资讯 > 正文

​用于制造业应用的具身 AI 与数字 AI 有何不同?

发布时间:2024-09-14 作者:Satyandra

  我们在日常生活中体验的大部分 AI 都是数字 AI。它生成数字工件、决策建议或预测,这些将由人类或其他一些数字代理使用。例如,使用 ChatGPT 生成求职信,推荐在 Netflix 上观看电影,使用 Dall-E 创作一幅画,以及检测医学影像中的肿瘤。
  不过,目前正在开发一种不同的人工智能,即所谓的 “具身智能”(Embodied AI)。这一概念在1950年图灵在他的论文——《Computing Machinery and Intelligence》中首次提出,它指的是具有身体并支持物理交互的智能体,如智能服务机器人、自动驾驶汽车等。
  具身AI机器人能像人类一样与环境交互感知、自助规划、决策、行动和执行任务。例如,机器人单元的任务是打磨放置在单元中的零件的上表面,使其达到所需的表面光洁度。具身AI能够利用传感器监控单元状态,并生成机器人执行任务的指令。
  数字 AI 和具身 AI 有一些相似之处,并利用了许多底层技术。然而,了解这两种类型的 AI 之间的差异对于成功地将数字 AI 方法用于具体 AI 的应用中至关重要。
  具身AI 应用的风险状况通常与数字 AI 的应用有根本的不同。如果数字 AI 工具的准确率达到 99%,它就能在许多应用中极大地提高人类的工作效率。例如,如果您使用生成式 AI(数字 AI的一种类型)生成一封 1,000 字的求职信,只需要您手动编辑其中的 10 个单词,那么与从头开始写这封信相比,您将节省大量时间。至于推荐引擎,您也不会介意它每隔几个月给您一次关于电影的糟糕建议。
  相比之下,出于工业应用的风险考虑,对具体 AI 系统的准确性要求往往大相径庭。例如,如果一个机器人的加工步骤成功率为 99%,并且它工作在一个需要 200 个步骤的零件上,那么机器人制造的每个零件都会包含两个错误。结果,该零件将报废或需要维修。在大多数制造业应用中,这种技术并不可行。

  主要的风险来自两个方面:出错的概率和出错的后果。当犯错的后果不严重时,可以容忍更高的错误概率。这就是为什么在许多数字 AI 应用中,1% 的错误概率是可以接受的。
  相反,许多具身AI 应用要求错误概率要优于百万分之一。使用纯粹的数据驱动方法降低错误概率需要大量数据。在大多数情况下,对数据的需求呈指数级增长。遗憾的是,从物理系统获取数据的成本很高。因此,在处理具身 AI 应用时需要遵循不同的方法。
  为了满足上述要求,用于制造应用的具身 AI 应当具备以下特征:
  ● 可使用有限数据进行训练:可先利用物理实验生成的有限数据来训练具身AI。
  ● 可从预先训练的模块化组件中进行组合:物理系统可以具有多种配置来支持其预期需求。例如,根据正在执行的工艺(如打磨或喷砂),制造机器人单元可以采用许多不同的配置。不同的单元可能包括具有不同功能的机器人(如移动平台安装机器人或龙门安装机器人)、传感器类型(例如深度相机或热像仪)和工具(如轨道砂光机或喷砂喷嘴)。
  因此,开发开箱即用的、适用于所有制造应用的通用具身 AI可能不会表现很好。系统的 AI 需要从模块化组件中快速合成,以匹配特定系统和工作环境的传感和驱动能力。
  ● 可根据新数据或情境进行调整:当系统部署过程中出现新数据时,应能利用这些数据提高 AI的性能。AI 应该能够在最少的人工监督下自主适应新环境或任务。
  ● 可轻松升级:随着时间的推移,物理系统的性能可能会因为磨损或物理组件的更新而发生变化。这可能需要对AI进行改进,以确保它能跟上系统的发展。因此,所设计的具身AI系统需要确保能够在对系统运行干扰最小的情况下进行升级。
  ● 基于风险的行动建议:系统应能估计其对建议行动的信心。信心不足时,系统应进行风险分析,分析失败的后果。如果风险过高,系统应向人类专家寻求帮助。
  ● 可解释性:如果系统建议的操作不符合用户期望,系统应该能够解释用于选择操作的理由。
  ● 分布式架构,支持边缘与云之间的计算分区:在具身 AI 的应用情境中,不可能在云端执行所有的AI计算。系统的设计应确保对网络延迟敏感的计算可以在边缘执行。
  在数字 AI 领域,我们看到大型端到端学习模型(例如 LLM)取得了巨大成功。这些模型在大量数据上蓬勃发展。但是,它们并不具备上述提到的具身 AI 的许多特征。
  具身 AI 应被视为一个复杂的系统,涉及多个 AI 组件之间的交互。在具身 AI 中拥有正确的系统架构是制造应用成功的关键之一。这使您能够利用 AI 的最新进展并满足制造应用的苛刻要求。因此,需要使用现代系统工程方法来设计用于制造业应用的具身 AI。

标签:Embodied AI,机器人,自动驾驶,LLM

相关文章