Fei Fei Li: Den næste AI-bølge vil navigere i din verden
Rumlig intelligens: Dr. Fei-Fei Li fremhæver betydningen af rumlig intelligens som den næste frontlinje inden for AI.
Verdensmodeller: Verdensmodeller forudsiger fysiske miljøers næste tilstande i modsætning til sprogmodeller, der fokuserer på tekst.
Dataudfordringer: Det er vanskeligt at indsamle rumlige data, og de er knappe, hvilket udgør en væsentlig hindring for udviklingen af rumlig AI.
Gradvis udrulning: Fremkomsten af rumlig AI vil sandsynligvis ske gradvist og være domænespecifik, hvilket adskiller den fra sprogbaseret AI.
Hastende forberedelse: Organisationer er nødt til at begynde at forberede sig på rumlig AI's indvirkning før snarere end senere for at undgå faldgruber.
De AI-værktøjer, der har omformet vidensarbejde gennem de seneste tre år, deler en fælles begrænsning: De eksisterer udelukkende inden for sprogets område.
De læser, skriver, opsummerer og genererer. Det, de ikke kan, er at forstå den fysiske verden, geometrien på et lagergulv, den rumlige logik i en kirurgisk procedure eller den tredimensionelle dynamik på en produktionslinje.
Det hul er dér, hvor dr. Fei-Fei Li har lagt sin karriere.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Ved en tale på HumanX i går argumenterede Stanford-datalogen og medstifteren af World Labs for, at rumlig intelligens – maskiners evne til at opfatte, ræsonnere og handle i et tredimensionelt rum – udgør den næste betydningsfulde grænse inden for AI-udvikling. Det er ikke en erstatning for sprogmodeller, understregede hun. Det er en helt anden kategori af problem.
Menneskelig intelligens er ikke kun sproglig. Tænk på alt det, vi gør i vores dagligdag såvel som i vores arbejde. Alt involverer den tredimensionelle verden, involverer rum, involverer bevægelser og involverer interaktion.
For virksomhedsledere, der har brugt de seneste to år på at omorganisere arbejdsgange omkring store sprogmodeller, er Lis argument en nyttig nulstilling. Produktivitetsgevinsterne ved AI-genereret tekst er reelle, men de udgør kun en snæver del af det, intelligens – menneskelig eller maskinel – faktisk gør.
Det vanskeligere og mere konsekvensrige arbejde – fysisk at navigere i omgivelser, fortolke rumlige data og operere i verden frem for at beskrive den – er fortsat stort set uløst.
Hvad verdensmodeller gør
Li skelner tydeligt mellem sprogmodeller og det, hun kalder "verdensmodeller".
Hvor en sprogmodel forudsiger det næste token i en sekvens, forudsiger en verdensmodel den næste tilstand i et fysisk miljø. En tennisspiller, der returnerer en serv med 120 miles i timen, gør noget, der minder mere om det sidstnævnte: Han eller hun aflæser boldens og kroppens aktuelle tilstand og beregner, hvad der kommer derefter, på millisekunder.
Forudsigelse eller generering af tilstande er grundlæggende for rumlig intelligens,
Hendes virksomheds model, der kaldes Marble, genererer ægte tredimensionelle verdener – ikke video eller flade billeder, men vedvarende 3D-miljøer, der kan navigeres i, ændres og bruges som træningsmiljøer til efterfølgende anvendelser.
De umiddelbare anvendelser, hun nævnte, er lærerige for ledere, der forsøger at forstå, hvor udviklingen bevæger sig hen.
Robottræning er én af dem: Laboratorier bruger allerede genererede 3D-miljøer som syntetiske data til at træne fysiske robotter, hvilket mindsker afhængigheden af dyr og langsom dataindsamling fra den virkelige verden. Radiologi er en anden. Diagnosticering af tilstande ud fra billeddata er grundlæggende et rumligt problem. En lungeknude eksisterer i tre dimensioner; en AI, der kun behandler todimensionelle billeder, arbejder med ufuldstændige oplysninger.
