Auf dem AI Day von XPENG im letzten November habe ich unser Full-Stack-Physical-AI-Framework vorgestellt, mit dem Ziel, Physical-AI-Anwendungen – darunter Robotaxis, humanoide Roboter und Flugautos – bis 2026 in die Massenproduktion zu bringen.
Jetzt, zur Jahresmitte, betrachten wir den eigentlichen Schlüssel zur Skalierung von Physical AI.
Was ist Physical AI?
Zunächst: Was ist Physical AI? Vielleicht hört man auch häufig den Begriff „Embodied AI“. Tatsächlich umfasst Physical AI ein größeres Gebiet als Embodied AI.
Die Integration der KI-Fähigkeiten der digitalen Welt mit physischer Hardware, wie autonomen Fahrzeugen und Robotik, wird „Physical AI“ hervorbringen. Roboter werden beispielsweise zunehmend die Fähigkeit erlangen, die Welt zu verstehen, mit ihr zu interagieren und sie umzugestalten, was letztlich einen revolutionären Wandel der Produktivität und der Produktionsverhältnisse auslösen wird.
Physical AI umfasst vier Kernelemente
Um Physical AI zu skalieren, müssen wir seine Kernelemente aufschlüsseln. Meiner Ansicht nach umfasst Physical AI vier Kernelemente: Modelle, Rechenleistung, Daten und physische Verkörperungen.
Das Fundament der Physical-AI-Welt ist das Betriebssystem, und das Modell ist dieses Betriebssystem. Das große Modell kann man als den Motor betrachten. Daten sind der Treibstoff, der seine Entwicklung vorantreibt, und der Umfang und die Effizienz der Datennutzung bestimmen die Fähigkeiten des Modells.
Modelle, Rechenleistung und Daten sind Elemente des digitalen Bereichs, die im virtuellen Raum den Skalierungsgesetzen folgen, was bedeutet, dass die Modellleistung mit der Vergrößerung der Modellparameter, der Rechenleistung und des Datenvolumens kontinuierlich verbessert wird.
Im Gegensatz dazu fallen physische Verkörperungen in die physische Welt. Sie beziehen sich auf konkrete Systeme, die durch KI befähigt werden, wie Fahrzeuge und humanoide Roboter, deren Fähigkeiten durch die physikalischen Gesetze der Fertigung eingeschränkt werden.
Diese vier Elemente bilden gemeinsam das grundlegende Rückgrat des autonomen Fahrens und sogar der künstlichen allgemeinen Intelligenz (AGI). Ein realer Einsatz von Physical AI kann nur durch gleichzeitige Durchbrüche sowohl bei den digitalen als auch bei den physischen Elementen erreicht werden.
Massenproduktion: Physical AI vs. Digitale KI
Zweifellos ist die Massenproduktion von Physical AI ungleich herausfordernder als die von digitaler KI. Aber welche Faktoren spielen neben den Software-Einschränkungen noch eine Rolle?
- Informationsdichte: Digitale KI verarbeitet Informationsströme mit geringer Dichte. Physical AI verarbeitet Informationsströme mit wesentlich höherer Dichte. Daher stellt der Übergang von digitaler KI zu Physical AI einen Wechsel von Informationsströmen niedriger Dichte zu solchen hoher Dichte dar, sowie einen Übergang aus dem digitalen Bereich in die physische Raumzeit.
- Fähigkeitsgrenzen: Die Obergrenze der digitalen KI liegt in einer höheren Informationseffizienz, mit Fehlertoleranz an der Untergrenze und hochgradig übertragbarer Anwendbarkeit. Umgekehrt liegt die Obergrenze von Physical AI in seiner Fähigkeit, die physische Welt umzugestalten, während seine Untergrenze strenge Sicherheitsstandards mit Null-Toleranz für Fehler vorschreibt und seine Anwendbarkeit stark fallspezifisch bleibt. Entscheidend ist, dass digitale KI universell und leicht übertragbar ist, während Physical AI eng an spezifische Szenarien gebunden ist.
- Hardware-Hürden: Während CPUs, GPUs und Server-Cluster die primären Hardware-Hürden für digitale KI darstellen, umfassen die Hardware-Hürden von Physical AI weitaus breitere Dimensionen, darunter die grundlegende Leistung, Kosten, Zuverlässigkeit, Fertigungskapazität und Massenproduzierbarkeit der Hardware auf der Edge-Seite.
- Gesetze und Vorschriften: Die Regulierung digitaler KI konzentriert sich auf indirekte Steuerung, die Datenschutz, Urheberrecht und Ethik betrifft. Im Gegensatz dazu unterliegt Physical AI direkten und strengen betrieblichen Einschränkungen durch politische Maßnahmen und Vorschriften. Beispielsweise benötigen Robotaxis Straßentestgenehmigungen und strenge Sicherheitszertifizierungen.
- Öffentliche Akzeptanz: Digitale KI zeichnet sich durch ausgeprägte Werkzeug-Eigenschaften aus und gewinnt leicht öffentliche Anerkennung. Physical AI hingegen wirft Sicherheits- und Glaubwürdigkeitsfragen auf und benötigt einen viel längeren Zyklus, um das Vertrauen der Öffentlichkeit zu gewinnen.
Aus diesem Grund gehört das Rennen um die Skalierung von Physical AI Unternehmen mit bereichsübergreifenden Integrations- und Eigenentwicklungsfähigkeiten, nicht nur denen, die sich ausschließlich auf Modelle oder Hardware konzentrieren.
