Fei Fei Li: Den neste KI-bølgen vil navigere i verdenen din
Romlig intelligens: Dr. Fei-Fei Li understreker betydningen av romlig intelligens som den neste frontlinjen innen KI.
Verdensmodeller: Verdensmodeller forutsier de neste tilstandene i fysiske omgivelser, i motsetning til språkmodeller som fokuserer på tekst.
Datautfordringer: Det er vanskelig å skaffe romlige data, og slike data er mangelvare, noe som utgjør en betydelig hindring for utviklingen av romlig KI.
Gradvis innføring: Fremveksten av romlig KI vil trolig skje gradvis og være domenespesifikk, i motsetning til språk-KI.
Behov for rask forberedelse: Organisasjoner må begynne å forberede seg på virkningen av romlig KI før heller enn senere for å unngå fallgruver.
AI-verktøyene som har omformet kunnskapsarbeid de siste tre årene, deler en felles begrensning: De eksisterer utelukkende innenfor språkets verden.
De leser, skriver, oppsummerer og genererer. Det de ikke kan gjøre, er å forstå den fysiske verdenen, geometrien på et lagergulv, den romlige logikken i et kirurgisk inngrep eller tredimensjonal dynamikk på en produksjonslinje.
Det er dette gapet Dr. Fei-Fei Li har viet karrieren sin til.
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
Under HumanX i går argumenterte Stanford-datavitenskapsforskeren og medgrunnleggeren av World Labs for at romlig intelligens, maskiners evne til å oppfatte, resonnere og handle i tredimensjonalt rom, representerer den neste betydningsfulle frontlinjen innen AI-utvikling. Det er ikke en erstatning for språkmodeller, var hun nøye med å påpeke. Det er en helt annen type problem.
Menneskelig intelligens er ikke bare språklig. Tenk på alt vi gjør i hverdagen så vel som i arbeidet vårt. Alt involverer den tredimensjonale verdenen, rom, bevegelser og interaksjon.
For næringslivsledere som har brukt de siste to årene på å omorganisere arbeidsflyter rundt store språkmodeller, er Lis argument et nyttig korrektiv. Produktivitetsgevinstene fra AI-generert tekst er reelle, men de representerer bare en smal del av det intelligens, menneskelig eller maskinell, faktisk gjør.
Det vanskeligere og mer avgjørende arbeidet, å navigere fysisk i omgivelser, tolke romlige data og operere i verden i stedet for å beskrive den, er fortsatt i stor grad uløst.
Hva verdensmodeller gjør
Li trekker et tydelig skille mellom språkmodeller og det hun kaller «verdensmodeller».
Mens en språkmodell forutsier det neste tokenet i en sekvens, forutsier en verdensmodell den neste tilstanden i et fysisk miljø. En tennisspiller som returnerer en serve på 120 mph, gjør noe som ligner mer på det sistnevnte: Spilleren leser ballens og kroppens nåværende tilstand og beregner hva som kommer, i løpet av millisekunder.
Tilstandsforutsigelse eller tilstandsgenerering er «grunnleggende» for romlig intelligens,
Selskapets modell, kalt Marble, genererer ekte tredimensjonale verdener, ikke video eller flate bilder, men vedvarende 3D-miljøer som kan utforskes, endres og brukes som treningsmiljøer for videre applikasjoner.
De umiddelbare bruksområdene hun trakk frem, er lærerike for ledere som prøver å forstå hvor dette er på vei.
Robottrening er ett av dem: Laboratorier bruker allerede genererte 3D-miljøer som syntetiske data for å trene fysiske roboter, noe som reduserer avhengigheten av kostbar og langsom datainnsamling fra den virkelige verden. Radiologi er et annet. Diagnostisering av tilstander basert på bildedata er grunnleggende sett et romlig problem. En lungeknute eksisterer i tre dimensjoner; en AI som bare behandler todimensjonale bilder, arbeider med ufullstendig informasjon.
Selvkjørende biler er det mest synlige eksempelet som allerede finnes i markedet. Li trakk frem Tesla og Waymo som selskaper som allerede har bygget funksjonelle verdensmodeller innenfor et spesialisert område.
«Fra det perspektivet har vi allerede romlig intelligens innenfor dette svært kritiske, men spesialiserte området», sa hun.
Dataproblemet
Li var tydelig på hva som først og fremst begrenser fremgangen. Datakraft er dyrt, men tilgjengelig. Modellarkitekturen utvikler seg. Data er den vanskelige delen.
Språkmodeller har hatt nytte av et tilnærmet ubegrenset treningsmateriale: den samlede teksten på internett, digitaliserte bøker og transkriberte samtaler. Romlige data har ingen tilsvarende korpus. Tredimensjonale representasjoner av fysiske miljøer er sjeldne, kostbare å produsere og vanskelige å standardisere.
«Hvis du mener at data fra 3D-verdenen mangler», sa Li, «mangler robotikkdata i enda større grad.
Dette er ikke et abstrakt forskningsproblem. For enhver organisasjon som planlegger å integrere fysisk AI, enten innen produksjon, helsevesen, logistikk eller forvaltning av fasiliteter, vil datainfrastrukturen være den begrensende faktoren.
Selskapene som allerede samler inn romlige data fra sin fysiske drift, gjennom sensorer, bildesystemer eller digitale tvillinger, bygger en ressurs de kanskje ennå ikke fullt ut verdsetter.
Ingen ChatGPT-øyeblikk i sikte
Én ting Li ikke ville love, er et gjennombruddsøyeblikk på linje med lanseringen av ChatGPT, da ett enkelt forbrukerprodukt over natten gjorde en ny klasse av AI-kompetanse kjent for massene.
«Chat er en så utbredt forbrukeratferd», sa hun, «og når det finnes en så utbredt forbrukeratferd, får man et vendepunkt.»
Hun er skeptisk til at romlig intelligens vil komme på samme måte, fordi den kanskje ikke har én enkelt, enkel forbrukeratferd som forankrer den. Det finnes ingen åpenbar tilsvarende handling som å skrive inn et spørsmål i en chatboks.
Det betyr at innføringen av romlig KI sannsynligvis vil være domenespesifikk og gradvis, snarere enn plutselig og universell. Robotikklaboratorier, selskaper innen medisinsk bildebehandling, spillutviklere og VFX-studioer vil møte den lenge før den blir en fast del av vanlig bedriftsprogramvare.
For CHRO-er og COO-er er denne tidslinjen viktig. Presset for å handle på romlig KI er ikke det samme som presset for å handle på språk-KI var tidlig i 2023. Men forberedelsesvinduet er også kortere enn det ser ut til.
Det grunnleggende arbeidet – å forstå hvor fysisk intelligens kan endre driften, kartlegge de romlige dataressursene dine og bygge kompetanse i ledergruppen – tar lengre tid enn å ta i bruk et nytt SaaS-produkt.
Li beskrev situasjonen nå som en konvergens: transformermodellarkitekturer utviklet for språk møter nå fremskritt innen datasyn og 3D-databehandling som har blitt bygget opp over flere år.
«For første gang gir dette oss muligheten til virkelig å løse noen av de mest grunnleggende problemene innen KI», sa hun.
Hvis man behandler denne konvergensen som noen andres problem som man bare skal følge med på, vil mange organisasjoner gjøre den samme feilen som mange gjorde da ChatGPT ble lansert. De antok at de hadde mer tid enn de faktisk hadde.
