ChatGPT, üretken yapay zekanın dönüm noktası oldu. Neredeyse her soruya yanıt üretebiliyor ve bu yetenek, içerik üretimi, müşteri hizmetleri, yazılım geliştirme ve iş operasyonları gibi dijital çalışmaları dönüştürüyor.

Fiziksel yapay zeka, yapay zekanın insansı robotlar, fabrikalar ve endüstriyel cihazlarda kullanılmasını ifade eder, ancak fiziksel yapay zeka henüz büyük bir çıkış yapmamıştır.

Bu durum, ulaşım ve mobilite, imalat, lojistik ve robotik gibi sektörlerin yeteri kadar gelişememesine sebep oldu. Ancak, gelişmiş eğitim, simülasyon ve çıkarımı birleştiren üç bilgisayar sayesinde bu durum yakında değişecektir.

Çok Modlu Fiziksel Yapay Zekanın Yükselişi

60 yıl boyunca, insan programcılar tarafından yazılan “Yazılım 1.0” olarak bilinen seri kodlar, CPU’larla çalışan genel amaçlı bilgisayarlarda çalışıyordu.

2012 yılında Alex Krizhevsky, Ilya Sutskever ve Geoffrey Hinton’ın rehberliğinde, görüntü sınıflandırması için devrim niteliğinde bir derin öğrenme modeli olan AlexNet ile ImageNet görüntü tanıma yarışmasını kazandı.

Bu, sektörün yapay zeka ile ilk karşılaşmasını işaret ediyordu. GPU’lar üzerinde çalışan sinir ağlarının makine öğrenimindeki atılımı, Yazılım 2.0 çağını başlattı.

Günümüzde yazılım artık kendini yazıyor. Dünyadaki hesaplama yükleri, CPU’larda yapılan genel amaçlı işlemlerden, GPU’lar üzerindeki hızlandırılmış hesaplamaya geçerek Moore yasasını geride bırakıyor.

Üretken yapay zeka ile birlikte, çok modlu dönüştürücü ve difüzyon modelleri yanıtlar üretecek şekilde eğitilmektedir.

Büyük dil modelleri tek boyutlu olup harf veya kelime gibi modlarda bir sonraki öğeyi tahmin edebilirken, görüntü ve video üretim modelleri iki boyutludur ve bir sonraki pikseli tahmin edebilmektedir.

Bu modellerin hiçbiri üç boyutlu dünyayı anlayamaz veya yorumlayamaz. İşte bu noktada fiziksel yapay zeka devreye girmektedir.

Fiziksel yapay zeka modelleri, üretken yapay zeka ile fiziksel dünyayı algılayabilir, anlayabilir, etkileşime geçebilir ve bu dünyada hareket edebilir. Hızlandırılmış hesaplama, çok modlu fiziksel yapay zeka atılımları ve büyük ölçekli fiziksel tabanlı simülasyonlar, dünyayı robotlar aracılığıyla fiziksel yapay zekanın değerini keşfetmeye olanak tanıyor.

Bir robot, algılayabilen, mantık yürütebilen, plan yapabilen, hareket edebilen ve öğrenebilen bir sistemdir. Robotlar genellikle otonom mobil robotlar (AMR’ler), manipülatör kolları veya insansı robotlar olarak düşünülür. Ancak daha pek çok robotik türü vardır.

Yakın gelecekte, hareket eden veya hareket eden şeyleri izleyen her şey otonom robotik sistemler olacaktır. Bu sistemler, çevrelerini algılayabilen ve bunlara yanıt verebilen özelliklere sahip olacaktır.

Hastanelerden veri merkezlerine, depolardan fabrikalara, trafik kontrol sistemlerinden tüm akıllı şehirlere kadar her şey, statik ve manuel olarak işletilen sistemlerden otonom ve etkileşimli sistemlere dönüşecek ve bunlar fiziksel yapay zeka ile somutlaşacaktır.

Sonraki Sınır: İnsansı Robotlar

İnsansı robotlar, insanlar için inşa edilmiş ortamlarda verimli bir şekilde çalışabilmeleri ve dağıtım ile işletme için minimum ayarlama gerektirmeleri nedeniyle ideal bir genel amaçlı robotik manifestosudur.

Goldman Sachs’a göre, insansı robotlar için küresel pazarın 2035 yılına kadar 38 milyar dolara ulaşması bekleniyor. Bu, yaklaşık iki yıl önce yapılan tahminle karşılaştırıldığında altı katından fazla bir artışı temsil etmektedir.

Dünyanın dört bir yanındaki araştırmacılar ve geliştiriciler, bu yeni nesil robotları inşa etmek için yarışmaktadır.

Fiziksel Yapay Zeka Geliştirmek İçin Üç Bilgisayar

İnsansı robotları geliştirmek için fiziksel yapay zeka ile robot eğitimi, simülasyonu ve çalışma süreçlerini yönetebilecek üç hızlandırılmış bilgisayar sistemi gereklidir. İnsansı robot gelişimini hızlandıran iki ana teknoloji ise çok modlu temel modeller ve robotlar ile çevrelerinin ölçeklenebilir, fiziksel tabanlı simülasyonlarıdır.

