Η εκκίνηση λογισμικού ρομποτικής Physical Intelligence συγκέντρωσε χρηματοδότηση 600 εκατομμυρίων δολαρίων, εκτιμώντας την εταιρεία στα 5,6 δισεκατομμύρια δολάρια. Ο γύρος, με επικεφαλής την CapitalG της Alphabet, περιλαμβάνει επενδύσεις από τη Lux Capital, την Thrive Capital, τον Jeff Bezos, την Index Ventures και την T. Rowe Price. Ιδρύθηκε το 2024, η startup αναπτύσσει αλγόριθμους AI για να χρησιμεύσει ως εγκέφαλοι ρομπότ.
Η Φυσική Νοημοσύνη προήλθε από μια ομάδα πρώην ερευνητών του Google DeepMind μαζί με ακαδημαϊκούς από το Πανεπιστήμιο του Στάνφορντ και το Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ. Αυτή η ιδρυτική ομάδα φέρνει τεχνογνωσία στην τεχνητή νοημοσύνη και τη ρομποτική για να αντιμετωπίσει τις προκλήσεις στον φυσικό αυτοματισμό. Η εταιρεία λειτουργεί υπό την ηγεσία του Διευθύνοντος Συμβούλου Karol Hausman, ο οποίος επιβλέπει την ανάπτυξη των βασικών τεχνολογιών. Ο ρόλος του Hausman περιλαμβάνει την κατεύθυνση των προσπαθειών προς καινοτόμες λύσεις στη ρομποτική νοημοσύνη.
Η κύρια εστίαση της Φυσικής Νοημοσύνης επικεντρώνεται στη δημιουργία αλγορίθμων τεχνητής νοημοσύνης που έχουν σχεδιαστεί ειδικά για να λειτουργούν ως λειτουργικοί «εγκέφαλοι» των ρομπότ. Αυτοί οι αλγόριθμοι στοχεύουν στη δημιουργία ενός γενικού συστήματος νοημοσύνης ικανό να τροφοδοτεί διάφορους τύπους ρομπότ σε διάφορες εφαρμογές. Ένα τέτοιο σύστημα θα επέτρεπε στα ρομπότ να χειρίζονται πολλαπλές εργασίες χωρίς να περιορίζονται σε προκαθορισμένες λειτουργίες, σηματοδοτώντας μια απόκλιση από τον παραδοσιακό ρομποτικό προγραμματισμό.
Σε αντίθεση με την τεχνητή νοημοσύνη που αναπτύχθηκε για chatbots όπως το ChatGPT, η ρομποτική AI απαιτεί προσαρμογή σε φυσικά περιβάλλοντα. Τα ρομπότ πρέπει να επεξεργάζονται εισόδους πέρα από το κείμενο, ενσωματώνοντας πολλαπλούς τρόπους δεδομένων, με ιδιαίτερη έμφαση στις οπτικές πληροφορίες. Αυτή η πολυτροπική προσέγγιση επιτρέπει στα ρομπότ να αντιλαμβάνονται το περιβάλλον τους με ακρίβεια, να ερμηνεύουν τις φυσικές συνθήκες και να εκτελούν αποφάσεις που περιλαμβάνουν κίνηση και αλληλεπίδραση. Η επεξεργασία οπτικών δεδομένων αποδεικνύεται απαραίτητη για τα ρομπότ ώστε να πλοηγούνται και να ανταποκρίνονται αποτελεσματικά στις δυναμικές ρυθμίσεις του πραγματικού κόσμου.
Η Physical Intelligence δεν έχει κυκλοφορήσει κανένα εμπορικό προϊόν ή υπηρεσία μέχρι σήμερα. Ωστόσο, η εταιρεία πραγματοποιεί εσωτερικές δοκιμές του λογισμικού της AI χρησιμοποιώντας ρομποτικούς βραχίονες. Αυτές οι δοκιμές περιλαμβάνουν πρακτικές εργασίες, όπως το δίπλωμα των ρούχων, που απαιτούν ακριβή χειρισμό εύκαμπτων υλικών. συναρμολόγηση κουτιών, που απαιτούν χωρική επίγνωση και διαδοχικές ενέργειες. και παρασκευή καφέ, που περιλαμβάνει χειρισμό υγρών και εξοπλισμού. Αυτά τα πειράματα καταδεικνύουν τις δυνατότητες του λογισμικού σε καθημερινά σενάρια χειραγώγησης.
