Читайте в Telegram
|
Физический ИИ переносит алгоритмы из компьютера в реальный мир — в роботов, автономный транспорт и другие системы, которые должны действовать в реальной среде.
На образовательной конференции Яндекса эксперты из индустрии, науки и образования обсудили, почему эта область требует новых технологий — и нового типа специалистов.
Данных нужно много, а дата-центр за роботом не поедет
Физический ИИ уже сложно считать просто ещё одним направлением классического искусственного интеллекта или робототехники. Здесь модели сталкиваются с физическим миром — сенсорами, механикой, ограничениями по энергии, вычислениям и связи.
Один из главных вызовов — данные. Роботам для обучения нужно много сенсорной информации, которую дорого собирать и сложно масштабировать. Есть и ограничения по вычислениям: огромный дата-центр, потребляющий много энергии, на автономную машину не установишь.
Проблема возникает и с передачей информации. Один пробег беспилотного автомобиля генерирует гигабайты данных, которые нужно сохранить и обработать. Если автономных машин станет действительно много, даже пропускной способности сетей 4G и 5G может оказаться недостаточно.
Поэтому для физического ИИ ищут другие подходы к обучению и работе с данными. Среди них — физически обоснованные методы и world models, с помощью которых можно получать синтетические данные и моделировать сложные условия. Особенно важна надёжность: система уже не просто выдаёт ответ на экране, а принимает решения в физическом мире.
Индустрия ускорилась — образованию тоже приходится меняться
У «воплощённого» ИИ есть ещё одна особенность: бизнес, наука и образование развиваются с разной скоростью.
В дискуссии Андрея Кармацкого, руководителя проектов ИИ-робототехники в Яндекс Образовании, этот разрыв описывали как «три скорости физического ИИ». Индустрии нужно быстро внедрять новые решения, наука ещё формулирует часть задач и способов их оценки, а образовательные программы меняются медленнее. При этом уже не хватает специалистов, способных одновременно разбираться в машинном обучении и в физическом устройстве систем.
Поэтому подготовка специалиста по физическому ИИ не сводится к тому, чтобы добавить в программу ещё один курс по нейросетям. Разработчику приходится понимать, как взаимодействуют модель, механика, электроника, сенсоры и встраиваемые системы.
На конференции отмечали, что специалисты становятся более T-shaped: сохраняют глубокую экспертизу в своей области, но способны быстро разобраться в смежной, если она мешает решить задачу.
Роботов тоже придётся учить
Распространение физического ИИ может изменить и набор профессий вокруг робототехники.
На конференции предположили, что понадобятся специалисты, которые будут разбирать спорные решения автономных систем, корректировать поведение роботов и формулировать для них рабочие сценарии. Отдельным направлением останется сбор данных для их обучения.
При этом часть человеческой работы не исчезнет, а изменится. Чем самостоятельнее становятся машины, тем важнее специалисты, которые способны понять всю систему целиком — от поведения модели до физики устройства — и разобраться, почему робот поступил именно так.
Физический ИИ поэтому ставит перед образованием довольно необычную задачу: готовить людей не только к уже существующим технологиям, но и к проблемам, для которых готовых решений пока нет
