De Zilveren Eeuw van Belichaamde Intelligentie: Een Diepe Duik

De Opkomst van Belichaamde Intelligentie: Een Diepgaande Analyse

Het artikel onderzoekt de huidige fase van belichaamde intelligentie, die wordt omschreven als een 'zilveren eeuw'. Deze periode kenmerkt zich door intense verkenning, gelegen tussen de initiële opkomst en de volledige volwassenheid van de technologie. De discussie draait om een rondetafelgesprek tijdens de Volcano Engine FORCE conferentie, waar experts uit verschillende vakgebieden de mogelijkheden van grote modellen bij het versnellen van de ontwikkeling van robotica onderzochten.

Achtergrond van de Robotica Boom

De snelle vooruitgang van grote AI-modellen heeft geleid tot aanzienlijke investeringen in de robotica-industrie. Deze toename in financiering brengt echter ook het risico van een oververhitte markt met zich mee. De kernuitdaging is het identificeren van de echte doorbraken in technologie en de toepassing ervan. Belangrijke vragen die hierbij naar voren komen, zijn:

Moet de focus liggen op reinforcement learning of simulatie learning?
Is het belangrijker om prioriteit te geven aan simulatie of real-world testen?
Moet de nadruk liggen op visie of fysieke engines?

Deelnemers aan het Rondetafelgesprek

Het rondetafelgesprek bracht experts met diverse achtergronden samen:

Chen Yang: Vice President van Galaxy General Robotics
Shi Lingxiang: Hoofd Innovatie Incubatie bij Volcano Engine (Moderator)
Wu Di: Hoofd van Intelligent Algorithms bij Volcano Engine
Wan Haoji: Partner bij Matrix Partners China
Wang Xiao: Oprichter van Nine Chapters Capital
Yan Weixin: Medeoprichter van Shanghai Zhiyuan Robotics en doctoraal begeleider aan de Shanghai Jiao Tong Universiteit

Belangrijkste Discussiepunten

De Toename in Robotica Investeringen

Waarom de opwinding? AI-toepassingen worden verdeeld in twee categorieën: soft applications (zoals chatbots en videogeneratie) en hard applications (zoals robotica). Robotica wordt gezien als de meest veelzijdige hard application van AI. Investeerders zijn op zoek naar bedrijven die zowel software als hardware kunnen integreren en real-world toepassingen kunnen demonstreren die verder gaan dan demo's.

Uitdagingen bij Commercialisatie

De commercialisatie van robots verloopt trager dan verwacht, vooral in complexe omgevingen zoals huizen en B2B-diensten. De coördinatie tussen het 'brein' (AI) en het 'kleine brein' (besturingssystemen) moet worden verbeterd. Kostenreductie is cruciaal voor een brede acceptatie.

Het Pad naar Commercialisatie

Er is een algemene consensus dat robotica succesvol zal zijn, maar de tijdlijn en de leidende bedrijven zijn nog onzeker. De markt zal waarschijnlijk niet worden gedomineerd door één enkel bedrijf, vergelijkbaar met de elektrische voertuigindustrie. Grote modellen hebben robots verbeterde interactie- en denkvermogens gegeven. Hoewel er geen onoverkomelijke technische barrières zijn, zal het proces langer en uitdagender zijn dan verwacht. Venture capitalists spelen een cruciale rol in het versnellen van de ontwikkeling door financiering te verstrekken.

Het Belang van Algemene Intelligentie

De focus moet liggen op robots die zich aanpassen aan mensen en omgevingen, in plaats van andersom. Het gebruik van grote hoeveelheden simulatiegegevens is essentieel om robots algemene intelligentie te geven. Robotica-startups staan voor aanzienlijke uitdagingen op het gebied van technologie, productontwikkeling en bedrijfsmodellen. De industrie heeft samenwerking nodig in de hele toeleveringsketen en ondersteuning van investeerders.

Technische Paden voor Belichaamde Intelligentie

Imitatie en reinforcement learning: Het gebruik van imitatie learning om reinforcement learning te verbeteren is een haalbare aanpak voor loopcontrole. Simulatie voor onderste ledematen: Simulatiegegevens zijn effectief voor loopcontrole van de onderste ledematen, maar parameterafstemming en productconsistentie zijn nog steeds uitdagingen. Er is een noodzaak om de focus te verleggen van beweging van de onderste ledematen naar de algehele taakuitvoeringsmogelijkheden van humanoïde robots. De focus moet liggen op taakuitvoeringsmogelijkheden in plaats van alleen voortbeweging. Het verzamelen en standaardiseren van gegevens, vooral voor complexe taken, is een aanzienlijke uitdaging. Real-world data is cruciaal, vooral voor complexe fysieke interacties die moeilijk te simuleren zijn.

Simulatie vs. Real-World Data

Simulatiegegevens zijn kosteneffectiever, schaalbaarder en veelzijdiger voor het trainen van algemene belichaamde modellen. Real-world data is essentieel voor het vastleggen van de nuances van fysieke interacties, zoals wrijving en elasticiteit. Zodra robots betrouwbare wereldmodellen hebben, kunnen grootschalige simulaties worden gebruikt om hun prestaties in verschillende scenario's te testen en te verbeteren.

Toekomstige Toepassingen

Toepassingen op Korte Termijn (2-3 jaar)

Industriële productie: Robots kunnen complexe taken uitvoeren die behendigheid vereisen in gecontroleerde omgevingen.
Operaties op afstand: Robots kunnen worden gebruikt in gevaarlijke omgevingen, zoals het hanteren van gevaarlijke materialen.
Gecontroleerde omgevingen: Robots zullen worden ingezet in gecontroleerde omgevingen zoals restaurants, hotels en fabrieken.
Specifieke taken: Robots zullen worden gebruikt voor taken zoals het bezorgen van eten, het zetten van koffie en het uitvoeren van licht onderhoud.
Fabrieken, kantoren en beveiliging: Dit zijn de meest waarschijnlijke gebieden voor de eerste implementatie.

Toepassingen op Lange Termijn

Thuisomgevingen: De meest complexe maar zeer verwachte toepassing is in thuisomgevingen.
Huishoudelijke taken: Robots zullen uiteindelijk in staat zijn om taken uit te voeren zoals koken, was opvouwen en schoonmaken.
Kostenreductie: Naarmate de technologie vordert, zullen de kosten van robots dalen, waardoor ze toegankelijker worden voor consumenten.
Algemene robots: De focus zal verschuiven naar algemene robots die verschillende behoeften kunnen dienen.
Marktoverwegingen: Bedrijven moeten rekening houden met de functionaliteit, prestaties, openheid en risicotolerantie van verschillende toepassingen.

Volcano Engine VeOmniverse

VeOmniverse is een cloudgebaseerd platform voor robotsimulatie en training. Het creëert zeer realistische digitale omgevingen voor het trainen en testen van robots. Het vermindert de behoefte aan fysieke apparatuur en verlaagt de ontwikkelingskosten. Het platform maakt gebruik van visuele engines, fysieke engines, sensorsimulatie en 3D-generatie om een uitgebreid trainingssysteem te creëren. Het platform gebruikt AI om hoogwaardige trainingsdata te genereren en het trainingsproces te versnellen. Het platform is open en aanpasbaar, waardoor bedrijven gepersonaliseerde digitale tweelingtoepassingen kunnen ontwikkelen. Het helpt bedrijven snel robotmodellen te bouwen, te valideren en te optimaliseren. VeOmniverse is een belangrijk hulpmiddel voor de intelligente en digitale transformatie van de robotica-industrie.