در حال حاضر نوع دیگری از هوش مصنوعی در حال توسعه است ، به اصطلاح "AI تجسم یافته". این به مأمورین اشاره دارد که دارای بدن هستند و از تعامل جسمی مانند روبات های خدمات هوشمند ، خودروهای خودران و غیره پشتیبانی می کنند.
روبات های AI مجسم می توانند با محیط ارتباط برقرار کنند ، برنامه ریزی کنند ، تصمیم بگیرند ، عمل کنند و کارهایی مانند انسان انجام دهند. به عنوان مثال ، واحد ربات وظیفه دارد تا سطح فوقانی بخشی را که در واحد قرار داده شده است ، برای دستیابی به سطح سطح مورد نظر قرار دهد. AI مجسم قادر به استفاده از سنسورها برای نظارت بر وضعیت واحد و ایجاد دستورالعمل هایی برای انجام کارها است.
هوش مصنوعی دیجیتال و AI مجسم برخی از شباهت ها را به اشتراک می گذارند و از بسیاری از فناوری های اساسی استفاده می کنند. با این حال ، درک تفاوت بین این دو نوع هوش مصنوعی برای استفاده موفقیت آمیز روشهای دیجیتال هوش مصنوعی در برنامه های خاص هوش مصنوعی بسیار مهم است.
مشخصات ریسک برنامه های AI تجسم یافته اغلب اساساً با برنامه های دیجیتال AI متفاوت است. اگر ابزارهای دیجیتال AI 99 درصد دقیق باشند ، می تواند به طور چشمگیری بهره وری انسان را در بسیاری از برنامه ها بهبود بخشد.
در مقابل ، با توجه به خطرات کاربردهای صنعتی ، الزامات صحت سیستم های خاص هوش مصنوعی اغلب بسیار متفاوت است.
خطرات اصلی از دو جنبه ناشی می شود: احتمال خطا و عواقب خطا. هنگامی که عواقب اشتباه جدی نیست ، می توان احتمال بیشتری از خطا را تحمل کرد. به همین دلیل احتمال خطای 1 ٪ در بسیاری از برنامه های دیجیتال هوش مصنوعی قابل قبول است.
در مقابل ، بسیاری از برنامه های AI تجسم یافته نیاز به احتمال خطا بهتر از یک در یک میلیون دارند. استفاده از یک رویکرد صرفاً داده محور برای کاهش احتمال خطاها به داده های زیادی نیاز دارد. در بیشتر موارد ، تقاضا برای داده ها به صورت تصاعدی در حال رشد است. متأسفانه هزینه دریافت داده از سیستم های فیزیکی زیاد است. بنابراین ، هنگام برخورد با برنامه های AI تجسم یافته ، باید یک رویکرد متفاوت دنبال شود.
برای پاسخگویی به الزامات فوق ، هوش مصنوعی تجسم یافته برای تولید برنامه ها باید ویژگی های زیر را داشته باشد:
آموزش با داده های محدود: هوش مصنوعی تجسم یافته را می توان با داده های محدود تولید شده از آزمایش های فیزیک آموزش داد.
می توان از اجزای مدولار از پیش آموزش دیده مونتاژ کرد: سیستم های فیزیکی می توانند چندین تنظیم برای پشتیبانی از نیازهای مورد نظر خود داشته باشند. به عنوان مثال ، بسته به فرآیند انجام شده (مانند شن و ماسه یا ماسهبازی) ، واحد ربات تولیدی می تواند در تنظیمات مختلفی باشد. واحدهای مختلف ممکن است شامل روبات هایی با کارکردهای مختلف (مانند روبات های نصب پلت فرم موبایل یا روبات های نصب کننده گانری) ، انواع سنسور (مانند دوربین های عمق یا تصویربرداری حرارتی) و ابزارهایی (مانند ساندرهای مداری یا نازل های ماسهبازی) باشد.
در نتیجه ، توسعه AI تجسم جهانی که برای همه برنامه های تولیدی خارج از جعبه کار می کند ، ممکن است خیلی خوب عمل نکند. هوش مصنوعی سیستم باید به سرعت از اجزای مدولار سنتز شود تا با قابلیت سنجش و رانندگی سیستم خاص و محیط کار مطابقت داشته باشد.
می تواند با داده ها یا زمینه های جدید سازگار باشد: از آنجا که داده های جدید در طول استقرار سیستم در دسترس قرار می گیرند ، باید از این داده ها برای بهبود عملکرد AI استفاده کرد. هوش مصنوعی باید بتواند به طور خودمختار با محیط ها یا وظایف جدید با حداقل نظارت انسانی سازگار شود.
به روزرسانی آسان: با گذشت زمان ، عملکرد سیستم فیزیکی ممکن است به دلیل سایش و پارگی یا به روزرسانی در اجزای فیزیکی تغییر کند. این ممکن است نیاز به پیشرفت در هوش مصنوعی داشته باشد تا اطمینان حاصل شود که می تواند با تکامل سیستم همراه باشد. بنابراین ، یک سیستم هوش مصنوعی تجسم یافته باید طراحی شود تا اطمینان حاصل شود که می توان آن را با حداقل اختلال در عملکرد سیستم به روز کرد.
توصیه های مبتنی بر ریسک برای عمل: سیستم باید بتواند اعتماد به نفس خود را در عمل پیشنهادی تخمین بزند. هنگامی که اعتماد به نفس کم است ، سیستم باید تجزیه و تحلیل ریسک را انجام داده و پیامدهای شکست را تجزیه و تحلیل کند. اگر خطر خیلی زیاد باشد ، سیستم باید از متخصصان انسانی کمک کند.
تفسیر: اگر سیستم عملی را پیشنهاد کند که انتظارات کاربر را برآورده نکند ، سیستم باید بتواند دلایل استفاده شده برای انتخاب عمل را توضیح دهد.
معماری توزیع شده که از پارتیشن بندی محاسبات بین لبه و ابر پشتیبانی می کند: در سناریوهای برنامه AI تجسم یافته ، انجام تمام محاسبات هوش مصنوعی در ابر امکان پذیر نیست. طراحی سیستم باید اطمینان حاصل کند که محاسبات حساس به تأخیر شبکه می تواند در لبه انجام شود.
در زمینه هوش مصنوعی دیجیتال ، ما شاهد موفقیت های بزرگی با مدلهای یادگیری بزرگ پایان به پایان مانند LLM هستیم. این مدل ها از داده های عظیمی رونق می گیرند. با این حال ، آنها بسیاری از خصوصیات هوش مصنوعی تجسم یافته در بالا را ندارند.
هوش مصنوعی تجسم یافته باید به عنوان یک سیستم پیچیده که شامل تعامل بین چند مؤلفه AI است ، تلقی شود. داشتن معماری مناسب سیستم در AI تجسم یافته یکی از کلیدهای کاربردهای تولید موفق است. این امر شما را قادر می سازد از آخرین پیشرفت های هوش مصنوعی استفاده کرده و نیازهای خواستار برنامه های تولید را برآورده کنید. بنابراین ، روش های مهندسی سیستم های مدرن برای طراحی AI تجسم شده برای تولید برنامه ها مورد نیاز است.