Üretken yapay zeka alanındaki atılımlar, robotlara 3D algılama, kontrol, beceri planlama ve zeka kazandırıyor. Robot simülasyonları, geliştiricilerin robot becerilerini, fizik yasalarını taklit eden sanal bir dünyada geliştirmelerini, test etmelerini ve optimize etmelerini sağlıyor. Bu, gerçek dünyadaki veri toplama maliyetlerini düşürmeye yardımcı olurken, robotların güvenli ve kontrollü ortamlarda doğru bir şekilde çalışmasını sağlıyor.

NVIDIA, geliştiricilerin fiziksel yapay zeka yaratmalarını mümkün kılmak için üç bilgisayar ve hızlandırılmış geliştirme platformları inşa etti.

İlk olarak, modeller bir süper bilgisayarda eğitilir. Geliştiriciler, güçlü temel ve üretken yapay zeka modellerini eğitmek ve ince ayar yapmak için NVIDIA DGX platformunda NVIDIA NeMo’yu kullanabilirler. Ayrıca, insansı robotların doğal dili anlamalarını sağlamak ve insan hareketlerini gözlemleyerek bu hareketleri taklit etmelerini mümkün kılmak amacıyla genel amaçlı temel modeller geliştiren NVIDIA Project GR00T girişiminden faydalanabilirler.

İkinci olarak, NVIDIA Omniverse, NVIDIA OVX sunucularında çalışarak, uygulama programlama arayüzleri ve NVIDIA Isaac Sim gibi framework’ler ile fiziksel yapay zekayı test etmek ve optimize etmek için bir geliştirme platformu ve simülasyon ortamı sunar.

Geliştiriciler, Isaac Sim’i kullanarak robot modellerini simüle edebilir ve doğrulayabilir veya robot modeli eğitimini başlatmak için büyük miktarda fiziksel tabanlı sentetik veri üretebilirler. Araştırmacılar ve geliştiriciler ayrıca, robot pekiştirmeli öğrenme ve taklit öğrenmesini destekleyen açık kaynaklı bir robot öğrenme framework’ü olan NVIDIA Isaac Lab’ı kullanarak robot eğitimini ve iyileştirilmesini hızlandırabilirler.

Son olarak, eğitilmiş yapay zeka modelleri bir çalışma bilgisayarına aktarılır. NVIDIA Jetson Thor robotik bilgisayarlar, özellikle kompakt ve uçta bilgisayar (bakabilirsiniz: https://blog.openzeka.com/ai/edge-computing-101-en-cok-sorulan-sorular/) gereksinimleri için tasarlanmıştır. Kontrol politikası, görsel ve dil modellerinden oluşan bir model topluluğu, robot beynini oluşturur ve enerji verimli, yerinde uç bir hesaplama sisteminde kullanılır.

Robot üreticileri ve temel model geliştiricileri, iş akışlarına ve karşılaştıkları zorluklara bağlı olarak ihtiyaç duydukları kadar hızlandırılmış hesaplama platformu ve sistemini kullanabilirler.

Otonom Tesislerin Bir Sonraki Dalgasını İnşa Etmek

Robotik tesisler, tüm bu teknolojilerin bir araya gelmesinin sonucudur.

Foxconn gibi üreticiler veya Amazon Robotics gibi lojistik şirketleri, otonom robotlardan oluşan ekipleri insanlarla birlikte çalışacak şekilde yönlendirebilir ve fabrika operasyonlarını yüzlerce veya binlerce sensör aracılığıyla izleyebilirler.

Bu otonom depo, tesis ve fabrikaların dijital ikizleri olacak. Dijital ikizler, yerleşim planlaması ve optimizasyonu, operasyon simülasyonu ve en önemlisi robot filosu yazılımı testleri için kullanılmaktadır.

Omniverse üzerine kurulu “Mega”, fabrika dijital ikizleri için bir plan şablonudur ve endüstriyel işletmelerin robot filolarını gerçek fabrikalara geçirmeden önce simülasyon ortamında test edip optimize etmelerine olanak tanır. Bu sayede kesintisiz entegrasyon, optimal performans ve minimum aksama süresi sağlanır.

Mega, geliştiricilerin fabrika dijital ikizlerini sanal robotlar ve AI modelleri, yani robotların beyinleri ile donatmasına olanak tanır. Dijital ikizdeki robotlar, çevrelerini algılar, akıl yürütür, bir sonraki hareketlerini planlar ve sonunda planlanan eylemleri tamamlayarak görevlerini yerine getirir.

Bu eylemler, Omniverse’teki dünya simülatörü tarafından dijital ortamda simüle edilir ve sonuçlar, robot beyinleri tarafından Omniverse sensör simülasyonu aracılığıyla algılanır.

Sensör simülasyonlarıyla robot beyinleri bir sonraki eyleme karar verir ve döngü devam ederken Mega, fabrika dijital ikizindeki her öğenin durumunu ve konumunu titizlikle takip eder.

Bu ileri düzey yazılım-içinde-döngü testi yöntemi, endüstriyel işletmelerin değişiklikleri Omniverse dijital ikizinin güvenli sınırları içinde simüle etmelerini ve doğrulamalarını sağlar. Bu, gerçek dünyadaki kullanım sırasında potansiyel sorunları öngörmelerine ve hafifletmelerine yardımcı olarak riskleri ve maliyetleri azaltır.

Yazının kaynağına buradan ulaşabilirsiniz.

Yazıda bahsettiğimiz uygulamaları çalıştırmanızı sağlayacak workstation sistemleri için buraya, sunucular için buraya tıklayabilirsiniz.