медицинских специальностях. В персонализированной медицине ИИ поддерживает анализ биомаркеров.

Умное земледелие: искусственный интеллект в полевых условиях

Сельское хозяйство превращается в удивительно динамичную область для применения физического искусственного интеллекта. Почти половина всех ферм сейчас использует ИИ. Наибольший потенциал наблюдается в прогнозировании климата и погоды, а также в планировании сбора урожая и производства, а также в прогнозировании урожайности. Решения для повседневной офисной работы также представляют интерес в качестве потенциальных вспомогательных средств. Сельское хозяйство является одним из пионеров искусственного интеллекта. Его использование становится все более необходимым из-за нагрузки, ложащейся на плечи управляющих фермами.

В ближайшие годы физический искусственный интеллект будет играть все более важную роль в сельском хозяйстве и пищевой промышленности. Ранее многие природные процессы было трудно понять, но теперь технологические достижения достигли такого уровня, что системы могут индивидуально реагировать на окружающую среду. Они адаптируются к существующему миру, а не требуют его перепроектирования. Современные фермеры все чаще работают в гибридном режиме, сочетая компьютерные технологии и ручную работу в поле. На полях и в амбарах используются различные технологии для измерения данных и оптимизации процессов.

Изменение климата и неуклонный рост населения создают огромные проблемы для современного сельского хозяйства. Для эффективного решения этих глобальных проблем целенаправленное использование физического искусственного интеллекта на фермах всех размеров может внести решающий вклад. Вопреки широко распространенному мнению о том, что такие технологии подходят только для крупных ферм, малые предприятия, в частности, могут получить значительную выгоду от их преимуществ. Использование компактных машин, таких как интеллектуальные роботизированные газонокосилки или автоматизированные прополочные машины, позволяет им повысить эффективность и выполнять задачи, для которых в настоящее время на рынке труда больше нет рабочей силы.

Технологии распознавания изображений и датчики могут помочь гораздо точнее применять пестициды, а в некоторых случаях даже полностью исключить их использование. Это приносит не только экономические, но и экологические выгоды. Проект Agri-Gaia, финансируемый Федеральным министерством экономики и энергетики Германии, создает открытую инфраструктуру для обмена алгоритмами искусственного интеллекта в сельском хозяйстве. Партнеры проекта из ассоциаций, исследовательских институтов, политических кругов и промышленности под руководством Немецкого исследовательского центра искусственного интеллекта (DFKI) разрабатывают цифровую экосистему для преимущественно малых и средних предприятий (МСП) в сельскохозяйственном и пищевом секторе на основе европейской облачной инициативы Gaia-X.

Розничная торговля: конец очереди

Розничная торговля переживает фундаментальную трансформацию в сфере обслуживания клиентов и повышения операционной эффективности благодаря физическому и основанным на ИИ системам. Розничные продавцы могут использовать ИИ для более точного прогнозирования спроса на конкретные товары в разных регионах, получая доступ к данным о других товарах, данным магазинов со схожей демографической структурой, а также данным сторонних источников, таким как погода и уровень доходов, и анализируя их. Недавно одна из аптек страны использовала ИИ для отслеживания и прогнозирования спроса на конкретную вакцину, опираясь на общенациональные тенденции, сообщаемые федеральному правительству.

Розничные продавцы объединяют искусственный интеллект с видео- и сенсорными данными, чтобы исключить кассовые зоны, позволяя покупателям брать товары с полок, складывать их в корзины и покидать магазин, не стоя в очереди. Устранение очередей и систем касс позволяет использовать больше площади для размещения товаров. Одна национальная сеть супермаркетов использует ИИ для визуального сканирования и расчета стоимости товаров с неразборчивыми штрих-кодами. Благодаря сочетанию ИИ, видеокамер и полок с датчиками, розничные продавцы могут лучше понимать поток покупателей в своих магазинах и увеличивать продажи на квадратный метр.

