Kai kalbame apie dirbtinį intelektą, dauguma iškart pagalvoja apie ChatGPT langą ar Midjourney sugeneruotą paveikslėlį. Tekstas, vaizdai, garsas – viskas ekrane, viskas skaitmeniniame pasaulyje. Bet pastaruosius kelis metus vis garsiau kalbama apie kitą kryptį – fizinį AI (angl. Physical AI), kai algoritmai išeina iš serverių ir pradeda valdyti mechanizmus, kurie juda, čiuopia, vaikšto ir sąveikauja su tikru pasauliu. Ir tai jau nebe mokslinės fantastikos tema, o gana konkretus inžinerinis iššūkis, kurį sprendžia NVIDIA, Tesla, Boston Dynamics, Figure AI ir dešimtys mažiau žinomų startuolių.
Terminą „Physical AI” pastaruoju metu itin aktyviai populiarina Jensenas Huangas, NVIDIA generalinis direktorius, tvirtindamas, kad tai bus kitas didysis technologinis šuolis po generatyvinio AI bangos. Ir jame yra logikos – jeigu modelis gali suprasti kalbą, kodėl jis negalėtų suprasti erdvės, gravitacijos, trinties ir fizinių objektų sąveikos? Klausimas tik, kaip tą pasiekti technologiškai.
Kuo fizinis AI skiriasi nuo įprastos robotikos
Robotika egzistuoja dešimtmečius, ir gamyklų linijose robotai suvirina, lanksto lakštinį metalą ar surenka mikroschemas jau labai seniai. Tačiau tie robotai iš esmės yra „kvaili” – jie vykdo tiksliai užprogramuotus judesius, pakartotinai, tūkstančius kartų per dieną, be jokio supratimo apie tai, ką daro. Pakeisk detalės padėtį stalčiuje vienu centimetru, ir robotas sugadins operaciją arba tiesiog sustos.
Fizinio AI koncepcija sako kitaip: robotas turi turėti supratimą apie pasaulį, panašiai kaip didysis kalbos modelis turi supratimą apie tekstą. Jis turi mokėti generalizuoti – jei mokėsi paimti raudoną kubelį nuo stalo, turėtų sugebėti paimti ir mėlyną kubelį, ir net panašų objektą, kurio niekada nematė. Tai vadinama zero-shot arba few-shot generalizacija, ir kalbos modeliuose tai pasiekta gana įspūdingai. Robotikoje – vis dar labai sunku, nes fizinis pasaulis yra begalo daugiau kintamųjų: trintis, svoris, elastingumas, apšvietimas, sensoriaus triukšmas.
Esmė ta, kad fizinis AI bando sujungti tris dalykus vienoje sistemoje: suvokimą (perception) – ką robotas mato ir jaučia, samprotavimą (reasoning) – kaip suprasti situaciją ir nuspręsti, ką daryti, ir veikimą (action) – kaip tą sprendimą paverst tiksliu variklio judesiu. Ir visa tai turi vykti realiu laiku, milisekundžių tikslumu, ne kelias sekundes palaukiant atsakymo kaip pokalbio lange.
Foundation modeliai persikelia į robotus
Vienas didžiausių pastarųjų metų pokyčių – supratimas, kad tie patys principai, kurie leido sukurti GPT ar Gemini, gali veikti ir robotikoje. Vietoj rankinio kodavimo kiekvienam judesiui, tyrėjai treniruoja vadinamuosius vision-language-action (VLA) modelius, kurie priima vaizdą iš kameros ir tekstinę komandą, o išveda tiesioginius variklių valdymo signalus.
Google DeepMind projektas RT-2 buvo vienas pirmųjų plačiai aptartų pavyzdžių – modelis, treniruotas ant milijardų interneto vaizdų ir tekstų kartu su robotikos demonstracijomis, sugebėjo suprasti abstrakčias instrukcijas tipo „paduok man vaisių, kuris turi daugiausia vitamino C” – niekas jam to specifiškai nemokė, jis tiesiog susijungė kalbos modelio žinias su fiziniu veikimu.
