Är hjärnvågor nästa steg för fysisk AI?
Framstående fysiska AI-modeller kräver mer än vanliga videor – de behöver flera kameravinklar, tät annotering och snart även hjärnvågsdata. Forskare utforskar hur mänsklig neural aktivitet kan träna robotar att förstå och utföra komplexa uppgifter. Det här kan revolutionera hur vi lär maskiner att interagera med den fysiska världen.
Fysisk AI – den typ av artificiell intelligens som driver robotar och autonoma system i den verkliga världen – befinner sig vid en kritisk vändpunkt. Till skillnad från språkmodeller som kan tränas på enorma mängder textdata från internet, kräver fysiska AI-system en helt annan typ av träningsdata. Enkla videoklipp från YouTube räcker helt enkelt inte längre.
Forskare och ingenjörer vid ledande AI-laboratorier har insett att för att en robot ska kunna lära sig att hantera objekt, navigera i okända miljöer eller samarbeta med människor, krävs extremt detaljerad och noggrant märkt data. Det innebär att man filmar samma rörelse från flera kameravinklar samtidigt, kompletterat med djupdata, kraftsensorer och kinematikinformation. Annoteringen av denna data är tidskrävande och kostsam, men nödvändig.
Nu pekar forskarfronten mot något ännu mer radikalt: användningen av hjärnvågsdata. Genom att kombinera EEG-utrustning eller liknande neurogränssnitt med traditionell rörelseregistrering hoppas man kunna fånga den implicita kunskap som en människa besitter men aldrig verbaliserar – de intuitiva justeringarna, den subtila kraftregleringen och de omedvetna besluten som gör mänsklig motorik så anpassningsbar.
Om denna approach visar sig framgångsrik kan det öppna dörrar till en ny generation av robotar som lär sig av mänsklig erfarenhet på ett mycket djupare plan än vad som tidigare varit möjligt. Det väcker också etiska frågor kring dataintegritet och vad det innebär att bokstavligen ladda upp mänsklig tankeverksamhet till en maskin. Framtiden för fysisk AI ser ljus ut – men också mer komplex än någonsin.