Νωρίτερα αυτή την εβδομάδα, η Φυσική Νοημοσύνη παρουσίασε ένα νέο μοντέλο οπτικής τεχνητής νοημοσύνης που βασίζεται σε αρχές ενισχυτικής μάθησης. Η ενισχυτική μάθηση περιλαμβάνει μοντέλα που βελτιώνουν την απόδοσή τους επαναληπτικά μέσω συσσωρευμένων εμπειριών, προσαρμόζοντας συμπεριφορές με βάση τα αποτελέσματα. Αυτή η τεχνική επιτρέπει στο AI να βελτιστοποιεί τις ενέργειες με την πάροδο του χρόνου, βελτιώνοντας την αποτελεσματικότητα και την ακρίβεια στις ρομποτικές λειτουργίες χωρίς ρητό προγραμματισμό για κάθε σενάριο.
Η εταιρεία μοιράστηκε ένα βίντεο επίδειξης στο X που παρουσιάζει ρομποτικούς βραχίονες που χρησιμοποιούν τη μέθοδο ενισχυτικής εκμάθησης. Στο βίντεο, η προσέγγιση έχει ως αποτέλεσμα τον διπλασιασμό της συνολικής απόδοσης, που ορίζεται ως ο αριθμός των εργασιών που ολοκληρώνονται ανά ώρα. Κατά τη διάρκεια μιας ελεγχόμενης τρίωρης περιόδου δοκιμής, οι ρομποτικοί βραχίονες ολοκλήρωσαν κάθε εργασία που είχε ανατεθεί σε κατά μέσο όρο τρία λεπτά. Αυτή η απόδοση υποδεικνύει σημαντικά κέρδη στη λειτουργική ταχύτητα και αξιοπιστία.
Για να προωθήσει τα μοντέλα τεχνητής νοημοσύνης της, η Φυσική Νοημοσύνη διαθέτει σημαντικούς πόρους για τη συλλογή δεδομένων πραγματικού κόσμου για εκπαιδευτικούς σκοπούς. Η απόκτηση δεδομένων αποτελεί ένα κρίσιμο συστατικό της ανάπτυξης του μοντέλου, παρέχοντας τις ποικίλες εισροές που είναι απαραίτητες για ισχυρή μάθηση. Ένα χρόνο νωρίτερα, κατά τη διάρκεια του γύρου χρηματοδότησης 400 εκατομμυρίων δολαρίων, η εταιρεία αναγνώρισε την απόκτηση επαρκών μεγάλης κλίμακας δεδομένων πολλαπλών εργασιών και πολλαπλών ρομπότ ως κύρια πρόκληση. Για να το ξεπεράσει αυτό, η Φυσική Νοημοσύνη διεξάγει πειράματα που δημιουργούν ιδιόκτητα σύνολα δεδομένων, επιτρέποντας την αυτοσυντηρούμενη βελτίωση των πόρων εκπαίδευσης.
Τα τρέχοντα ρομποτικά συστήματα παρουσιάζουν περιορισμούς στην ευελιξία, καθώς λαμβάνουν προδιαγραφές σχεδιασμού για μεμονωμένες εργασίες σε ελεγχόμενα περιβάλλοντα. Αυτά τα ρομπότ διαχειρίζονται μικρές περιβαλλοντικές παραλλαγές, αλλά δυσκολεύονται να προσαρμοστούν σε εξαιρετικά αποδιοργανωμένους ή περίπλοκους χώρους, όπως κατοικημένες περιοχές ή αδόμητες υπαίθριες ρυθμίσεις. Η Φυσική Νοημοσύνη επιδιώκει να αντιμετωπίσει αυτούς τους περιορισμούς ενσωματώνοντας τη γενική νοημοσύνη στους αλγόριθμούς της.
