⭐ נקודות עיקריות
- הבינה המלאכותית הפיזית עוברת מהמסכים אל העולם הממשי ומניעה רובוטים במקום להפיק תוצר דיגיטלי בלבד.
- פיתוח מערכות אוטונומיות מתבסס על מודלי VLA המשלבים ראייה ממוחשבת, שפה ופעולה פיזית בזמן אמת.
- פער הנתונים ברובוטיקה נפתר באמצעות למידת חיקוי מהדגמות אנושיות לצד הדמיות מחשב.
- אינטל מציגה ארכיטקטורה היברידית המפצלת עיבוד בין CPU, GPU ו-NPU לעבודה בעלת שיהוי נמוך.
התפתחות הבינה המלאכותית היוצרת (Generative AI) בשנים האחרונות התמקדה בעיקר במרחב הדיגיטלי, החל ממודלי שפה גדולים (LLM) המעבדים טקסט ועד מודלים ויזואליים (VLM) ליצירת תמונות ווידאו.
עם זאת, המעבר של הטכנולוגיה מן המסכים אל תוך רובוטים ומערכות אוטונומיות, תחום המכונה בינה מלאכותית פיזית (Physical AI), מציב אתגרים שונים לחלוטין.
במסגרת מפגש שולחן עגול שערכה אינטל (Intel) הציג גיא טמיר, אוונגליסט AI, את המאפיינים המייחדים את מודלי ה-AI המיועדים לרובוטיקה מול המודלים הדיגיטליים המוכרים.
בינה מלאכותית פיזית היא מערכת הלומדת להבין את הסביבה הפיזית, לקבל החלטות עצמאיות ולבצע תנועות מכניות בעולם האמיתי.
בעוד שמודל שפה רגיל מפיק טקסט ומודל ויזואלי מייצר פיקסלים על גבי המסך, מודל AI לרובוטיקה צריך להניע מנועים, לשלוט בזרועות מכניות ולפעול באופן בטוח לצד בני אדם בסביבה בלתי צפויה.
היישומים המעשיים כבר קיימים סביבנו, גם אם לא תמיד תחת השם הזה. זרועות רובוטיות בקווי ייצור, רובוטים ניידים במרכזי לוגיסטיקה ומערכות ניווט אוטונומיות פועלות כולן על אותו עיקרון של תפיסה, תכנון וביצוע בזמן אמת.
ההבדל בין מכונה שמבצעת רצף פעולות קבוע מראש לבין רובוט שמזהה עצם חדש ומתאים את תנועתו אליו הוא מה שמודלי VLA מנסים לפתור, וההדגמה שהוצגה במפגש, שבה זרוע רובוטית לומדת להרים עצמים ולמקם אותם מחדש, היא הצורה הבסיסית של אותה משימה.
מהארכיטקטורה הדיגיטלית לחיבור המעשי: מודלי VLA
אחד השינויים הרחבים ביותר בתפיסת הפיתוח של מערכות אוטונומיות הוא המעבר למודלי Vision-Language-Action, או VLA.
בניגוד למודלי שפה ותמונות הפועלים במתכונת של קלט ופלט דיגיטליים בלבד, מודלי VLA משלבים בין זיהוי ויזואלי, הבנת שפה טבעית והנעה פיזית, כאשר המודל מתרגם את הקלט החזותי והמילולי ישירות לפקודות מנוע המניעות את הזרוע או הציוד המכני.
גישת VLA התגבשה בשנים האחרונות כסטנדרט מוביל בתחום, ומאז הורחבה על ידי חברות מחקר וקהילות קוד פתוח שפרסמו מודלים מסוג זה לשימוש חופשי. אינטל נשענת על אותה פרדיגמה, ומתמקדת בשאלה כיצד להריץ מודלים כאלה ביעילות על גבי חומרת קצה.
במהלך השולחן העגול הסביר טמיר כי תהליך העבודה של הבינה המלאכותית הפיזית בנוי מלולאה רציפה של שלוש פעולות: תפיסה (Sense), תכנון (Plan) וביצוע (Act). הרובוט מעבד מידע ממצלמות וחיישנים, מתכנן את מקטע התנועה הבא ומפעיל את המנועים.
בניגוד לשיחה עם צ'אטבוט שבה עיכוב של מספר שניות אינו פוגע בתהליך, ברובוטיקה כל חישוב חייב להתבצע בתוך מילי-שניות בודדות.