Технология выявляет товары, на которых покупатели не задерживаются, и рекомендует розничным продавцам заменить их более привлекательными товарами. Искусственный интеллект также может генерировать целевые рекламные предложения для конкретных товаров на мобильных устройствах покупателей, когда они находятся в нужном магазине. Эта технология также позволяет розничным продавцам лучше комплектовать свои товары. Такие бренды, как Zara, используют дисплеи дополненной реальности в своих магазинах, чтобы покупатели могли виртуально примерять одежду. Продуктовые ритейлеры, такие как Amazon Fresh, уделяют особое внимание бесконтактной оплате и цифровым спискам покупок, привязанным к физическим полкам.

Строительство: повышение эффективности за счет цифрового планирования

Строительная отрасль традиционно недостаточно оцифрована, но все больше выигрывает от применения искусственного интеллекта. ИИ, наряду с другими подходами к цифровизации, такими как информационное моделирование зданий (BIM), Интернет вещей (IoT) и робототехника, позволяет повысить эффективность на всех этапах производственной цепочки, от производства строительных материалов и проектирования до планирования, строительства, эксплуатации и технического обслуживания. Генеративная система геометрического проектирования создает и оценивает множество вариантов дизайна на основе измеримых показателей, таких как комфорт, энергоэффективность и дизайн рабочего пространства.

Методы искусственного интеллекта позволяют значительно быстрее рассматривать и оценивать гораздо больше параметров и вариантов. Анализ текста на основе ИИ может автоматически оценивать наборы правил. Это включает в себя использование систем, основанных на правилах, в сочетании с анализом текста на основе ИИ. Информация о здании, такая как размеры, материалы и технические системы, извлекается, анализируется и автоматически сравнивается с наборами правил, основанных на тексте. Использование прогностических моделей на основе ИИ на ранних этапах проектирования позволяет быстро и точно оценивать потребность в энергии.

Применение ИИ в строительстве достаточно развито, и некоторые методы уже используются. Методы машинного обучения могут помочь в планировании строительства, модернизации строительных процессов и поддержке различных задач. Роботы могут не только транспортировать объекты, но и красить стены, производить замеры или сварку. Камеры и другие датчики обнаруживают препятствия. Изображения и облака точек, полученные вручную или с помощью автономных систем, также служат для контроля качества во время строительства. Нейронные сети обучаются проверять качество поверхности и обнаруживать повреждения или изменение цвета.

Наш опыт в развитии бизнеса, продажах и маркетинге в ЕС и Германии - Изображение: Xpert.Digital

Отраслевые направления: B2B, цифровизация (от искусственного интеллекта до расширенной реальности), машиностроение, логистика, возобновляемые источники энергии и промышленность

Подробнее об этом здесь:

• Xpert Business Hub

Тематический центр с идеями и опытом:

• Платформа знаний о мировой и региональной экономике, инновациях и отраслевых тенденциях
• Сбор анализов, импульсов и справочной информации из наших приоритетных направлений
• Место для получения экспертных знаний и информации о текущих событиях в бизнесе и технологиях
• Тематический центр для компаний, желающих узнать больше о рынках, цифровизации и отраслевых инновациях

От пилотного проекта до миллиардного рынка: как физический ИИ преобразует промышленность, логистику и производство к 2030 году – Изображение: Xpert.Digital

Вызовы, риски и нормативно-правовая база

Быстрое развитие физического ИИ и передовых роботизированных систем ИИ сопровождается множеством технических, этических, правовых и социальных проблем, которые необходимо решить для ответственного и устойчивого внедрения. Эти проблемы варьируются от фундаментальных технических ограничений и вопросов защиты и безопасности данных до сложных этических вопросов, которые коренным образом влияют на взаимоотношения между человеком и машиной.

