Az embodied AI új matematikát igényel a fizikai korlátok miatt
Az embodied AI rendszerek fejlődését a fizikai korlátok, mint az energiaigény, súly és késleltetés szabják meg, nem a szoftveres tervezés. Zhengis Tileubay szerint új matematikai megközelítésekre van szükség.
Tileubay korábbi, mobil robotokra fókuszáló elemzése óta szélesebb képet lát az edge AI terén. A „Phase stability regulator based on two dynamic parameters for autonomous mobile robots” című cikkében a komplex, gyorsan változó környezetben működő gépek problémáját vizsgálta, ahol a döntéshozatal minősége romlik, nem hardverhiba miatt, hanem az alternatívák túlzott számának feldolgozása okozta információs túlterheltség miatt. (The Robot Report)
A fizikai és matematikai korlátok
A nagy nyelvi modellek (LLM-ek) és multimodális alapmodellek fejlődése a fizikai világba való átültetés felé tolja az iparágat. Ambiciózus projektek sora indul, mint az általános célú humanoid robotasszisztensek, új generációs autonóm szállítási rendszerek és önvezető járművek. Ezek mögött a lineáris skálázási hipotézis áll: ha a számítási kapacitás és az adatmennyiség növelése áttörést hozott a cloud AI-ban, akkor ez működnie kell a fizikai testek irányításában is.
Ez az elképzelés azonban figyelmen kívül hagyja a környezetek fizikai különbségeit. Míg a cloud intelligencia rugalmasan skálázható szerverekkel és gyors válaszidővel működik, a fizikai AI rendszerek merev hardverkorlátokba ütköznek. Minden plusz watt energia növeli az akkumulátor súlyát és a hőtermelést, miközben a valós idejű rendszerekben a millimásodperces késleltetés kritikus. Ha egy robot nem dolgozza fel időben a látottakat, elveszíti a stabilitását, ami balesetekhez vezethet.
A kombinatorikus robbanás kihívása
A nehéz neurális hálózati modellek mobil platformokra való telepítése egy rendszerszintű szűk keresztmetszetbe, az „edge AI falba” vezette az iparágat. Ez a fal kettős: fizikai és számítási komplexitáselméleti törvények kombinációja. Fizikai szempontból az autonóm rendszerek szigorú energia- és tömegkorlátok között működnek.
Az extra számítási teljesítmény növeli az energiafogyasztást és a hőleadást, ami nehezebb akkumulátorokat és bonyolultabb hűtőrendszereket igényel. Ez növeli a platform tömegét, csökkenti a hasznos teherbírást és az üzemidőt. A mérnöki szempontból minden plusz watt teljesítmény rendkívül költséges.
Azonban még ha a szilícium mikroelektronika hatalmas ugrást tenne is, a rendszerek egy másik, ellenállóbb falba ütköznének: egy matematikai falba. A valós környezet folyamatosan változik, ami a robot viselkedésének modellezésénél a kombinatorikus robbanás jelenségéhez vezet. Ahogy a dinamikus objektumok és interakcióik száma nő, a tervező állapottér- és döntési fája exponenciálisan ágazik.
A keresési tér mérete exponenciálisan nő a tervezési mélységgel (N = A^L), ami a hagyományos számítási architektúrák számára kezelhetetlenné teszi a feladatot. A hardver kiterjesztése csak arra tett kísérlet, hogy gyorsabban navigáljon ezen a végtelenül bővülő fán, de a klasszikus brute-force algoritmusok tehetetlenek az exponenciális robbanással szemben.
A RoboBusiness konferencia ehhez kapcsolódó szekciója október 20-21-én Santa Clarában, Kaliforniában kerül megrendezésre.