Nvidia: Vamos físicos con AI

Nvidia Corp. Recientemente realizó un analista de la industria sobre el tema de la inteligencia synthetic física, y el presidente ejecutivo Jensen Huang ha sido consistente en su pista de conversación en cada nota principal que ha hecho este año que la IA física es la próxima ola de IA. De hecho, a menudo ha declarado que eventualmente cualquier cosa que se mueva, desde céspedes hasta carretillas elevadoras y autos, será autónomo dando lugar a la period física de la IA.

Aunque la mayoría de la gente piensa en la IA física o el mundo de los robots como el materials de la ciencia ficción y una tecnología de nicho, los beneficios estarán muy extendidos. Recientemente hablé con un director de información de una organización de atención médica en el Atlántico Medio y explicó que las sillas de ruedas autónomas permitirían a los pacientes tomar en la acera sin tener que usar una persona que permitiera a esa clínica gastar más en la cama de un paciente. Los minoristas pueden usar robots para escanear los estantes para un mejor management de inventario, y cualquiera que vuela a United Airways probablemente haya visto el robotic que se mueve por el salón para que las personas coloquen platos usados.

Presentador Rev LebaredianVicepresidente de Omniverso y Tecnología de Simulación de Nvidia, se sumerge profundamente en este fascinante y rápido segmento del auge de la IA.

La period física de la IA ha llegado

Hacer que la IA sea útil y productiva para el mundo actual es el reino de la IA física. Pero, ¿qué outline los límites entre los diferentes tipos de IA?

“La IA generativa involucra modelos que todos hemos estado utilizando, como modelos de idiomas grandes y tal vez algunos modelos de imagen”, dijo Lebaredian. “Esencialmente, le da alguna entrada y la salida aparece. Con LLMS, los tokens de entrada son texto y las salidas también son texto”. Pero con la IA física, el modelo es diferente. “Aportamos información que sería el equivalente de lo que experimentarían los sensores en un robotic”, explicó.

Cuando se trata de IA, los términos “robotic” y “IA física” son términos generales para una categoría más amplia. Esto incluye robots humanoides, brazos del manipulador, autos autónomos o cualquier otra cosa que se mueva. Sin embargo, la IA física también se extiende a cosas como las torres de radio, cualquier cosa que pueda sentir el mundo físico y luego operar en ella.

Estos dispositivos robóticos ingresan datos del sensor, incluido el equivalente de qué modelos de lenguaje también ingresan, como el texto y otros modos de entrada. “Podemos combinar nuestra comprensión del conocimiento abstracto en las LLM junto con una comprensión de la física del mundo para luego generar tokens de acción”, dijo. “Estas son acciones que terminan controlando una realización del robotic. En un brazo manipulador, que serían los pares y fuerzas creados por los motores para cambiar los ángulos de los puntos en el brazo del robotic. También podría ser la dirección, frenado y aceleración de un automóvil autónomo. Podría ser cualquier cosa que sea una señal de management para el cuerpo actual. La aplicación de esto es de fin de extremos”.

Aplicaciones del mundo actual

Lebaredian dijo que si bien ha habido avances y progresos constantes en el desarrollo y refinamiento físico de IA, hay mucho trabajo por hacer en este segmento de la industria. “Las cosas que debemos hacer en el mundo actual obviamente son extremadamente valiosas. Una vez que desciframos este problema de IA física, podemos mejorar todo, desde fábricas y almacenes hasta todo el transporte, y los robots humanoides y otros robots pueden hacer el equivalente del trabajo físico humano”.

¿Por qué es esto importante? La escasez de mano de obra presenta un verdadero desafío para las industrias y las empresas que buscan crecer. En muchas industrias, la escasez laboral es masiva. Las empresas están teniendo dificultades para contratar suficientes habilidades de habilidades y trabajadores de almacén y personas para almacenar estantes minoristas. Este artículo en meteorspace.com Estados Unidos que la industria de almacenamiento de los Estados Unidos enfrenta una escasez de más de 35,000 trabajadores, con empresas como Amazon que informan tasas de facturación de más del 150%, por lo que si bien contratar personas es difícil, mantenerlos es aún más difícil.

Mirando hacia el futuro, muchos países enfrentan una población envejecida y en declive que crea una situación en la que producir el mismo volumen de bienes año tras año se vuelve cada vez más difícil. También hay problemas globales de la cadena de suministro debido a la geopolítica que dan como resultado una gran cantidad de fabricación que alguna vez se cultivó en los centros de fabricación en Asia y en otros lugares, especialmente en los Estados Unidos.

Pero, ¿está lista la tecnología física de IA para aprovechar esta oportunidad?

La period de los robots de uso basic

¿Las tecnologías mecánicas y, lo que es más importante, se necesitan el software program y las tecnologías de IA para construir y operar robots sofisticados de propósito basic listos para el trabajo? Lebaredian cree que sí.

“Por primera vez, tenemos una línea de visión para construir los algoritmos, para construir el cerebro de un robotic de uso basic y robusto. La industria tuvo la capacidad de construir robots físicos durante bastante tiempo. Hemos presentado a Mechatronics y robótica en el espacio industrial durante décadas, pero no teníamos la capacidad de hacer la capacidad lo suficientemente inteligente para que esos robots puedan ver y actuar en forma autónoma en una forma basic de programar. Haz una tarea repetidamente ”, dijo.

La invención y evolución de la IA ha acelerado el desarrollo robotic y IA físico. La gran cantidad de innovación de NVIDIA y el resto de la industria de la IA ha creado la capacidad de construir un “cerebro” lebouredian mencionado y para democratizarlo en todos los dominios y espacios físicos. Eso no fue posible hace cinco años, pero hoy lo es.

