我們在日常生活中體驗的大部分 AI 都是數字 AI。它生成數字工件、決策建議或預測，這些將由人類或其他一些數字代理使用。例如，使用 ChatGPT 生成求職信，推薦在 Netflix 上觀看電影，使用 Dall-E 創作一幅畫，以及檢測醫學影像中的腫瘤。

不過，目前正在開發一種不同的人工智能，即所謂的 “具身智能”(Embodied AI)。這一概念在1950年圖靈在他的論文——《Computing Machinery and Intelligence》中首次提出，它指的是具有身體并支持物理交互的智能體，如智能服務機器人、自動駕駛汽車等。

具身AI機器人能像人類一樣與環境交互感知、自助規劃、決策、行動和執行任務。例如，機器人單元的任務是打磨放置在單元中的零件的上表面，使其達到所需的表面光潔度。具身AI能夠利用傳感器監控單元狀態，并生成機器人執行任務的指令。

數字 AI 和具身 AI 有一些相似之處，并利用了許多底層技術。然而，了解這兩種類型的 AI 之間的差異對于成功地將數字 AI 方法用于具體 AI 的應用中至關重要。

具身AI 應用的風險狀況通常與數字 AI 的應用有根本的不同。如果數字 AI 工具的準確率達到 99%，它就能在許多應用中極大地提高人類的工作效率。例如，如果您使用生成式 AI(數字 AI的一種類型)生成一封 1,000 字的求職信，只需要您手動編輯其中的 10 個單詞，那么與從頭開始寫這封信相比，您將節省大量時間。至于推薦引擎，您也不會介意它每隔幾個月給您一次關于電影的糟糕建議。

相比之下，出于工業應用的風險考慮，對具體 AI 系統的準確性要求往往大相徑庭。例如，如果一個機器人的加工步驟成功率為 99%，并且它工作在一個需要 200 個步驟的零件上，那么機器人制造的每個零件都會包含兩個錯誤。結果，該零件將報廢或需要維修。在大多數制造業應用中，這種技術并不可行。

主要的風險來自兩個方面：出錯的概率和出錯的后果。當犯錯的后果不嚴重時，可以容忍更高的錯誤概率。這就是為什么在許多數字 AI 應用中，1% 的錯誤概率是可以接受的。

相反，許多具身AI 應用要求錯誤概率要優于百萬分之一。使用純粹的數據驅動方法降低錯誤概率需要大量數據。在大多數情況下，對數據的需求呈指數級增長。遺憾的是，從物理系統獲取數據的成本很高。因此，在處理具身 AI 應用時需要遵循不同的方法。

為了滿足上述要求，用于制造應用的具身 AI 應當具備以下特征：

● 可使用有限數據進行訓練：可先利用物理實驗生成的有限數據來訓練具身AI。

● 可從預先訓練的模塊化組件中進行組合：物理系統可以具有多種配置來支持其預期需求。例如，根據正在執行的工藝(如打磨或噴砂)，制造機器人單元可以采用許多不同的配置。不同的單元可能包括具有不同功能的機器人(如移動平臺安裝機器人或龍門安裝機器人)、傳感器類型(例如深度相機或熱像儀)和工具(如軌道砂光機或噴砂噴嘴)。

因此，開發開箱即用的、適用于所有制造應用的通用具身 AI可能不會表現很好。系統的 AI 需要從模塊化組件中快速合成，以匹配特定系統和工作環境的傳感和驅動能力。

● 可根據新數據或情境進行調整：當系統部署過程中出現新數據時，應能利用這些數據提高 AI的性能。AI 應該能夠在最少的人工監督下自主適應新環境或任務。

● 可輕松升級：隨著時間的推移，物理系統的性能可能會因為磨損或物理組件的更新而發生變化。這可能需要對AI進行改進，以確保它能跟上系統的發展。因此，所設計的具身AI系統需要確保能夠在對系統運行干擾最小的情況下進行升級。

● 基于風險的行動建議：系統應能估計其對建議行動的信心。信心不足時，系統應進行風險分析，分析失敗的后果。如果風險過高，系統應向人類專家尋求幫助。

● 可解釋性：如果系統建議的操作不符合用戶期望，系統應該能夠解釋用于選擇操作的理由。

● 分布式架構，支持邊緣與云之間的計算分區：在具身 AI 的應用情境中，不可能在云端執行所有的AI計算。系統的設計應確保對網絡延遲敏感的計算可以在邊緣執行。

在數字 AI 領域，我們看到大型端到端學習模型(例如 LLM)取得了巨大成功。這些模型在大量數據上蓬勃發展。但是，它們并不具備上述提到的具身 AI 的許多特征。

具身 AI 應被視為一個復雜的系統，涉及多個 AI 組件之間的交互。在具身 AI 中擁有正確的系統架構是制造應用成功的關鍵之一。這使您能夠利用 AI 的最新進展并滿足制造應用的苛刻要求。因此，需要使用現代系統工程方法來設計用于制造業應用的具身 AI。