Selvkørende biler er det mest synlige eksempel, der allerede findes på markedet. Li pegede på Tesla og Waymo som virksomheder, der allerede har opbygget funktionelle verdensmodeller inden for et specialiseret område.
"Set fra det perspektiv har vi allerede rumlig intelligens inden for dette meget kritiske, men specialiserede område," sagde hun.
Dataproblemet
Li var direkte omkring den primære begrænsning for fremskridt. Computerberegning er dyr, men tilgængelig. Modelarkitekturen udvikler sig. Data er den svære del.
Sprogmodeller har haft fordel af stort set ubegrænset træningsmateriale: den samlede tekst på internettet, digitaliserede bøger og transskriberede samtaler. Rumlige data har ikke noget tilsvarende korpus. Tredimensionelle repræsentationer af fysiske miljøer er sjældne, dyre at producere og vanskelige at standardisere.
Hvis du mener, at data om 3D-verdener mangler," sagde Li, "så mangler robotdata i endnu højere grad.
Dette er ikke et abstrakt forskningsproblem. For enhver organisation, der planlægger at integrere fysisk AI – hvad enten det er inden for produktion, sundhedspleje, logistik eller drift af faciliteter – vil datainfrastrukturen være den faktor, der begrænser hastigheden.
De virksomheder, der allerede indsamler rumlige data fra deres fysiske drift gennem sensorer, billeddannelsessystemer eller digitale tvillinger, opbygger et aktiv, som de måske endnu ikke fuldt ud værdsætter.
Intet ChatGPT-øjeblik i horisonten
Én ting, Li ikke ville love, er et skelsættende øjeblik, der kan sammenlignes med lanceringen af ChatGPT, hvor et enkelt forbrugerprodukt fra den ene dag til den anden gjorde en ny klasse af AI-kapacitet kendt for et massepublikum.
"Chat er sådan en allestedsnærværende forbrugeradfærd," sagde hun, "og når der er tale om så allestedsnærværende en forbrugeradfærd, har man et skelsættende øjeblik."
Hun er skeptisk over for, at rumlig intelligens vil opstå på samme måde, fordi den måske ikke har én enkelt, enkel forbrugeradfærd at forankre sig i. Der findes ingen åbenlys pendant til at skrive et spørgsmål i et chatfelt.
Det betyder, at udrulningen af rumlig AI sandsynligvis vil være domænespecifik og gradvis snarere end pludselig og universel. Robotlaboratorier, virksomheder inden for medicinsk billedbehandling, spiludviklere og VFX-studier vil møde den, længe før den bliver en fast bestanddel af gængs virksomhedssoftware.
For CHRO'er og COO'er er den tidslinje vigtig. Presset for at handle på rumlig AI er ikke det samme som det pres, der var for at handle på sproglig AI i begyndelsen af 2023. Men forberedelsesvinduet er også kortere, end det ser ud til.
Det grundlæggende arbejde med at forstå, hvor fysisk intelligens kan ændre jeres drift, kortlægge jeres rumlige dataaktiver og opbygge forståelse i jeres ledelsesteam tager længere tid end at tage et nyt SaaS-produkt i brug.
Li beskrev det aktuelle øjeblik som en konvergens: Transformer-modelarkitekturer, der er udviklet til sprog, møder nu fremskridt inden for computersyn og 3D-computing, som har været under opbygning i årevis.
"For første gang giver det os mulighed for virkelig at overvinde nogle af de mest grundlæggende problemer inden for AI," sagde hun.
Hvis man behandler denne konvergens som noget, andre må tage sig af, mens man selv blot holder øje, vil mange organisationer begå den samme fejl, som mange begik, da ChatGPT blev lanceret. De antog, at de havde mere tid, end de faktisk havde.
