Έχετε ακούσει για το παράδοξο του Moravec; Το παράδοξο δηλώνει ότι η προχωρημένη συλλογιστική απαιτεί πολύ λίγη υπολογιστική ισχύ για ένα σύστημα τεχνητής νοημοσύνης (AI), ενώ εφαρμόζει τις δεξιότητες αντιληπτικών κινητικών που οι άνθρωποι θεωρούν δεδομένο απαιτούν τεράστιους υπολογιστικούς πόρους. Στην ουσία, τα πολύπλοκα λογικά καθήκοντα είναι ευκολότερα για το AI από τα βασικά αισθητήρια καθήκοντα που μπορούν να επιτύχουν ανθρώπινα ένστικτα. Αυτό το παράδοξο υπογραμμίζει τη διαφορά μεταξύ AI και ανθρώπινων γνωστικών ικανοτήτων σε αυτό το στάδιο.
Οι άνθρωποι είναι εγγενώς πολυτροπικό. Ο καθένας από εμάς είναι σαν ένα έξυπνο τερματικό που συνήθως πρέπει να πάει στο σχολείο για να μορφωθεί (εκπαιδευμένος), αλλά ο σκοπός και το αποτέλεσμα αυτής της κατάρτισης και της μάθησης είναι ότι έχουμε τη δυνατότητα να εργάζονται και να ζούμε αυτόνομα χωρίς πάντα να βασίζεστε σε εξωτερικές οδηγίες και έλεγχος.
Μαθαίνουμε για τον κόσμο γύρω μας μέσα από πολλαπλές αισθητηριακές μορφές όπως θέαμα, ομιλία, ήχος, αφής, γεύση και μυρωδιά για να αναλύουμε, να λογικά, να αποφασίσουμε και να αναλάβουμε δράση.
Μετά από χρόνια συγχώνευσης αισθητήρων και εξέλιξης AI, τα ρομπότ είναι σε μεγάλο βαθμό εξοπλισμένα με πολυτροπικούς αισθητήρες σε αυτό το στάδιο. Καθώς φέρνουμε περισσότερη υπολογιστική ισχύ σε συσκευές άκρων, όπως τα ρομπότ, αυτές οι συσκευές γίνονται πιο έξυπνες και πιο έξυπνες, ικανές να αισθανθούν το περιβάλλον τους, να κατανοούν και να επικοινωνούν στη φυσική γλώσσα, να αποκτήσουν απτικούς μέσω διεπαφών ψηφιακής ανίχνευσης, καθώς και να αισθανθούν τη συγκεκριμένη δύναμη του ρομπότ. Γωνιακή ταχύτητα, ακόμα και το μαγνητικό πεδίο γύρω από το ρομπότ μέσω ενός συνδυασμού επιταχυνσιόμετρων, γυροσκόπων και μαγνητόμετρων και πολλά άλλα.
Προς μια νέα εποχή της ρομποτικής και της μηχανικής γνώσης
Πριν από τα μοντέλα μετασχηματιστή και μεγάλα γλωσσικά μοντέλα (LLMS), η εφαρμογή πολυτροπικότητας στο AI συνήθως απαιτούσε τη χρήση πολλαπλών ξεχωριστών μοντέλων που είναι υπεύθυνα για διαφορετικούς τύπους δεδομένων (κείμενο, εικόνες, ήχο) και την ενσωμάτωση των διαφόρων τρόπων μέσω μιας σύνθετης διαδικασίας.
Με την εμφάνιση μοντέλων μετασχηματιστή και LLMS, η πολυτροπία έχει γίνει πιο ολοκληρωμένη, επιτρέποντας σε ένα μόνο μοντέλο να επεξεργάζεται ταυτόχρονα και να κατανοήσει πολλούς τύπους δεδομένων, με αποτέλεσμα τα συστήματα AI που είναι πιο ικανά να αισθανθούν συνολικά το περιβάλλον τους. Αυτή η μετατόπιση έχει βελτιώσει σημαντικά την αποτελεσματικότητα και την αποτελεσματικότητα των πολυτροπικών εφαρμογών AI.