שיווי המשקל, רציפות התנועה ומניעת התנגשויות דורשים תגובה מיידית, שכן עיכוב בחישוב עלול לגרום לתנועה מקוטעת ואף לסכנה בטיחותית.
פער הנתונים והפתרונות: למידת חיקוי והדמיות
הבדל קריטי נוסף בין המודלים טמון באופן איסוף הנתונים עבור תהליך האימון. מודלי שפה ותמונות רגילים מאומנים על גבי טריליוני טקסטים ומיליארדי תמונות הזמינים ברשת האינטרנט.
מן הצד השני, עבור רובוטים לא קיים מאגר נתונים גלובלי של תנועות פיזיות המותאמות לכל מבנה מכני, זווית מצלמה או תנאי תאורה משתנים.
כדי לסגור את פער הנתונים, תעשיית הרובוטיקה מתבססת כיום במידה רבה על למידת חיקוי (Imitation Learning) באמצעות הפעלה מרחוק (Teleoperation).
בשיטה זו, אדם מדגים לרובוט את הפעולה הנדרשת באופן ידני, והמודל לומד לשכפל את ההתנהגות.
כפי שהודגם במפגש, כלי הפיתוח Physical AI Studio מאפשר לאמן זרוע רובוטית למשימה כזו בתוך זמן קצר.
בנוסף, חברות עושות שימוש בהדמיות מחשב (Sim-to-Real) ובמודלים יוצרים לייצור דוגמאות אימון, אך המעבר מהדמיה לעולם האמיתי עדיין מציב אתגרים עקב רעשי רקע, חיכוך ושינויים פיזיים בסביבת העבודה.
חומרה והשהיה: למה רובוטים צריכים מעבדים היברידיים?
בניגוד למודלי ענק הרצים בחוות שרתים מבוססות ענן, מודלים לרובוטיקה נדרשים לפעול לעיתים קרובות על גבי המכשיר עצמו (Edge AI) כשהם מוגבלים בסוללה, במשקל ובמשאבי מחשוב.
מעבר לכך, גודל המודלים התפתח לשני כיוונים מנוגדים. מצד אחד עומדים מודלי ענק כמו RT-2 של גוגל דיפמיינד (Google DeepMind) המכילים 55 מיליארד פרמטרים ודורשים תשתית מחשוב כבדה, ומצד שני קיימת מגמה גוברת של שימוש במודלי שפה מוקטנים (SLM – Small Language Models) המאפשרים ביצועים מהירים פי 4 עד 10 על גבי ציוד קצה ללא אובדן דיוק מהותי.
בעוד שחלק ניכר מהתעשייה מרכז את עומס העיבוד ברכיב אחד בעל הספק גבוה, אינטל מציגה ארכיטקטורת חומרה היברידית המדמה את פעולת המוח האנושי ומפצלת את משימות העיבוד בין רכיבים שונים.
| רכיב | סוג המשימה | היתרון |
|---|---|---|
| מעבד גרפי (GPU) | מודלים כבדים הדורשים כוח מחשוב מתפרץ | עיבוד מקבילי בהספק גבוה לפרקי זמן קצרים |
| מעבד בינה מלאכותית (NPU) | זיהוי דיבור ותפיסה רציפה בלולאה סגורה | צריכת חשמל נמוכה בעבודה מתמשכת |
| מעבד מרכזי (CPU) | ניהול משימות, תזמון ובקרה בזמן אמת | הרצת מערכות הפעלה בזמן אמת (RTOS) בעלות תזמון ודאי |
זמינות
טכנולוגיית הבינה המלאכותית הפיזית כבר אינה מוגבלת למעבדות מחקר. תשתיות תוכנה פתוחות כדוגמת Robotics AI Suite וסביבת הרשת OpenVINO Physical AI זמינות כעת עבור מפתחים, ומאפשרות לחבר רובוטים ומצלמות, להקליט מאגרי נתונים ולאמן מודלים ישירות על גבי מעבדים דוגמת מעבדי ה-Core Ultra של אינטל.
העובדה שמדובר בתשתיות פתוחות ולא בסביבת פיתוח סגורה מאפשרת למפתחים לשלב רכיבי חומרה ותוכנה ממקורות שונים, ולהימנע מתלות בספק יחיד לאורך חיי המוצר.
