Robotics og sanser skal nå op på og overgå menneskers niveau for at skabe bevidstheder, der kan øge AIs selvlæring og -korrektion. Dét er igen nødvendigt for at skabe eksperimentel automatisering, der kan forkorte udviklingsforløbene.
Dette indlæg er nummer tre i rækken om AIs disruption på innovation
Dette blog indlæg er nummer tre i rækken om den disruptive effekt af en teknologi, der bygger på en ny form for intelligens, der er selvlærende, universally enabling og som giver mulighed for dyb customization:
- Hvor påvirker AI i dag?
- Hvad er det nye og disruptive ved AI?
- AIs effekt på robotics og eksperimentel automatisering
- AIs effekt på klima- og meteoforskning
- AIs effekt på samfundsvidenskab og humaniora
- AIs effekt på undervisning, læring og psykoterapi
- AIs effekt på bioteknologi og lægemidler
- AIs effekt på materialeforskning og kvantekemi
- AIs effekt på teoretisk fysik og matematik
- Hvad bør investeringsstrategier i AI tage højde for?
Området mangler udvikling, for at AGI kan opstå
For at udvikle AGI, skal der især skabes bevidstheder (sentiences). De er forudsætningen for AIs selvkorrektion og dermed øgede selvlæring. Men at skabe bevidstheder kræver især, at der udvikles sanser på niveau med mennesker, eller bedre. Det vil samtidig øge udviklingen af robotics.
Hér er der i dag det største efterslæb frem mod AGI. Det véd Big Tech, og derfor stiger deres interesse for investering i området markant. Det giver basis for markante value uplifts i en sektor, der ellers er moderat i størrelse.
Robotics afhænger af sanser, hvor bl.a. synet i dag er under udvikling, …
Blandt de sanser, der i dag især mangler at blive udviklet, er øget syn samt finere taktilitet og lugtesans.
Hyperspektralt syn: Mennesker registrerer farver som forskellige kombinationer af RGB. Men hyperspektralt kan skabe +100 forskellige bølgelængdebånd, dvs. langt ud over det menneskelige spektrum, inkl. UV, infrarød osv.
Det kan bl.a. skabe hurtig diagnostik af kemiske sammensætninger, biologiske ændringer, vandindhold osv. Teknikken anvendes i dag på TRL6-7 plan i bl.a. materialelaboratorier og i planteforskning. Fremover kan det især være nyttigt i mineraleftersøgning, kontrol af fødevarekvalitet samt i medicinsk diagnostik. I sig selv åbner hyperspektralt syn således for nye muligheder og for øget effektivitet.
… og taktilitet, samt …
Taktile sensorer. Menneskers føleevne begrænses især af, hvor grovkornede nerveenderne og huden er. Nyere typer e-skin har mikrosensorer, der er bundet på fleksible lag i Grafén tykkelser. De kan registrere tekstur, elasticitet, temperatur og mikroskopiske vibrationer. Dermed kan de f.eks. håndtere skrøbelige biologiske prøver eller foretage præcise kirurgiske simuleringer. Taktile sensorer er bl.a. vigtige for automatiserede laboratorier.
MIT har ligeledes udviklet en GelSight sensor med indvendig kameraoptik via en gennemsigtig silikoneoverflade. Dermed kan robotten “se” berøringer ned til mikrometer niveau.
I 2023 lancerede University of Glasgow f.eks. et grafenbaseret e-skin, der kan “helbrede” sig selv ved mikroskader.
… lugtesansen …
Kemiske “næser” og “ører”, der kan opdage gasser, partikler, opløste molekyler eller lydsignaturer fra kemiske reaktioner. De kan særligt anvendes inden for medicinsk diagnostik og fødevarekontrol til at styre processer. Det kan f.eks. være sikkerhedsovervågning ved miljø hazards, eller det kan være til styring af fermenteringsprocesser, f.eks. ved enzymfremstilling.
Desuden kan der være en væsentlig udvikling på vej fra akustisk kemisk sansning via ultralyd eller akustiske bølger. Det kan bl.a. måle tætheder og viskositet, på sigt også i det infrarøde område. Det kan bl.a. anvendes til procesovervågning i kemisk og i farmaceutisk industri samt til medicinsk diagnostik.