Ενώ τα LLMs όπως το GPT -3 είναι κυρίως βασισμένες σε κείμενο, η βιομηχανία έχει σημειώσει ταχεία πρόοδο προς την πολυτροπικότητα. Από το Clip και το Dall-E του Openai, και τώρα η Sora και η GPT -4 o, είναι παραδείγματα μοντέλων που έχουν μετακινηθεί προς την πολυτροπικότητα και την πιο φυσική αλληλεπίδραση ανθρώπινου υπολογιστή. Για παράδειγμα, το Clip κατανοεί τις εικόνες σε συνδυασμό με τη φυσική γλώσσα, γεφυρώνοντας έτσι το χάσμα μεταξύ οπτικών και κειμένων πληροφοριών. Το Dall-E στοχεύει να δημιουργήσει εικόνες με βάση τις περιγραφές κειμένου. Βλέπουμε το μοντέλο Google Gemini που υποβάλλεται σε παρόμοια εξέλιξη.
Το 2024, η πολυτροπική εξέλιξη επιταχύνεται. Τον Φεβρουάριο, η Openai κυκλοφόρησε τη Sora, η οποία δημιουργεί ρεαλιστικά ή φανταστικά βίντεο που βασίζονται σε περιγραφές κειμένου. Όταν το σκέφτεστε, αυτό θα μπορούσε να προσφέρει μια πολλά υποσχόμενη πορεία για την οικοδόμηση παγκόσμιων προσομοιωτών του κόσμου ή να γίνει ένα σημαντικό εργαλείο για τα ρομπότ κατάρτισης. Μετά από τρεις μήνες, το GPT -4 o έχει βελτιώσει σημαντικά την απόδοση της αλληλεπίδρασης ανθρώπινου ρομπότ και είναι σε θέση να αιτιολογήσει σε πραγματικό χρόνο μεταξύ ήχου, όρασης και κειμένου. Ο συνδυασμός των πληροφοριών κειμένου, οπτικών και ήχου για την εκπαίδευση ενός νέου μοντέλου από άκρο σε άκρο εξαλείφει δύο μεταβάσεις τρόπων από τη μέθοδο εισόδου στο κείμενο και στη συνέχεια από το κείμενο σε τρόπους εξόδου, η οποία με τη σειρά της βελτιώνει δραματικά την απόδοση.
Την ίδια εβδομάδα το Φεβρουάριο, η Google κυκλοφόρησε το Gemini 1.5, το οποίο επέκτεινε δραματικά το μήκος του περιβάλλοντος σε 1 εκατομμύριο μάρκες. Αυτό σημαίνει ότι το 1,5 Pro μπορεί να επεξεργαστεί ταυτόχρονα μεγάλα ποσά πληροφοριών, συμπεριλαμβανομένης μιας ώρας βίντεο, 11 ωρών ήχου και κώδικα που περιέχει πάνω από 30, 000 γραμμές κώδικα ή 700, 000 Το Words.Gemini 1.5 είναι χτισμένο στην κορυφαία έρευνα της Google σχετικά με την αρχιτεκτονική εμπειρογνωμόνων μετασχηματιστή και μικτού μέλους (MOE) και μοντέλα ανοιχτών πηγών 2b και 7b που μπορούν να αναπτυχθούν στην πλευρά της άκρης. Στο συνέδριο της Google I/O τον Μάιο, εκτός από το διπλασιασμό της διάρκειας του πλαισίου και την απελευθέρωση μιας σειράς γενετικών εργαλείων και εφαρμογών AI, η Google διερεύνησε το όραμά της για το μέλλον του Project Astra, βοηθού AI γενικής χρήσης που επεξεργάζεται πολυτροπικές πληροφορίες , κατανοεί το πλαίσιο στο οποίο τοποθετείται ένας χρήστης και αλληλεπιδρά με τους ανθρώπους σε συνομιλίες με πολύ φυσικό τρόπο.
Ως εταιρεία πίσω από το LLAMA LLAMA του ανοιχτού κώδικα, η Meta συμμετέχει επίσης στη γενική τεχνητή νοημοσύνη (AGI).
Αυτή η πραγματική πολυτροπικότητα αυξάνει σημαντικά το επίπεδο της νοημοσύνης μηχανής και θα οδηγήσει σε νέα παραδείγματα για πολλές βιομηχανίες.