Panašiu keliu eina ir Physical Intelligence (startuolis, kurį įkūrė buvę OpenAI ir Google Robotics inžinieriai) su savo π0 modeliu, kuris demonstruoja gebėjimą atlikti sudėtingas kasdienes užduotis – skalbinių lankstymą, indų plovimą, stalo tvarkymą – be atskiro programavimo kiekvienai užduočiai. Tai didelis skirtumas nuo klasikinės robotikos, kur kiekvienam naujam veiksmui reikėjo naujo algoritmo.
Svarbu paminėti – šie modeliai dažniausiai statomi ant transformer architektūros, tos pačios, kuri stovi už kalbos modelių. Tik įvesties ir išvesties formatai skiriasi: vietoj žodžių tokenų, čia veikia vaizdo latentai ir judesio trajektorijos. Konceptualiai tai vis dar „nuspėk kitą tokeną”, tik tas tokenas dabar reiškia rankos poziciją erdvėje.
Simuliacija kaip treniruočių sale
Vienas rimčiausių praktinių iššūkių fiziniame AI – duomenų trūkumas. Kalbos modelius galima treniruoti ant interneto tekstų, kurių yra trilijonai tokenų. Robotui skirtų realaus pasaulio judesio duomenų surinkti taip daug tiesiog neįmanoma – kiekvienas fizinis bandymas kainuoja laiką, dėvi mechanizmus, o kartais ir sudūžta detalė.
Todėl pramonė smarkiai investuoja į simuliacijas. NVIDIA Isaac Sim ir Omniverse platforma leidžia sukurti fiziškai tikslų virtualų pasaulį, kuriame robotas gali „bandyti” milijonus kartų per parą – tokiu greičiu, kokio realybėje niekada nepasieksi. Tai vadinama sim-to-real perkėlimu, ir problema visada buvo ta, kad tai, kas veikia simuliacijoje, ne visada veikia realybėje dėl vadinamosios „reality gap” – nedidelių fizikos modeliavimo neatitikimų, kurie tampa lemtingi tikrame pasaulyje.
Šiai problemai sprendžiama domain randomization technika – simuliacijoje sąmoningai keičiami parametrai (trintis, apšvietimas, tekstūros, svoriai), kad modelis išmoktų būti atsparus variacijai, o ne prisitaikytų prie vienos tikslios fizikos versijos. Praktiškai tai reiškia, kad robotas simuliacijoje „mato” tūkstančius skirtingų virtualių pasaulio variantų, ir kai jį paleidi realybėje, jam ta viena versija tiesiog atrodo kaip dar vienas variantas iš daugelio.
Kodėl skaičiavimo galia turi būti čia pat
Kalbos modelio užklausa gali keliauti į duomenų centrą ir atgal per kelias šimtąsias sekundės – žmogus to net nepastebi pokalbio lange. Robotui, kuris eina laiptais ar gaudo krentantį objektą, tokia delsa yra katastrofiška. Fizinės sistemos reikalauja edge computing – skaičiavimų atlikimo tiesiai įrenginyje, ne debesijoje.
Tai kelia gana rimtus techninius reikalavimus. Modeliai turi būti sukompaktinti (kvantizuoti, distiliuoti), kad tilptų į palyginti kompaktiškus lustus, montuojamus paties roboto viduje, ir vis tiek veiktų realaus laiko sparta. NVIDIA sprendžia šitą su Jetson Thor lustų linija, specialiai pritaikyta autonominiams robotams ir savivaldiams automobiliams – ji sujungia GPU pajėgumus su optimizuotu energijos suvartojimu, kadangi robotas dažnai veikia iš baterijos, o ne iš rozetės.
