我們?cè)谌粘Ｉ钪畜w驗(yàn)的大部分 AI 都是數(shù)字 AI。它生成數(shù)字工件、決策建議或預(yù)測(cè)，這些將由人類或其他一些數(shù)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(chuàng)作一幅畫，以及檢測(cè)醫(yī)學(xué)影像中的腫瘤。

不過，目前正在開發(fā)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(wù)機(jī)器人、自動(dòng)駕駛汽車等。

具身AI機(jī)器人能像人類一樣與環(huán)境交互感知、自助規(guī)劃、決策、行動(dòng)和執(zhí)行任務(wù)。例如，機(jī)器人單元的任務(wù)是打磨放置在單元中的零件的上表面，使其達(dá)到所需的表面光潔度。具身AI能夠利用傳感器監(jiān)控單元狀態(tài)，并生成機(jī)器人執(zhí)行任務(wù)的指令。

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

具身AI 應(yīng)用的風(fēng)險(xiǎn)狀況通常與數(shù)字 AI 的應(yīng)用有根本的不同。如果數(shù)字 AI 工具的準(zhǔn)確率達(dá)到 99%，它就能在許多應(yīng)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(shù)字 AI的一種類型)生成一封 1,000 字的求職信，只需要您手動(dòng)編輯其中的 10 個(gè)單詞，那么與從頭開始寫這封信相比，您將節(jié)省大量時(shí)間。至于推薦引擎，您也不會(huì)介意它每隔幾個(gè)月給您一次關(guān)于電影的糟糕建議。

相比之下，出于工業(yè)應(yīng)用的風(fēng)險(xiǎn)考慮，對(duì)具體 AI 系統(tǒng)的準(zhǔn)確性要求往往大相徑庭。例如，如果一個(gè)機(jī)器人的加工步驟成功率為 99%，并且它工作在一個(gè)需要 200 個(gè)步驟的零件上，那么機(jī)器人制造的每個(gè)零件都會(huì)包含兩個(gè)錯(cuò)誤。結(jié)果，該零件將報(bào)廢或需要維修。在大多數(shù)制造業(yè)應(yīng)用中，這種技術(shù)并不可行。

主要的風(fēng)險(xiǎn)來自兩個(gè)方面：出錯(cuò)的概率和出錯(cuò)的后果。當(dāng)犯錯(cuò)的后果不嚴(yán)重時(shí)，可以容忍更高的錯(cuò)誤概率。這就是為什么在許多數(shù)字 AI 應(yīng)用中，1% 的錯(cuò)誤概率是可以接受的。

相反，許多具身AI 應(yīng)用要求錯(cuò)誤概率要優(yōu)于百萬分之一。使用純粹的數(shù)據(jù)驅(qū)動(dòng)方法降低錯(cuò)誤概率需要大量數(shù)據(jù)。在大多數(shù)情況下，對(duì)數(shù)據(jù)的需求呈指數(shù)級(jí)增長(zhǎng)。遺憾的是，從物理系統(tǒng)獲取數(shù)據(jù)的成本很高。因此，在處理具身 AI 應(yīng)用時(shí)需要遵循不同的方法。

為了滿足上述要求，用于制造應(yīng)用的具身 AI 應(yīng)當(dāng)具備以下特征：

● 可使用有限數(shù)據(jù)進(jìn)行訓(xùn)練：可先利用物理實(shí)驗(yàn)生成的有限數(shù)據(jù)來訓(xùn)練具身AI。

● 可從預(yù)先訓(xùn)練的模塊化組件中進(jìn)行組合：物理系統(tǒng)可以具有多種配置來支持其預(yù)期需求。例如，根據(jù)正在執(zhí)行的工藝(如打磨或噴砂)，制造機(jī)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(jī)器人(如移動(dòng)平臺(tái)安裝機(jī)器人或龍門安裝機(jī)器人)、傳感器類型(例如深度相機(jī)或熱像儀)和工具(如軌道砂光機(jī)或噴砂噴嘴)。

因此，開發(fā)開箱即用的、適用于所有制造應(yīng)用的通用具身 AI可能不會(huì)表現(xiàn)很好。系統(tǒng)的 AI 需要從模塊化組件中快速合成，以匹配特定系統(tǒng)和工作環(huán)境的傳感和驅(qū)動(dòng)能力。

● 可根據(jù)新數(shù)據(jù)或情境進(jìn)行調(diào)整：當(dāng)系統(tǒng)部署過程中出現(xiàn)新數(shù)據(jù)時(shí)，應(yīng)能利用這些數(shù)據(jù)提高 AI的性能。AI 應(yīng)該能夠在最少的人工監(jiān)督下自主適應(yīng)新環(huán)境或任務(wù)。

● 可輕松升級(jí)：隨著時(shí)間的推移，物理系統(tǒng)的性能可能會(huì)因?yàn)槟p或物理組件的更新而發(fā)生變化。這可能需要對(duì)AI進(jìn)行改進(jìn)，以確保它能跟上系統(tǒng)的發(fā)展。因此，所設(shè)計(jì)的具身AI系統(tǒng)需要確保能夠在對(duì)系統(tǒng)運(yùn)行干擾最小的情況下進(jìn)行升級(jí)。

● 基于風(fēng)險(xiǎn)的行動(dòng)建議：系統(tǒng)應(yīng)能估計(jì)其對(duì)建議行動(dòng)的信心。信心不足時(shí)，系統(tǒng)應(yīng)進(jìn)行風(fēng)險(xiǎn)分析，分析失敗的后果。如果風(fēng)險(xiǎn)過高，系統(tǒng)應(yīng)向人類專家尋求幫助。

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

● 分布式架構(gòu)，支持邊緣與云之間的計(jì)算分區(qū)：在具身 AI 的應(yīng)用情境中，不可能在云端執(zhí)行所有的AI計(jì)算。系統(tǒng)的設(shè)計(jì)應(yīng)確保對(duì)網(wǎng)絡(luò)延遲敏感的計(jì)算可以在邊緣執(zhí)行。

在數(shù)字 AI 領(lǐng)域，我們看到大型端到端學(xué)習(xí)模型(例如 LLM)取得了巨大成功。這些模型在大量數(shù)據(jù)上蓬勃發(fā)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(yīng)被視為一個(gè)復(fù)雜的系統(tǒng)，涉及多個(gè) AI 組件之間的交互。在具身 AI 中擁有正確的系統(tǒng)架構(gòu)是制造應(yīng)用成功的關(guān)鍵之一。這使您能夠利用 AI 的最新進(jìn)展并滿足制造應(yīng)用的苛刻要求。因此，需要使用現(xiàn)代系統(tǒng)工程方法來設(shè)計(jì)用于制造業(yè)應(yīng)用的具身 AI。