Технические ограничения по-прежнему представляют собой существенное препятствие для широкого внедрения физического ИИ. Несмотря на значительный прогресс, физические ограничения, такие как мобильность, управление энергией и мелкая моторика, остаются ключевыми проблемами. Недавние эксперименты с роботизированными пылесосами, оснащенными передовыми языковыми моделями, подчеркивают сложность и ограничения этой технологии в реальных условиях. Одна исследовательская группа провела эксперимент, в котором роботизированные пылесосы были оснащены различными языковыми моделями. Основной задачей для этих роботов было найти кусок масла в другой комнате и доставить его человеку, который мог изменить их местоположение.

Эта, казалось бы, простая задача представляла собой серьёзные трудности для роботов, управляемых искусственным интеллектом. Роботы были способны двигаться, стыковаться с зарядными станциями, общаться через Slack и делать фотографии. Несмотря на эти возможности, ни один из протестированных роботов-манипуляторов не достиг показателя успешности доставки масла, превышающего 40 процентов. Основные причины неудач заключались в трудностях с пространственным мышлением и недостаточном осознании собственных физических ограничений. Одна из моделей даже диагностировала у себя травму из-за вращательных движений и бинарный кризис идентичности.

Эти реакции, хотя и генерируются неживой системой, подчеркивают потенциальные проблемы разработки ИИ, предназначенного для работы в сложных реальных условиях. Крайне важно, чтобы высокоэффективные модели ИИ сохраняли спокойствие под давлением, чтобы принимать обоснованные решения. Это поднимает вопрос о том, как можно избежать или управлять подобными стрессовыми реакциями в будущих системах ИИ, чтобы обеспечить надежное и безопасное взаимодействие. Хотя аналитический интеллект в моделях с низкой степенью свободы (LLM) демонстрирует впечатляющий прогресс, практический интеллект, особенно в отношении пространственного понимания и управления эмоциями, все еще отстает.

Защита данных, кибербезопасность и правовые рамки

Защита данных и кибербезопасность представляют собой фундаментальные проблемы. Законы о защите данных и конфиденциальности имеют решающее значение для обеспечения этичного и безопасного обращения с персональными данными. Одной из важнейших правовых рамок является Общий регламент по защите данных (GDPR), принятый Европейским союзом в 2018 году. GDPR устанавливает строгие правила сбора, обработки, хранения и передачи персональных данных.

Основные принципы GDPR включают законность, справедливость и прозрачность. Эти принципы требуют четкого указания того, какие данные собираются и зачем, чтобы обеспечить справедливое использование данных без ущерба для какой-либо группы. Ограничение цели требует, чтобы данные собирались для определенных, явных и законных целей и не обрабатывались далее способом, несовместимым с этими целями. Минимизация данных требует, чтобы собирались и обрабатывались только данные, необходимые для достижения предполагаемой цели. Точность требует, чтобы персональные данные были точными и актуальными, а ограничение срока хранения требует, чтобы данные хранились только до тех пор, пока это необходимо для достижения предполагаемой цели.

Целостность и конфиденциальность данных требуют их безопасной обработки для защиты от несанкционированной или незаконной обработки и случайной потери. Ответственность требует от организаций возможности продемонстрировать соответствие этим принципам защиты данных. Недавно принятый закон ЕС об искусственном интеллекте основывается на GDPR и классифицирует системы ИИ в зависимости от уровня риска. К запрещенным системам ИИ относятся те, которые классифицируют людей на основе биометрических данных для получения определенных типов конфиденциальной информации.

Исследователи в области безопасности обнаружили уязвимости в роботизированных системах, которые могут позволить манипулировать устройствами или получить доступ к конфиденциальным данным. К таким уязвимостям относятся незащищенные обновления прошивки, незашифрованные пользовательские данные на устройствах и недостатки в защите PIN-кода для удаленного доступа к камере. Подобные недостатки подрывают доверие к сертификации производителей и подчеркивают необходимость надежных мер безопасности. Исследователи предлагают разрабатывать системы машинного распознавания изображений, которые остаются нечитаемыми для человека, но предоставляют роботам достаточно информации для навигации, чтобы предотвратить неправомерное использование конфиденциальных данных.