Įdomus architektūrinis sprendimas, kurį naudoja nemaža dalis šiuolaikinių sistemų – hierarchinis modeliavimas. Yra „lėtas” aukšto lygio modelis, kuris supranta bendrą užduotį ir kontekstą (pvz., „paruošk kavos puodelį”), ir yra „greitas” žemo lygio kontroleris, kuris valdo pačius variklius realiu laiku, remdamasis tuo, ką aukšto lygio modelis nusprendė. Toks skirtingų dažnių sluoksniavimas leidžia sujungti supratimą su reakcijos greičiu, nes vieno universalaus modelio, veikiančio ir strategiškai, ir milisekundžių tikslumu vienu metu, sukurti praktiškai neįmanoma.
Humanoidiniai robotai – kodėl staiga vėl populiarūs
Pastaraisiais metais matome tikrą humanoidinių robotų renesansą – Tesla Optimus, Figure 02, Boston Dynamics Atlas (dabar visiškai elektrinė versija), Unitree G1 ir kiti. Kyla natūralus klausimas – kodėl būtent žmogaus formos robotas, jei galima kurti specializuotas formas kiekvienai užduočiai?
Atsakymas iš dalies pragmatiškas: visa mūsų pasaulio infrastruktūra – durų rankenos, laiptai, įrankiai, baldų aukštis, automobilių salonai – pritaikyta žmogaus kūnui. Robotas humanoidinės formos gali naudotis tuo pačiu pasauliu be papildomos infrastruktūros pertvarkos. Antra priežastis – duomenų prieinamumas. Egzistuoja milijonai vaizdo įrašų, kur žmonės atlieka įvairiausias užduotis. Tuos judesius (per metodą, vadinamą imitation learning arba teleoperaciją) galima palyginti tiesiogiai perkelti į humanoidinio roboto kūną, kadangi kinematinė struktūra – rankos, pirštai, sąnariai – yra panaši.
Tesla ėjo dar toliau ir naudoja savo automobilių savivaldystės patirtį – tie patys principai, kuriais Tesla FSD (Full Self-Driving) modeliai apdoroja kamerų srautą aplinkos suvokimui, perkeliami į Optimus roboto suvokimo sistemą. Tai gana logiškas žingsnis, kadangi ir automobilis, ir robotas iš esmės sprendžia tą pačią bendrą problemą – suprasti trimatę aplinką iš 2D vaizdo srauto ir priimti sprendimus realiu laiku.
Kur šiandien slypi tikri sunkumai
Nepaisant įspūdingų demonstracinių vaizdo įrašų, praktinis fizinio AI diegimas dar toli nuo masinio pritaikymo. Rankos judesio tikslumas, ypač smulkiosios motorikos (fine motor skills) atveju – suveržti sraigtą, sulankstyti audinį, atskirti vieną popieriaus lapą nuo krūvos – vis dar rimtai atsilieka nuo žmogaus rankos gebėjimų. Lietimo jutiklių (tactile sensing) technologija taip pat toliau nuo idealios – žmogaus pirštų galiukų jutimo tankumą pakartoti dirbtiniais sensoriais brangu ir techniškai sudėtinga.
Saugumas – kita didelė tema. Kalbos modelis, kuris klysta, sugeneruoja neteisingą tekstą. Robotas, kuris klysta fiziniame pasaulyje, gali sugadinti turtą arba sužeisti žmogų. Tai reiškia, kad fiziniam AI reikia daug aukštesnio patikimumo lygio (reliability), nei mes toleruojame kalbos modeliuose, kur „haliucinacija” tiesiog reiškia nepatogų atsakymą, o ne sulaužytą pirštą.
Yra ir ekonominis klausimas – gamybos kaina. Sudėtingas humanoidinis robotas su daugybe aktuatorių, jutiklių ir specializuotu skaičiavimo lustu šiuo metu kainuoja dešimtis tūkstančių dolerių. Kad tokia technologija taptų verslo modeliu, kainos turi kristi panašiai, kaip kritome pramoninių robotų ar elektrinių automobilių baterijų atveju – per masinę gamybą ir komponentų standartizaciją.
