Najnowsze modele AI wykazują ludzkie zdolności w generowaniu tekstu, audio i wideo na żądanie. Jednak te algorytmy były głównie ograniczone do świata cyfrowego, zamiast wchodzić w interakcje z naszym fizycznym, trójwymiarowym światem. Nawet najbardziej zaawansowane modele napotykają znaczące wyzwania, gdy są stosowane w rzeczywistych scenariuszach, jak trwające zmagania z tworzeniem bezpiecznych i niezawodnych samochodów autonomicznych. Mimo że te modele są sztucznie inteligentne, często brakuje im zrozumienia fizyki i często generują omamy, prowadząc do niewytłumaczalnych błędów. To jest rok, gdy AI przechodzi ze sfery cyfrowej do naszego rzeczywistego świata. Rozszerzenie zasięgu AI poza cyfrowe granice wymaga przemyślenia na nowo myślenia maszyn, łącząc cyfrową inteligencję AI z umiejętnościami mechanicznymi robotyki. Ta fuzja, którą nazywam "inteligencją fizyczną", umożliwia maszynom zrozumienie dynamicznych środowisk, radzenie sobie z nieprzewidywalnością i podejmowanie decyzji w czasie rzeczywistym. W przeciwieństwie do konwencjonalnych modeli AI, inteligencja fizyczna jest zakorzeniona w fizyce, uwzględniając fundamentalne zasady świata rzeczywistego, takie jak przyczyna i skutek. Takie cechy pozwalają modelom inteligencji fizycznej angażować się w różnorodne środowiska i adaptować się do nich. W mojej grupie badawczej na MIT opracowujemy modele inteligencji fizycznej, znane jako sieci płynne.

W jednym eksperymencie trenowaliśmy dwa drony—jeden z użyciem standardowego modelu AI, a drugi z użyciem sieci płynnej—do lokalizowania obiektów w lesie latem, wykorzystując dane od ludzkich pilotów. Choć oba drony świetnie sobie radziły przy zadaniach, do których zostały przeszkolone, tylko dron z sieci płynnej potrafił adaptować się do nowych warunków—jak zima czy środowiska miejskie. Ten eksperyment pokazał, że w przeciwieństwie do konwencjonalnych systemów AI, które przestają się uczyć po wstępnym szkoleniu, sieci płynne stale uczą się i przystosowują na podstawie doświadczeń, podobnie jak ludzie. Inteligencja fizyczna również interpretuje i realizuje złożone polecenia wywodzące się z tekstu lub obrazów, mostując instrukcje cyfrowe z działaniami w rzeczywistym świecie. Na przykład, stworzyliśmy system w naszym laboratorium, który jest w stanie zaprojektować i wydrukować w 3D małe roboty w mniej niż minutę na podstawie poleceń, takich jak "robot, który potrafi iść do przodu" czy "robot, który może chwytać obiekty. " Znaczące przełomy mają miejsce także w innych laboratoriach. Start-up robotyczny Covariant, kierowany przez badacza z UC Berkeley, Pietera Abbeela, tworzy chatboty podobne do ChatGPT, które mogą obsługiwać ramiona robotyczne. Firma zebrała ponad 222 milionów dolarów na rozwój i wdrażanie robotów sortujących w magazynach na całym świecie. Zespół z Carnegie Mellon University pokazał, że robot z jedną kamerą i nieprecyzyjną siłą napędową może wykonywać dynamiczne ruchy parkourowe—takie jak skakanie na przeszkody dwa razy wyższe niż on sam i pokonywanie luk dwa razy dłuższych, niż wynosi jego długość—używając sieci neuronowej trenowanej przez uczenie wzmocnione. Jeśli 2023 był rokiem tekst-do-obrazu, a 2024 rokiem tekst-do-wideo, to 2025 zapowiada się na rok inteligencji fizycznej. Ta nowa generacja urządzeń, która obejmuje nie tylko roboty, ale także systemy takie jak sieci energetyczne i inteligentne domy, będzie zdolna do interpretacji instrukcji i wykonywania zadań w świecie rzeczywistym.