El papel de Nvidia en la robótica impulsada por la IA

Lebaredian dejó en claro que Nvidia no está en el negocio de construir robots u otros dispositivos de IA, como vehículos autónomos. Pero la compañía juega un papel basic en hacer posible esos dispositivos y capaz de lograr actividades vitales.

La compañía ha tenido un tremendo éxito creando arquitecturas de referencia para sistemas en casi todas las industrias a la que sirve, y la IA física no es diferente. A Nvidia se les ocurre los planos para la IA física y luego permite que otros lo aprovechen. NVIDIA tiene tres plataformas de computadora para IA física: Omniverso Y Cosmos en RTX Pro Para la simulación, el DGX y HGX para el entrenamiento y el Jetson Thor AGX para implementación y operación. Las tres computadoras se ejecutan en el standard de Nvidia Blackwell GPU.

El Jetson Thor AGX proporciona el cerebro para los vehículos automatizados que Nvidia está ayudando a desarrollar. “Esa es una computadora muy importante”, dijo Lebaredian. “Debe ser de bajo consumo de energía mientras es extremadamente poderoso. Es un tipo especializado de computadora. Tiene que poder lidiar con muchos datos de sensores y ejecutar modelos AI avanzados con mucho cómputo, pero hacerlo eficientemente en una envoltura de energía específica requiere mucho software program específico para ejecutarlo.

“Las tres computadoras, debido a que se basan en la misma arquitectura y ejecutan los mismos algoritmos, y todo su software program es portátil entre los tres, todos son compatibles con retroceso y futuro, y también pruebas futuras, con todas las arquitecturas de Nvidia”, dijo Lebaredian.

El surgimiento de las fábricas de IA

Lebaredian cube que las fábricas de IA impulsadas por las plataformas de desarrollo DGX y HGX Unified AI unificadas juegan un papel essential en el desarrollo de la robótica impulsada por la IA. Las fábricas de IA toman los datos sin procesar del mundo físico y las tareas que requerían ejecutar en el mundo físico, y producen modelos, efectivamente el cerebro del robotic, y luego cargaron esa información a Jetson.

Pero incluso con tales herramientas y plataformas de desarrollo de punta, construir sistemas de IA físicos es una tarea desafiante. “Para crear un cerebro, para crear cualquier IA, necesita grandes cantidades de datos y necesita cantidades masivas de los datos correctos”, explicó Lebaredian. “Necesita datos precisos, y necesita datos bien marcados para el espacio de conocimiento, y eso es difícil. Ya es difícil obtener todos los datos que raspamos Web; encontramos toda esta información que está fácilmente disponible, y todavía no es suficiente”.

Él cube que los datos ya no existen y lo recopilan capturándolo a través de sensores en el mundo físico “es demasiado caro, demasiado tiempo, y en muchos casos, demasiado peligroso o incluso imposible de obtener con la precisión que necesitamos. Simplemente no puede tener suficientes sensores en el mundo físico con la precisión que necesitamos.

“La única forma de generar realmente todos los datos que necesitamos recopilarlo es tomando primero las reglas del mundo físico, la física, y replicándolos dentro de un sistema informático, construyendo un simulador de ese mundo físico, y ese simulador se convierte en un generador para el tipo de datos que necesitamos para alimentar a la fábrica AI, que luego podría producir los algoritmos AI que luego implementamos”, dijo Lebaredian.

Pero el trabajo no termina una vez que se crean los simuladores. “También necesitamos estas simulaciones, no solo como generador de datos, sino para probarlas antes de implementar esos cerebros de IA que entrenamos en el robotic actual”, dijo. “Necesitamos probarlos durante millones y millones de horas, conducir nuestros vehículos AV impulsados por la IA durante millones y millones de millas antes de desatarlos en el mundo. Y el mejor lugar para hacerlo, y el lugar más rápido, el lugar menos costoso para hacerlo, y el lugar menos peligroso, es la simulación”.

La computadora de simulación cumple dos funciones. Es el generador de datos el que alimenta la fábrica de IA, y también es donde se realizan la prueba y la validación antes de implementar estos sistemas de IA físicos en el mundo actual. Este es un paso crítico ya que sin él, las empresas tendrían que construir un entorno físico para probar robots. Pueden dañarse cuando caen, las pruebas pueden estar incompletas y lleva mucho tiempo crear nuevos escenarios.

El éxito requiere cooperación

Aunque Nvidia está legítimamente orgulloso de todo lo que la compañía ha contribuido al crecimiento de la IA, requerirá una colaboración continua de todos los sectores tecnológicos para hacer realidad el potencial de IA físico.

“Ninguna empresa puede resolver todos estos problemas”, dijo Lebaredian. “Es demasiado grande y demasiado grande. Estamos construyendo la parte computacional central de esto. Estamos construyendo las tres computadoras con todos los sistemas operativos para eso, pero necesitamos muchos en el ecosistema para construir las capas de software program en la parte superior, para construir el {hardware} físico, y cada combinación en el medio. La única forma en que vamos a construir AI de AI, que realmente aborda las necesidades de las necesidades de las industrias que mencionan en el mercado de $ 100.

La mayoría de los medios de comunicación se centran y exageran en torno a la IA se centran en la IA generativa, pero la IA física está a la vuelta de la esquina y cambiará todas nuestras vidas. Muy pronto, las aspiradoras, las cortadoras de césped, los carros de golf y otros dispositivos de consumo serán equipos autónomos e industriales.

Zeus Kerravala es analista principal de ZK Analysis, una división de Kerravala Consulting. Escribió este artículo para Siliconangle.

Imagen: nvidia