Για παράδειγμα, τα ρομπότ ήταν πολύ ομοιογενή, με ορισμένους αισθητήρες και δυνατότητες μετακίνησης, αλλά γενικά δεν είχαν τον "εγκέφαλο" για να μάθουν νέα πράγματα και να προσαρμοστούν σε μη δομημένα και άγνωστα περιβάλλοντα.
Τα πολυτροπικά LLMs αναμένεται να μετατρέψουν την ικανότητα των ρομπότ να αναλύουν, να λογικά και να μάθουν, να τα μετακινήσουν από εξειδίκευση σε γενίκευση. Οι PC, οι διακομιστές και τα smartphones είναι ηγέτες σε πλατφόρμες υπολογιστών γενικής χρήσης και μπορούν να εκτελούν πολλά διαφορετικά είδη εφαρμογών λογισμικού για να επιτύχουν μια ευρεία ποικιλία λειτουργιών. Η γενίκευση θα βοηθήσει στην αύξηση, τη δημιουργία οικονομιών κλίμακας και οι τιμές μπορούν να μειωθούν δραματικά καθώς αυξάνονται, οδηγώντας σε έναν ενάρετο κύκλο υιοθεσίας σε περισσότερους τομείς.
Ο Elon Musk παρατήρησε τα οφέλη της γενικευμένης τεχνολογίας νωρίς, καθώς τα ρομπότ της Tesla εξελίχθηκαν από το Bumblebee το 2022 στο Optimus Gen 1, που ανακοινώθηκε τον Μάρτιο του 2023 και η Gen 2, ανακοινώθηκε στο τέλος του 2023, με συνεχώς αυξανόμενη ευελιξία και μαθησιακές ικανότητες. Κατά τη διάρκεια του παρελθόντος 6-12 μήνες, έχουμε δει μια σειρά από ανακαλύψεις στον τομέα της ρομποτικής και της ανθρωποειδούς ρομποτικής.
Νέες τεχνολογίες πίσω από τη ρομποτική της επόμενης γενιάς και την ενσωματωμένη νοημοσύνη
Δεν υπάρχει αμφιβολία ότι έχουμε ακόμα πολλή δουλειά να κάνουμε πριν η ενσωμάτωση της νοημοσύνης φτάσει στη μαζική παραγωγή. Χρειαζόμαστε ελαφρύτερα σχέδια, μεγαλύτερες ώρες εκτέλεσης και ταχύτερες, πιο ισχυρές πλατφόρμες υπολογιστών άκρων για την επεξεργασία και συγχώνευση πληροφοριών δεδομένων αισθητήρων για να λαμβάνουν έγκαιρες αποφάσεις και ενέργειες ελέγχου.
Και κινούμαστε προς τη δημιουργία ανθρωποειδών ρομπότ. Χιλιάδες χρόνια ανθρώπινου πολιτισμού έχουν δημιουργήσει πανταχού παρόντα περιβάλλοντα σχεδιασμένα για ανθρώπους και τα ανθρωποειδή ρομποτικά συστήματα αναμένεται να είναι σε θέση να αλληλεπιδρούν άνετα με τους ανθρώπους και το περιβάλλον και να εκτελούν τις απαιτούμενες επιχειρήσεις σε ανθρώπινα περιβάλλοντα λόγω της ομοιότητας τους σε μορφή με τους ανθρώπους. Αυτά τα συστήματα θα είναι κατάλληλα για να χειριστούν βρώμικα, επικίνδυνα και βαρετά καθήκοντα, όπως η φροντίδα και η αποκατάσταση των ασθενών, η εργασία εξυπηρέτησης στη βιομηχανία φιλοξενίας, τα βοηθήματα διδασκαλίας ή οι συντρόφοι μάθησης στον εκπαιδευτικό τομέα και τα επικίνδυνα καθήκοντα, όπως η ανταπόκριση σε καταστροφές και ο χειρισμός των επικίνδυνων υλικών . Τέτοιες εφαρμογές χρησιμοποιούν ανθρωποειδείς μηχανές ανθρώπινων χαρακτηριστικών για να διευκολύνουν τις φυσικές αλληλεπιδράσεις του ανθρώπου-robot, να δρουν σε χώρους που επικεντρώνονται στον άνθρωπο και να εκτελούν καθήκοντα που συχνά είναι δύσκολα για τα παραδοσιακά ρομπότ να ολοκληρώσουν.