Praktiniai patarimai tiems, kas seka šią sritį
Jei domitės fiziniu AI iš profesinės ar mėgėjiškos pusės, čia keletas konkrečių dalykų, į kuriuos verta atsižvelgti:
- Pradėkite nuo simuliacinių aplinkų. NVIDIA Isaac Sim, MuJoCo ir Genesis (naujesnis, greitesnis simuliatorius, orientuotas specifiškai į robotikos mokymąsi) yra prieinami be didelio biudžeto ir leidžia realiai pajusti sim-to-real problematiką be fizinio roboto pirkimo.
- Sekite atviro kodo VLA modelius. OpenVLA, Octo ir RDT-1B yra atviro kodo projektai, kuriuos galima adaptuoti savo užduotims – gera pradžios vieta, jei norite eksperimentuoti neinvesuojant į savo modelio treniravimą nuo nulio.
- Neignoruokite duomenų kokybės klausimo. Teleoperacijos duomenys (kai žmogus valdo robotą per VR pirštines ar valdymo pultą, generuojant treniruočių pavyzdžius) šiuo metu yra pagrindinis kaklo kamštis. Kompanijos, tokios kaip Physical Intelligence ar Skild AI, aktyviai renka tokius duomenis, ir tai bene svarbiausias jų konkurencinis pranašumas – ne pats algoritmas.
- Atkreipkite dėmesį į lustų ekosistemą. Jetson Thor, Qualcomm Robotics RB series ir specializuoti NPU sprendimai formuoja hardware bazę – jų kainos ir energijos vartojimo rodikliai geriau nusako, kaip greitai technologija pasieks masinį vartotoją, nei bet kokie modelio benchmarkai.
Vietoj apibendrinimo – kur šis kelias veda
Fizinis AI šiuo metu yra tame etape, kuriame generatyvinis kalbos AI buvo apie 2019–2020 metus – jau matomas potencialas, jau turime pirmuosius įtikinamus prototipus, bet dar toli iki masinio, patikimo, pigaus diegimo. Skirtumas tas, kad kalba yra santykinai švarus, struktūruotas duomenų domenas, o fizinis pasaulis – chaotiškas, netvarkingas ir nuolat kintantis. Tai tiesiog kur kas sunkesnis uždavinys inžineriniu požiūriu, ir todėl nereikėtų tikėtis, kad humanoidiniai robotai kiekvienuose namuose atsiras per porą metų, kaip kartais pažada rinkodaros vaizdo įrašai.
Tačiau kryptis aiški ir tvirta – foundation modelių principai, kurie pakeitė tekstą, vaizdą ir garsą, dabar sistemingai perkeliami į fizinį veikimą, ir infrastruktūra (simuliatoriai, edge lustai, teleoperacijos platformos) auga labai greitai. Realistiškiausias scenarijus artimiausiems metams – ne universalus namų robotas, o specializuoti pramoniniai ir sandėlių robotai, kurie veiks ribotoje, gerai apibrėžtoje aplinkoje, kur fizinio pasaulio chaosas yra kontroliuojamas. Tik po to, laipsniškai, tie patys principai persikelia į atviresnes, mažiau nuspėjamas aplinkas – restoranus, ligonines, galiausiai namus.
Jei norite sekti šią sritį protingai, žiūrėkite ne tiek į efektingus demonstracinius video, kiek į konkrečius diegimo skaičius – kiek robotų realiai dirba sandėliuose, kokia jų klaidų statistika, kiek kartų per dieną žmogus turi įsikišti. Tie skaičiai, ne marketinginiai pristatymai, parodys, kada fizinis AI iš tikrųjų pereina iš eksperimento į kasdienybę.