Το μοντέλο μας μπορεί τώρα να μάθει από τη δική του εμπειρία με την RL! Το νέο μας μοντέλο π*0,6 μπορεί να υπερδιπλασιάσει την απόδοση σε σχέση με ένα βασικό μοντέλο που έχει εκπαιδευτεί χωρίς RL και μπορεί να εκτελέσει πραγματικές εργασίες: παρασκευή ποτών εσπρέσο, δίπλωμα διαφορετικών ρούχων και συναρμολόγηση κουτιών.
Περισσότερα στο νήμα παρακάτω. pic.twitter.com/XN1VFYQey1
— Φυσική Νοημοσύνη (@physical_int) 18 Νοεμβρίου 2025
Το γενικό πλαίσιο νοημοσύνης που ακολουθεί η Φυσική Νοημοσύνη επιτρέπει στα ρομπότ να μαθαίνουν από τις εκθέσεις και να εγκλιματίζονται σε ποικίλα περιβάλλοντα και εργασίες. Αυτή η ικανότητα θα επέτρεπε στα ρομπότ να λειτουργούν αποτελεσματικά σε πολύπλοκες, πραγματικές συνθήκες, μεταβαίνοντας από τον άκαμπτο προγραμματισμό σε πιο αυτόνομη λειτουργικότητα. Ενισχύοντας την προσαρμοστικότητα, η τεχνολογία υποστηρίζει ευρύτερη ανάπτυξη σε πρακτικές εφαρμογές πέρα από τα βιομηχανικά όρια.
Αρκετές καθιερωμένες εταιρείες τεχνολογίας επιδιώκουν παρόμοιες εξελίξεις στη ρομποτική τεχνητή νοημοσύνη. Η Google, μέσω της θυγατρικής της Intrinsic, ανακοίνωσε μια συνεργασία με τη Foxconn για μια πρωτοβουλία έξυπνου εργοστασίου μια ημέρα πριν από τα νέα για τη χρηματοδότηση. Αυτή η συνεργασία στοχεύει να ενσωματώσει την τεχνητή νοημοσύνη στις διαδικασίες παραγωγής για βελτιωμένη αυτοματοποίηση. Η Meta Platforms αναπτύσσει εργαλεία τεχνητής νοημοσύνης για ρομποτική, συμπεριλαμβανομένης της πρόσφατης κυκλοφορίας μοντέλων όρασης υπολογιστή Segment Anything, τα οποία διευκολύνουν τον εντοπισμό αντικειμένων και την τμηματοποίηση στις οπτικές εισόδους.
Η Amazon ενσωματώνει ρομπότ με δυνατότητα AI στις λειτουργίες εφοδιαστικής και αποθήκης της, αναπτύσσοντας τακτικά αναβαθμισμένα συστήματα για εργασίες όπως η ταξινόμηση και η μεταφορά. Αυτές οι υλοποιήσεις καταδεικνύουν το ρόλο της τεχνητής νοημοσύνης στην αποδοτικότητα κλιμάκωσης σε εγκαταστάσεις μεγάλης κλίμακας. Οι επενδύσεις και οι εξελίξεις από αυτές τις εταιρείες υπογραμμίζουν τις συνεχιζόμενες προσπάθειες της βιομηχανίας για την εξύψωση των ρομποτικών δυνατοτήτων μέσω της τεχνητής νοημοσύνης.
Πολλές νεοφυείς επιχειρήσεις ανταγωνίζονται επίσης στον τομέα της ρομποτικής τεχνητής νοημοσύνης. Πρόσφατα παραδείγματα περιλαμβάνουν την Gecko Robotics, η οποία εστιάζει στις τεχνολογίες επιθεώρησης. Genesis AI, δίνοντας έμφαση στα αυτόνομα συστήματα. Cobionix, που ειδικεύεται σε λύσεις που βασίζονται σε drone. και FieldAI, με στόχο τον αγροτικό αυτοματισμό. Κάθε μία από αυτές τις εταιρείες έχει εξασφαλίσει επενδυτικό κεφάλαιο τους τελευταίους μήνες, αντανακλώντας το ενδιαφέρον των επενδυτών για καινοτόμες ρομποτικές εφαρμογές.
VIA: DataConomy.com