Πολλές εταιρείες AI και ρομποτικής ξεκινούν νέα έρευνα και συνεργασία γύρω από το πώς να εκπαιδεύσουν τα ρομπότ για να βελτιώσουν και να σχεδιάσουν νέα μη δομημένα περιβάλλοντα. Καθώς οι νέοι "εγκέφαλοι" των ρομπότ, τα μοντέλα που είναι προ-εκπαιδευμένα σε μεγάλες ποσότητες δεδομένων έχουν εξαιρετικές δυνατότητες γενίκευσης, επιτρέποντας στα ρομπότ να δουν και να κατανοούν το περιβάλλον τους πιο ολοκληρωμένα, να προσαρμόσουν τις κινήσεις και τις ενέργειές τους με βάση την αισθητηριακή ανατροφοδότηση και τη βελτιστοποίηση της απόδοσής τους σε μια ποικιλία δυναμικών περιβαλλόντων.
Ως ενδιαφέρον παράδειγμα, ο σκύλος ρομπότ της Boston Dynamics, μπορεί να λειτουργήσει ως ξεναγός σε ένα μουσείο, να αλληλεπιδρά με τους επισκέπτες, να τα εισαγάγει στα διάφορα εκθέματα και να απαντήσει στις ερωτήσεις τους. Μπορεί να είναι δύσκολο να πιστέψουμε, αλλά σε αυτή τη χρήση, οι διασκεδαστικές, διαδραστικές και λεπτές επιδόσεις του Spot είναι πιο σημαντικές από το να διασφαλίσουμε ότι τα γεγονότα είναι σωστά.
Robotics Transformer: Ο νέος εγκέφαλος της ρομποτικής
Ο μετασχηματιστής ρομποτικής (RT) εξελίσσεται γρήγορα για να μεταφράσει τις πολυτροπικές εισροές απευθείας σε κώδικα που μπορεί να ενεργοποιηθεί. Το RT -2 εκτελεί καθώς και ο προκάτοχός της, RT -1, με ποσοστό επιτυχίας σχεδόν 100% κατά την εκτέλεση εργασιών που έχουν δει προηγουμένως. Ωστόσο, όταν εκπαιδεύεται με Palm-E (ένα μοντέλο πολλαπλών γλωσσών που έχει προσανατολιστεί στο ρομπότ) και το Pali-X (ένα μεγάλης κλίμακας πολύγλωσσο όραμα και μοντέλο γλώσσας, που δεν έχει σχεδιαστεί ειδικά για ρομπότ), το RT -2 έχει καλύτερες δυνατότητες γενίκευσης και ξεπερνά το RT -1 σε αόρατες εργασίες.
Η Microsoft εισήγαγε την Llava, έναν βοηθό γλωσσών και όρασης μεγάλης κλίμακας. Αρχικά σχεδιασμένο για εργασίες που βασίζονται σε κείμενο, η LLAVA αξιοποιεί τη δύναμη του GPT -4 για να δημιουργήσει ένα νέο πρότυπο για πολυτροπικές οδηγίες για την παρακολούθηση δεδομένων, ενσωματώνοντας απρόσκοπτα κειμενικά και οπτικά εξαρτήματα, τα οποία μπορεί να είναι χρήσιμα για ρομποτικές εργασίες. Με την εισαγωγή της, η LLAVA έθεσε νέα αρχεία για πολυτροπικές συνομιλίες και επιστημονικά καθήκοντα κουίζ, που ήδη υπερβαίνουν τις δυνατότητες του ανθρώπινου μέσου όρου.
Όπως αναφέρθηκε προηγουμένως, η εισβολή του Tesla σε ανθρωποειδές και AI γενικού σκοπού ρομποτική είναι σημαντική όχι μόνο επειδή έχει σχεδιαστεί για κλίμακα και μαζική παραγωγή, αλλά και επειδή μπορεί να χρησιμοποιηθεί η τεχνολογική θεμελίωση της τεχνολογίας για τα αυτοκίνητα Tesla για τα αυτοκίνητα Tesla για αυτοκίνητα για αυτοκίνητα ρομπότ. Η Tesla διαθέτει επίσης μια έξυπνη περίπτωση χρήσης κατασκευής για την εφαρμογή Optimus στη νέα διαδικασία παραγωγής οχημάτων ενέργειας.