Закон ЕС об искусственном интеллекте и гармонизированные стандарты

Нормативно-правовая база для ИИ и робототехники быстро меняется. Закон ЕС об ИИ — это первая в мире всеобъемлющая правовая основа для искусственного интеллекта, базирующаяся на риск-ориентированном подходе. Чем выше риск, тем больше и строже требований, которые необходимо соблюдать. Системы ИИ можно классифицировать как системы ИИ высокого риска из-за их значимости для безопасности. Системы ИИ высокого риска подлежат особым требованиям, включая исчерпывающую документацию со всей необходимой информацией о системе и ее назначении для оценки соответствия требованиям регулирующими органами, четкую и надлежащую информацию для оператора, надлежащие меры контроля со стороны человека, а также высокую надежность, кибербезопасность и точность.

Директива о машиностроении устанавливает требования безопасности для машин, включая автономные и сетевые системы. Она определяет саморазвивающееся поведение и автономные мобильные машины, но избегает термина «система искусственного интеллекта». Такой продукт, как хирургический робот, может находиться на пересечении нескольких нормативных актов, таких как Директива о медицинских изделиях, Директива о машиностроении и Директива об искусственном интеллекте, и все они имеют последствия для функциональной безопасности. Центральный вопрос: какой оптимальный набор мер по снижению рисков в отношении выхода на рынок, ответственности и ущерба репутации?

Гармонизированные стандарты определяют основные требования охраны труда и техники безопасности, установленные законодательными актами. В них описывается, какие технические правила и меры по управлению рисками могут быть использованы для выполнения этих основных требований. Соответствие этим стандартам свидетельствует о выполнении требований законов и нормативных актов. Система управления рисками, основанная на стандарте ISO/IEC 42001, имеет центральное значение. Этот стандарт для систем управления рисками в области искусственного интеллекта предоставляет структурированную основу для выявления, оценки и устранения рисков.

Этика, предвзятость и устойчивое развитие

Этические вопросы пронизывают все аспекты разработки и внедрения физического ИИ. Недостаточная подготовка данных может привести к нежелательным результатам. Предвзятость в наборах данных приводит к проблемам справедливости, увековечиванию социального неравенства и дискриминации меньшинств. Хуже того, существует риск того, что частная и конфиденциальная информация будет раскрыта через результаты работы модели и попадет в чужие руки. Перед обучением необходимо оценить, насколько существенно система повлияет на жизнь тех, кого она затронет. Необходимо определить, этически ли оправдано позволять системе ИИ принимать решения для данной задачи, и необходимо обеспечить наличие достаточных и репрезентативных данных для всех затронутых групп.

Проблемы также касаются энергоэффективности и устойчивого развития. Гуманоидные роботы и физические системы искусственного интеллекта требуют значительных затрат энергии как для работы, так и для обучения своих базовых моделей. Технологии батарей, ловкость рук, экономическая эффективность, масштабируемость и этичное управление остаются серьезными проблемами. Однако сочетание снижения стоимости оборудования, совершенствования ИИ и растущего дефицита рабочей силы создает идеальные условия для ускоренного внедрения.

Перспективы на будущее и стратегические последствия

Траектория развития физического искусственного интеллекта и передовых роботизированных систем искусственного интеллекта указывает на фундаментальное изменение промышленного и социального ландшафта в ближайшие годы. Сближение технологических прорывов, экономических потребностей и нормативно-правовой базы создает среду, которая ускоряет переход от экспериментальных пилотных проектов к широкому коммерческому внедрению.

Революция в робототехнике, основанная на базовых моделях, представляет собой один из наиболее значительных поворотных моментов. В настоящее время наблюдается бум в разработке человекоподобных роботов, управляемых базовыми моделями робототехники. В дополнение к автономному сквозному управлению роботами с использованием таких моделей, так называемые мировые базовые модели используются для генерации или воспроизведения масштабируемых обучающих данных для базовых моделей робототехники. Для некоторых пока ограниченных применений, таких как простые, повторяющиеся и утомительные ручные задачи в производстве и логистике, или, возможно, даже в виде бытовых роботов, роботы, управляемые базовыми моделями, могут стать доступны в течение следующих пяти лет. Далее, в среднесрочной и долгосрочной перспективе появятся более сложные и требующие больших усилий задачи.

