All'inizio di XPENG's AI Day lo scorso novembre, ho presentato il nostro framework completo di Physical AI, con l'obiettivo di portare le applicazioni di Physical AI, inclusi Robotaxi, robot umanoidi e auto volanti, alla produzione di massa entro il 2026.
Ora, a metà anno, stiamo esaminando la vera chiave per scalare la Physical AI.
Cos'è la Physical AI
Prima di tutto, cos'è la Physical AI? Potreste anche sentirla chiamare spesso 'AI incarnata'. In realtà, la Physical AI comprende un dominio più ampio dell'AI incarnata.
Integrare le capacità AI del mondo digitale con l'hardware fisico, come veicoli autonomi e robotica, darà vita alla 'Physical AI'. Ad esempio, i robot acquisiranno progressivamente la capacità di comprendere, interagire e rimodellare il mondo, innescando infine un cambiamento rivoluzionario nella produttività e nei rapporti di produzione.
La Physical AI comprende quattro elementi fondamentali
Per scalare la Physical AI, dobbiamo scomporre i suoi elementi fondamentali. A mio avviso, la Physical AI comprende quattro elementi fondamentali: modelli, potenza di calcolo, dati e incarnazioni fisiche.
Il fondamento del mondo della Physical AI è il sistema operativo, e il modello è quel sistema operativo. Nel frattempo, il modello di grandi dimensioni può essere visto come il motore. I dati sono il carburante che guida la sua evoluzione, e la scala e l'efficienza dell'applicazione dei dati determinano le capacità del modello.
Modelli, potenza di calcolo e dati sono elementi appartenenti al regno digitale che seguono le Leggi di Scala nello spazio virtuale, il che significa che le prestazioni del modello continuano a migliorare man mano che i parametri del modello, la potenza di calcolo e il volume del set di dati si espandono.
Al contrario, le incarnazioni fisiche appartengono al mondo fisico. Si riferiscono a sistemi tangibili potenziati dall'AI, come veicoli e robot umanoidi, le cui capacità sono vincolate dalle leggi fisiche che governano la produzione.
Questi quattro elementi formano collettivamente la spina dorsale fondamentale della guida autonoma e persino dell'intelligenza generale artificiale (AGI). L'implementazione nel mondo reale della Physical AI può essere raggiunta solo attraverso progressi simultanei sia negli elementi digitali che in quelli fisici.
Produzione di massa: Physical AI vs. AI Digitale
Senza dubbio, produrre in serie la Physical AI è enormemente più impegnativo dell'AI digitale. Ma oltre ai vincoli software, quali altri fattori entrano in gioco?
- Densità informativa: L'AI digitale gestisce flussi di informazioni a bassa densità. La Physical AI gestisce flussi di informazioni a densità molto più elevata. Pertanto, la transizione dall'AI digitale alla Physical AI rappresenta un passaggio da flussi di informazioni a bassa densità a flussi di informazioni ad alta densità, nonché una transizione fuori dal dominio digitale nello spazio-tempo fisico.
- Confini delle capacità: Il limite superiore dell'AI digitale risiede in una maggiore efficienza informativa, con tolleranza agli errori al suo limite inferiore e un'applicabilità altamente trasferibile. Al contrario, il limite superiore della Physical AI è il suo potere di rimodellare il mondo fisico, mentre il suo limite inferiore impone standard di sicurezza rigorosi con tolleranza zero per gli errori, e la sua applicabilità rimane profondamente specifica per ogni caso. Fondamentalmente, l'AI digitale è universale e facilmente trasferibile, ma la Physical AI è profondamente legata a scenari specifici.
- Barriere hardware: Mentre CPU, GPU e cluster di server costituiscono le principali barriere hardware per l'AI Digitale, le barriere hardware della Physical AI coprono dimensioni molto più ampie, tra cui le prestazioni fondamentali, il costo, l'affidabilità, la capacità produttiva e la producibilità di massa dell'hardware lato periferico.
- Leggi e regolamenti: Le normative sull'AI digitale si concentrano sulla gestione indiretta, coinvolgendo la privacy dei dati, il copyright e l'etica. Al contrario, la Physical AI affronta restrizioni operative dirette e severe imposte da politiche e regolamenti. Ad esempio, i Robotaxi richiedono permessi per i test su strada e rigorose certificazioni di sicurezza.
- Accettazione pubblica: L'AI digitale vanta tratti strumentali prominenti e ottiene un facile riconoscimento pubblico. La Physical AI, invece, coinvolge preoccupazioni di sicurezza e credibilità e richiede un ciclo molto più lungo per costruire la fiducia del pubblico.
Ecco perché la corsa per scalare la Physical AI appartiene alle aziende con capacità di integrazione interdominio e di sviluppo autonomo, non solo a quelle che si concentrano esclusivamente su modelli o hardware.
