Els models recents d'IA demostren capacitats humanes en generar text, àudio i vídeo quan se'ls demana. No obstant això, aquests algoritmes s'han confinat majoritàriament al món digital, en comptes d'interactuar amb el nostre món físic tridimensional. Fins i tot els models més avançats enfronten desafiaments significatius quan s'apliquen a escenaris del món real, com la lluita persistent per crear cotxes autònoms segurs i fiables. Tot i que aquests models són artificialment intel·ligents, tendeixen a mancar d'una comprensió de la física i sovint produeixen al·lucinacions, conduint a errors inexplicables. Aquest és l'any en què l'IA fa la transició de l'àmbit digital al nostre món real. Estendre l'abast de l'IA més enllà del límit digital requereix reinventar el pensament de les màquines combinant la intel·ligència digital de l'IA amb les habilitats mecàniques de la robòtica. Aquesta fusió, que anomeno "intel·ligència física", permet que les màquines comprenguin entorns dinàmics, gestionin la imprevisibilitat i prenguin decisions en temps real. A diferència dels models d'IA convencionals, la intel·ligència física es fonamenta en la física, incorporant principis fonamentals del món real com la causa i l'efecte. Aquests atributs permeten que els models d'intel·ligència física s'integrin i s'adaptin a diversos entorns. Al meu grup de recerca del MIT, estem desenvolupant models d'intel·ligència física anomenats xarxes líquides.

En un experiment, vam entrenar dos drons—un amb un model d'IA estàndard i un altre amb una xarxa líquida—per localitzar objectes en un bosc durant l'estiu, utilitzant dades de pilots humans. Tot i que ambdós drons destacaven en les tasques per a les quals havien estat entrenats, només el dron amb xarxa líquida es va adaptar per trobar objectes en noves condicions—com a l'hivern o en entorns urbans. Aquest experiment va demostrar que, a diferència dels sistemes d'IA convencionals que deixen d'aprendre després de l'entrenament inicial, les xarxes líquides aprenen i s'adapten contínuament a partir de l'experiència, similar als humans. La intel·ligència física també interpreta i executa ordres complexes derivades de text o imatges, connectant instruccions digitals amb acció real. Per exemple, hem creat un sistema al nostre laboratori capaç de dissenyar i imprimir en 3D petits robots en menys d'un minut basant-se en instruccions com "robot que pugui caminar endavant" o "robot que pugui agafar objectes. " Esdeveniments significatius també s'estan produint en altres laboratoris. L'empresa emergent de robòtica Covariant, dirigida pel investigador de UC-Berkeley Pieter Abbeel, està creant xatbots similars a ChatGPT que poden manejar braços robòtics. Han recaptat més de 222 milions de dòlars per desenvolupar i desplegar robots de classificació globalment en magatzems. Un equip de la Universitat Carnegie Mellon va demostrar que un robot amb una càmera única i una actuació imprecisa podia realitzar moviments dinàmics de parkour—com saltar sobre obstacles dues vegades la seva alçada i travessar esquerdes el doble de la seva longitud—utilitzant una xarxa neuronal entrenada mitjançant aprenentatge per reforç. Si el 2023 va ser l'any del text-a-imatge i el 2024 l'any del text-a-vídeo, llavors el 2025 està preparat per inaugurar l'era de la intel·ligència física. Aquesta nova generació de dispositius, que inclou no només robots, sinó també sistemes com xarxes elèctriques i llars intel·ligents, serà capaç d'interpretar instruccions i executar tasques en el món real.