Обобщение и управление автопарком

Разработка универсальных моделей ИИ для оптимизации роботизированных парков представляет собой перспективный способ преодоления фрагментации. Базовые модели предназначены для понимания и выполнения широкого спектра задач различными типами роботов. Они изучают общие концепции и модели поведения, а не переобучаются для каждой конкретной задачи. DeepFleet от Amazon и NavFoM от Galbot позволяют управлять разнородными роботизированными парками с помощью одной модели ИИ. NavFoM описывается как первая в мире кросс-функциональная, кросс-задачная базовая модель ИИ для навигации. Ее цель — обучить одну модель ИИ общей концепции движения, что позволяет использовать одну и ту же базовую модель для самых разных типов роботов, от колесных и человекоподобных роботов до дронов.

Развитие пространственного интеллекта с помощью мультимодальных моделей открывает новые горизонты. Серия SenseNova SI основана на устоявшихся мультимодальных базовых моделях и развивает надежный и мощный пространственный интеллект. Эти модели демонстрируют возникающие возможности обобщения, а тонкая настройка на конкретных подмножествах QA-вопросов преобразования 3D-изображения приводит к неожиданным преимуществам в переносе на смежные, но ранее не встречавшиеся задачи, такие как поиск пути в лабиринте. Расширенные возможности пространственного интеллекта открывают многообещающие возможности применения, особенно в области телесного манипулирования, где наблюдаются значительные улучшения показателей успешности даже без дальнейшей тонкой настройки.

Синтетические данные и момент ChatGPT в робототехнике

Модели Cosmos World Foundation от Nvidia представляют собой потенциальный прорыв для робототехники, подобный ChatGPT. Эти физические модели ИИ имеют решающее значение для того, чтобы роботы могли максимально реалистично практиковать взаимодействие с реальным миром в 3D-симуляциях. Разработка таких физических моделей ИИ обходится дорого и требует огромных объемов данных из реального мира и обширного тестирования. Модели Cosmos World Foundation предлагают разработчикам простой способ генерации огромных объемов фотореалистичных, основанных на физических принципах синтетических данных для обучения и оценки существующих моделей.

Инвестиционный цикл в области физического ИИ до 2030 года указывает на значительные притоки капитала. Рыночные прогнозы указывают на сильный рост до 2030 года, при этом расходы, вероятно, достигнут от 60 до 90 миллиардов долларов в 2026 году, а общие пятилетние расходы составят от 0,4 до 0,7 триллиона долларов. Лидером является производство, за ним следует логистика, а сфера услуг расширяется по мере совершенствования инструментов. По оценкам ABI Research, глобальный рынок робототехники составит 50 миллиардов долларов в 2025 году и, по прогнозам, достигнет примерно 111 миллиардов долларов к 2030 году, при среднегодовом темпе роста около 15%.

Физический ИИ трансформирует производство, прогнозируемый рост которого к 2030 году составит 23 процента. Объем мирового рынка промышленного ИИ достиг 43,6 миллиарда долларов в 2024 году и, как ожидается, будет расти на 23 процента в год до 2030 года, чему будет способствовать применение физического ИИ в производстве. Это развитие знаменует собой отход от традиционной автоматизации, основанной на жестких, предварительно запрограммированных роботах. Современный физический ИИ объединяет системы машинного зрения, тактильные датчики и адаптивные алгоритмы, позволяя машинам справляться с непредсказуемыми задачами.