… og endelig software til realtids-koordinering
Fremover vil den væsentligste “enabler” dog sandsynligvis komme fra software, der kan samkøre sanseindtrykkene i “realtid”. Ligesom menneskehjernen. Dén multimodalitet kræver bl.a. forbedret mønstergenkendelse, som AI giver særlige muligheder for (vektor-relationer osv.).
Dernæst handler de næste skridt især om at forbedre robotters proprioception, dvs. evne til at opfatte deres egen position, bevægelse og anstrengelse i rummet; sansekoordinering. Hér har Carnegie Mellon University bl.a. udviklet taktile systemer, hvor robotter lærer gribeteknikker ved at simulere tusindvis af varianter, inden de afprøves fysisk (som hos mennesker).
Big Tech er især aktive, både som udviklere og som investorer
De fleste Big Tech selskaber er aktive på området. For eksempel fokuserer Amazon på at videreudvikle deres Vulcan robot. Dens følesans i “hænderne” kan i dag håndtere 75% af lagerobjekter og reducerer således menneskelig belastning. Desuden er Atlas robotter nu under kommerciel udrulning i Hyundai fabrikker. Endelig fokuserer både MIT og Google DeepMind på visuomotoriske AI kameraer og robotter samt på samkøring af relativt billige sensorer. Det har øget selvkorrektioner og -læringer for robotter markant.
Eksperimentel automatisering kan mangedoble udviklingshastigheder …
Eksperimentel automatisering, er et andet meget væsentligt udviklingsområde. Kommercielt er målet især at reducere time-to-market og udviklingsomkostninger.
Ét er at udvikle koncepter og afprøve disse frem til TRL 3-4 niveau. Dét afhænger især af kombinationen af kreativitet og engineering og kan ske decentralt og spontant. Men at tage et produkt videre til en kommerciel værdi kræver normalt en længere laboratorie proces, hvor der kontinuerligt udvikles, afprøves og forfines processer. Dét er ofte den længste og dyreste del af udviklingsforløb. Derfor vil AI automatisering give store kommercielle fordele fra markant kortere udviklingsforløb, over lavere udviklingsomkostninger og til mere præcis dokumentation og kvalitetssikring.
… og samtidig forbedre kvaliteten i udviklingen
Kliniske tests kan fremover ske 24/7 og med væsentligt større præcision (f.eks. ved tidskritiske tests). Desuden optimeres den iterative proces, fordi der er mere konsekvent brug af reinforcement learning og “closed-loop science”. Det giver bedre evne til at overskue, strukturere og drage nytte af tidligere eksperimentdata.
At gennemgå og krydsteste historiske eksperimentdata giver samtidig grobund for at opdage nye fænomener til videre udviklingstests. University of Liverpool har f.eks. udviklet robotkemikeren Ada, der selv kan finde nye katalysatorer. DeepMinds AlphaFold gjorde det også muligt at forudsige proteinstrukturer, hvor på robotter har testet disse automatisk. Desuden programmerer forskere eksperimenter på afstand ved laboratorierne OpenTrons & Emerald Cloud Lab.
Endelig er bl.a. Carnegie Mellon University gået skridtet videre. Deres Autonomous Chemistry Lab lader AI selv formulere hypoteser, udføre eksperimenterne og selv lære af resultaterne. De mener, at det foreløbig har 10-20 doblet udviklingshastigheden.
Men især kan det også vende udviklingsprocessen på hovedet
Samlet giver udviklingen inden for robotics og eksperimentel automatisering især muligheder for spring i udviklingshastigheder og for markante fald i udviklingsomkostninger.
Men måske væsentligst kan hypoteser på sigt genereres direkte ud fra rådata og simuleres digitalt, uden at et menneske først “forstår” hele processen. Det kan både øge udviklingshastigheden, men det kan især åbne døren for grundlæggende nye erkendelser.
Sammen med multisensorisk AI-integration kan AI desuden opnå situationsforståelser, der overgår menneskets. Det kan åbne for øget sikkerhed ved følsomme processer og for deep customized produkter, der i dag er uden for rækkevidde, f.eks. nanobots.