Το ARM είναι ο ακρογωνιαίος λίθος του μέλλοντος της ρομποτικής
Ο ARM πιστεύει ότι ο ρομποτικός εγκέφαλος, τόσο ο "μεγάλος εγκέφαλος" όσο και ο "μικρός εγκέφαλος", θα πρέπει να είναι ένα ετερογενές σύστημα πληροφορικής AI που προσφέρει ανώτερες επιδόσεις, ανταπόκριση σε πραγματικό χρόνο και ενεργειακή απόδοση.

Η ρομποτική περιλαμβάνει ένα ευρύ φάσμα καθηκόντων, συμπεριλαμβανομένου του βασικού υπολογισμού (π.χ., αποστολής και λήψης σημάτων προς και από τους κινητήρες), προηγμένη επεξεργασία δεδομένων (π.χ. ερμηνεία δεδομένων εικόνας και αισθητήρων) και η εκτέλεση των πολυτροπικών LLMs που αναφέρθηκε προηγουμένως. Η CPU είναι κατάλληλη για εργασίες γενικής χρήσης, ενώ τα πεντάλ αερίου AI και οι GPU μπορούν να χειριστούν πιο αποτελεσματικά τις εργασίες παράλληλης επεξεργασίας, όπως η μηχανική μάθηση (ML) και η επεξεργασία γραφικών. Πρόσθετα πεντάλ αερίου, όπως οι επεξεργαστές σήματος εικόνας και οι κωδικοποιητές βίντεο, μπορούν επίσης να ενσωματωθούν για να ενισχύσουν τις δυνατότητες όρασης του ρομπότ και την αποδοτικότητα αποθήκευσης/μετάδοσης. Επιπλέον, η CPU θα πρέπει να έχει ανταπόκριση σε πραγματικό χρόνο και πρέπει να είναι σε θέση να εκτελεί λειτουργικά συστήματα όπως τα πακέτα Linux και ROS.
Όταν επεκταθεί στη ρομποτική στοίβα λογισμικού, το στρώμα λειτουργικού συστήματος μπορεί επίσης να απαιτήσει ένα λειτουργικό σύστημα σε πραγματικό χρόνο (RTOS) που μπορεί να χειριστεί αξιόπιστα τα χρονικά κρίσιμα καθήκοντα, καθώς και μια κατανομή Linux προσαρμοσμένη για τη ρομποτική, όπως η ROS, τα οποία μπορούν να παρέχουν Υπηρεσίες που έχουν σχεδιαστεί για ετερογενείς υπολογιστές. Πιστεύουμε ότι τα πρότυπα και τα προγράμματα πιστοποίησης που χρηματοδοτούνται από το ARM, όπως το Systemeady και το PSA Certified, θα βοηθήσουν στην ανάπτυξη της ανάπτυξης του ρομποτικού λογισμικού. Το Systemeady έχει σχεδιαστεί για να διασφαλίζει ότι οι τυποποιημένες κατανομές πλούσιων λειτουργικών λειτουργιών εκτελούνται σε ένα ευρύ φάσμα chips συστήματος (SOCS) με βάση την αρχιτεκτονική ARM, ενώ το PSA Certified βοηθά στην απλοποίηση των λύσεων υλοποίησης της ασφάλειας για την κάλυψη των περιφερειακών απαιτήσεων ασφάλειας και κανονιστικών απαιτήσεων για συνδεδεμένες συσκευές.
Προόδους σε πολυτροπικά μοντέλα μεγάλης κλίμακας και γενετικά AI Herald Μια νέα εποχή στην ανάπτυξη ρομπότ AI και ανθρωποειδών ρομπότ. Μαζί με την πληροφορική και τα οικοσυστήματα AI, η ενεργειακή απόδοση, η ασφάλεια και η λειτουργική ασφάλεια είναι απαραίτητα για την κατασκευή ρομποτικής σε αυτή τη νέα εποχή. Οι επεξεργαστές ARM χρησιμοποιούνται ήδη ευρέως στη ρομποτική και ανυπομονούμε να συνεργαστούμε στενά με το οικοσύστημα για να κάνουμε το ARM σε ακρογωνιαίο λίθο του μέλλοντος της ρομποτικής AI.