Необходимость внедрения физического ИИ возникает в критический момент, когда геополитическая напряженность и сбои в цепочках поставок усиливают потребность в гибком производстве. Достижения в области промышленной робототехники переосмысливают автоматизацию и способствуют устойчивости и росту в секторах, страдающих от нехватки рабочей силы. На автомобильных заводах роботы с искусственным интеллектом и возможностью обучения в реальном времени выполняют задачи, которые ранее считались слишком сложными для машин, такие как адаптивная сварка или контроль качества в изменяющихся условиях. Прогнозируется, что этот сдвиг позволит снизить затраты до 20 процентов в условиях крупносерийного производства.

Экономические возможности для Германии и Европы

Стратегические последствия для немецких и европейских компаний значительны. Нехватка квалифицированных кадров особенно сильно сказывается на промышленности и логистике, в то время как спрос растет. Немецкая промышленность находится под давлением; дефицит квалифицированных кадров замедляет рост, растущая сложность требует быстрой адаптации, инвестиции в эффективность и устойчивость имеют важное значение, а повышение производительности является ключом к конкурентоспособности. Физический искусственный интеллект представляет собой возможность для Германии вернуться в авангард промышленности. Трансформация немецкой промышленности — это не вариант, а необходимость.

Развитие движется в направлении новой, фундаментальной физической модели, основанной на воплощенном интеллекте, которая потенциально будет доминировать в многомодальном направлении. В реальном мире все наполнено деталями, такими как контакт, трение и столкновение, которые трудно описать словами или изображениями. Если модель не может понять эти фундаментальные физические процессы, она не сможет делать надежные прогнозы о мире. Это будет иной путь развития, чем у основных языковых моделей.

Разработка мультимодального ИИ выходит за рамки обработки текста. Мультимодальные модели объединяют различные нейронные архитектуры, такие как графические преобразователи для визуального ввода, кодировщики речи для аудиоввода и большие языковые модели для логического мышления и генерации текста, в единую систему. Здравоохранение переходит к использованию сенсорного ввода, и мультимодальный ИИ способен сканировать голос, лицо и медицинские снимки пациента для выявления ранних признаков заболевания. Он не заменяет врачей, а лишь наделяет их сверхчеловеческим зрением.

Для реализации концепции бесперебойной работы физического ИИ в нашей среде необходимы дальнейшие исследования и разработки для обеспечения надежности и безопасности этих систем. В будущем может наблюдаться более широкая интеграция программного обеспечения для робототехники с открытым исходным кодом, такого как ROS, и подходов к локальному управлению, что снизит зависимость от облачных сервисов и предоставит пользователям больший контроль над своими устройствами. В то же время производители и регулирующие органы должны постоянно совершенствовать стандарты безопасности и защиты данных, чтобы поддерживать доверие пользователей и ответственно раскрывать потенциал робототехники.

Предстоящие годы будут решающими в определении того, превратятся ли сегодняшние пилотные проекты в жизнеспособные бизнес-модели. Однако несомненно одно: сочетание физической и цифровой автономии определит будущее. Искусственный интеллект выходит из своей изолированной роли и становится неотъемлемой частью реальных процессов и решений. Это знаменует начало этапа, на котором его прямое влияние будет более ощутимым, чем когда-либо прежде. Развитие физического и роботизированного ИИ — это не конец, а скорее начало фундаментальной трансформации, полное влияние которой станет очевидным только в ближайшие десятилетия.

☑️ Наш деловой язык — английский или немецкий.

☑️ НОВИНКА: Переписка на вашем национальном языке!

Konrad Wolfenstein

Я был бы рад служить вам и моей команде в качестве личного консультанта.

Вы можете связаться со мной, заполнив контактную форму или просто позвоните мне по телефону +49 89 89 674 804 (Мюнхен) . Мой адрес электронной почты: wolfenstein ∂ xpert.digital

Я с нетерпением жду нашего совместного проекта.

☑️ Поддержка МСП в разработке стратегии, консультировании, планировании и реализации.

☑️ Создание или корректировка цифровой стратегии и цифровизации.

☑️ Расширение и оптимизация процессов международных продаж.

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Пионерское развитие бизнеса/маркетинг/PR/выставки.