Moderne KI-modeller viser menneskelignende evner til å generere tekst, lyd og video ved forespørsel. Disse algoritmene har imidlertid hovedsakelig vært begrenset til den digitale verden, i stedet for å interagere med vår fysiske, tredimensjonale verden. Selv de mest avanserte modellene møter betydelige utfordringer når de anvendes i virkelige scenarier, som den pågående kampen for å skape sikre og pålitelige selvkjørende biler. Selv om disse modellene er kunstig intelligente, mangler de ofte forståelse for fysikk og kan ofte produsere hallusinasjoner som fører til uforklarlige feil. Dette er året hvor KI overgår fra den digitale sfæren til vår virkelige verden. Å utvide KIs rekkevidde utover den digitale grensen krever en nytenking av maskintenkning ved å kombinere KIs digitale intelligens med robotikkens mekaniske ferdigheter. Denne sammensmeltningen, som jeg kaller "fysisk intelligens, " gjør det mulig for maskiner å forstå dynamiske miljøer, håndtere uforutsigbarhet og ta avgjørelser i sanntid. I motsetning til konvensjonelle KI-modeller, er fysisk intelligens forankret i fysikk, og inkorporerer grunnleggende prinsipper fra virkeligheten som årsak-og-virkning. Slike egenskaper tillater modeller med fysisk intelligens å samhandle med og tilpasse seg ulike miljøer. I min MIT-forskningsgruppe utvikler vi modeller for fysisk intelligens kjent som flytende nettverk.

I et eksperiment trente vi to droner – en med en standard KI-modell og en annen med et flytende nettverk – til å finne objekter i en skog om sommeren, ved bruk av data fra menneskelige piloter. Mens begge dronene utmerket seg i oppgaver de ble trent for, tilpasset bare dronen med flytende nettverk seg for å finne objekter under nye forhold – som vinter eller urbane omgivelser. Dette eksperimentet viste at i motsetning til konvensjonelle KI-systemer som slutter å lære etter innledende trening, lærer og tilpasser flytende nettverk seg kontinuerlig fra erfaring, på samme måte som mennesker. Fysisk intelligens tolker og utfører også komplekse kommandoer avledet fra tekst eller bilder, og bygger bro mellom digitale instrukser og handlinger i den virkelige verden. For eksempel har vi skapt et system i vårt laboratorium som kan designe og 3D-printe små roboter på under ett minutt basert på forespørsler som "robot som kan gå fremover" eller "robot som kan gripe objekter. " Viktige gjennombrudd skjer også i andre laboratorier. Robotikk-startupen Covariant, ledet av UC-Berkeley-forsker Pieter Abbeel, skaper chatboter lik ChatGPT som kan operere robotarmer. De har samlet inn over 222 millioner dollar for å utvikle og distribuere sorteringsroboter globalt i varehus. Et team ved Carnegie Mellon University har demonstrert at en robot med et enkelt kamera og upresis bevegelse kan utføre dynamiske parkour-bevegelser – som å hoppe på hindringer dobbelt så høye som den selv og krysse gap dobbelt så lange som den selv – ved bruk av et nevralt nettverk trent gjennom forsterkningslæring. Hvis 2023 var året for tekst-til-bilde og 2024 året for tekst-til-video, vil 2025 markere begynnelsen på æraen for fysisk intelligens. Denne nye generasjonen av enheter, som inkluderer ikke bare roboter, men også systemer som energinettverk og smarthjem, vil være i stand til å tolke instruksjoner og utføre oppgaver i den virkelige verden.