Obecnie branża jest zdominowana przez tak zwane „fizyczne AI 1.0”. Ta faza charakteryzuje się przede wszystkim skalą: wykorzystuje się ogromne ilości danych wideo i tekstowych, a także hiperrealistyczne symulacje, takie jak platforma NVIDIA Cosmos, aby nauczyć maszyny, jak działa świat, zanim w ogóle wykonają swoje pierwsze kroki. Jednak fizyczne AI 1.0 ma poważne ograniczenie – „wizualne skrzywienie”. Zakłada ono, że jeśli robot ma wystarczająco dużo kamer i mocy obliczeniowej, będzie w stanie dokładnie przewidzieć przyszłość. Ale jak każdy kierowca wie, kamery mogą zostać oślepione przez odblaski, obiekty mogą ukrywać się w cieniu, a czujniki mogą dostarczać zaszumione, sprzeczne dane. W tym miejscu na scenę wkracza „fizyczne AI 2.0”, wprowadzając nową, fundamentalną warstwę do architektury: odzyskiwanie stanu fizycznego.
To rozróżnienie ma kluczowe znaczenie, ponieważ jednostką konkurencji w fizycznym AI przestaje być wyłącznie model. W cyfrowej sztucznej inteligencji model często jest produktem samym w sobie. W systemach autonomicznych model musi współpracować z układami sensorycznymi, symulacją, trenowaniem polityki działania, orkiestracją, systemami bezpieczeństwa, wdrożeniem na urządzeniach brzegowych oraz zwrotnymi informacjami z bieżących operacji. Robot, który błędnie odczytuje teraźniejszość, nie jest w stanie wypracować rozwiązania problematycznej sytuacji, opierając się jedynie na rozumowaniu.
Nowa architektura działania: cztery filarów bezpiecznej maszyny
Aby bezpiecznie funkcjonować w rzeczywistym świecie, system potrzebuje czterech odrębnych zdolności, działających w ciągłej pętli:
- Modele świata: Dostarczają one „wiedzy początkowej” – nabytej znajomości tego, co może się wydarzyć, w oparciu o przeszłe doświadczenia i symulacje.
- Odzyskiwanie stanu fizycznego: To jest właśnie „brakujące ogniwo”. Bierze ono zaszumione, niekompletne dane z czujników i rekonstruuje rzeczywisty fizyczny stan świata. To różnica między zgadywaniem, gdzie znajduje się pieszy, a znajomością jego dokładnej trajektorii ruchu w zatłoczonej scenie.
- Systemy rozumowania: Po odzyskaniu stanu, AI deliberuje. Porównuje opcje, waży ryzyka i decyduje o najlepszej intencji, np. „Czy powinienem ustąpić, czy lekko pchnąć?”.
- Działanie: Ostatni krok, w którym system wykonuje ruch w ramach ściśle określonych granic bezpieczeństwa.
System rozumowania jest tylko tak dobry, jak dobre jest oszacowanie stanu, na którym się opiera. Jeśli obserwacja jest niekompletna lub zniekształcona, nawet doskonały model rozumowania może z pewnością dojść do błędnych wniosków. Systemy rozumowania wpływają na sterowanie, ale nie działają bezpośrednio. W solidnych systemach rozumowanie proponuje intencje, ograniczenia, wyjaśnienia lub kandydatów na działania; planowanie, kontrola i logika bezpieczeństwa następnie przekształcają te wyniki w ograniczone ruchy. Fizyczne AI nie jest jedynie opisowe czy predykcyjne. Staje się fizyczne, gdy decyzje są przekładane na ruch, a ruch ten zmienia świat i tworzy kolejny zestaw obserwacji.
Dlaczego więcej danych to nie jedyna odpowiedź?
Częstym kontrargumentem jest przekonanie, że wystarczy zbudować większe modele „od końca do końca” (end-to-end), a AI w końcu sama nauczy się radzić sobie z zaszumionymi czujnikami. Jednak naukowcy i inżynierowie odkrywają, że dedykowana warstwa odzyskiwania jest znacznie bardziej efektywna. Traktując odzyskiwanie stanu fizycznego jako oddzielny moduł, deweloperzy mogą wykorzystać specjalistyczne czujniki (takie jak radar czy dotyk) i poprawić obserwowalność, zanim nawet wyższopoziomowy „mózg” zacznie myśleć. To zapobiega temu, by każdy nowy robot musiał „uczyć się” podstawowych praw fizyki od zera.
Kluczowe jest rozróżnienie między przypadkami trudnymi a przypadkami słabo obserwowanymi. Testy wydajności mogą informować deweloperów, że system ma problemy ze scenariuszami typu „long-tail”, takimi jak zasłonięcia obiektów czy nietypowe zachowania użytkowników drogi. Ale zidentyfikowanie trudnego przypadku to nie to samo, co odzyskanie tego, czego czujniki nie zdołały uchwycić. Kamera może produkować więcej klatek, a model może je dłużej analizować, ale jeśli podstawowa obserwacja jest strukturalnie zdegradowana, późniejsze rozumowanie nadal może działać na podstawie błędnego obrazu. W takich przypadkach odpowiedzią nie jest tylko więcej danych. Jest nią silniejsza warstwa odzyskiwania, która wykorzystuje ograniczenia oparte na fizyce i bogatsze dane sensoryczne, aby uczynić ukryty stan bardziej widocznym.
W praktyce: roboty i samochody autonomiczne na zupełnie nowym poziomie
Aby lepiej zrozumieć, jak działa fizyczne AI 2.0, spójrzmy na konkretne przykłady:
Robot humanoidalny składający pranie:
- Modele świata: Przewiduje, jak powinny się składać różne tkaniny.
- Odzyskiwanie stanu: Identyfikuje kształt ubrania pomimo zagnieceń, cieni, częściowego widoku i niejednoznacznego kontaktu.
- Rozumowanie: Decyduje, czy złożyć, ponownie chwycić, odłożyć na bok, czy poprosić o pomoc.
- Działanie: Delikatnie składa rękaw.
Pojazd autonomiczny nawigujący w mieście:
- Modele świata: Przewiduje, jak płynie ruch uliczny podczas deszczu.
- Odzyskiwanie stanu: Śledzi rowerzystę ukrytego za zaparkowaną ciężarówką i w zagraconej scenie.
- Rozumowanie: Decyduje, czy ustąpić, zatrzymać się, delikatnie popchnąć („nudge”) czy przeprogramować trasę.
- Działanie: Wykonuje płynny, bezpieczny manewr skrętu.
Obserwacja: fundament fizycznego AI
Kolejnym etapem rozwoju sztucznej inteligencji nie jest już tylko sprawianie, by modele były „mądrzejsze” w rozumowaniu; chodzi o to, by były „lepsze” w obserwowaniu. Zwycięzcą w wyścigu AI będzie system, który najdokładniej zdoła zniwelować przepaść między cyfrową prognozą a fizyczną rzeczywistością. Wizja i język to początek, ale aby fizyczne AI naprawdę wkroczyło w realny świat, potrzebuje bardziej wiarygodnego uchwycenia rzeczywistego świata, w którym próbuje się poruszać. Bo w prawdziwym świecie, to, czego nie widzisz, ma większe znaczenie niż to, co widzisz.
