Uztveriet globālo tehnoloģiju attīstības tendenci un izmantojiet iespēju ķermeņa intelekta attīstībai

Ķermeņa intelekts ir intelektuāla sistēma, kas integrē uztveri, kognīciju, lēmumu pieņemšanu un darbību, īstajā laikā mijiedarbojoties ar fiziskajām vienībām un vidi, aptverot dažādas formas, piemēram, cilvēkam līdzīgus robotus, bioniskus robotus un iegultās vides sistēmas. Pašlaik ķermeņa intelekts nepārtraukti attīstās, atkārtoti mijiedarbojoties ar vidi, būtiski uzlabojot kognitīvās lēmumu pieņemšanas spējas un ontoloģiskās praktiskās snieguma rādītājus, kā arī paātrinot tā evolūciju uz vairāk autonomu un šķērsošu scenāriju vispārējo intelektu. Precīzi izprast pasaules tehnoloģisko inovāciju tendences ķermeņa intelekta jomā un aktīvi reaģēt uz dziļiem izaicinājumiem ir ārkārtīgi nozīmīgi, lai izmantotu iespējas un iegūtu iniciatīvu jaunajā rūpnieciskās pārveidošanas posmā.

　　Pasaules ķermeņa intelekta tehnoloģiju attīstība parāda piecas galvenās tendences

Pašlaik pasaules līmenī iemiesotās intelekta tehnoloģijas attīstās paātrinātā tempā, un ir panākti pārtraukuma veidojoši sasniegumi piecos izmēros — uztveres un mijiedarbības, lēmumu pieņemšanas un kognīcijas, vadības un izpildes, virtuālās un reālās sfēras datu apvienošanas, kā arī sistēmu integrācijas jomās, kas veicina iemiesotās intelekta pāreju no laboratorijas uz plašu lietošanu.

Viens ir pasaules modeļu ieguldīšana un uztveres mijiedarbības pāreja. Dzīvības spējas intelekts, ko dzina pasaules modelis un multimodālā uztvere, ievērojami uzlabojis savas spējas izprast un mijiedarboties ar fiziskajām vides apstākļiem, sasniedzot paradigmas maiņu no „stimula reakcijas” uz „deduktīvo lēmumu pieņemšanu” un no datu pārkārtošanas uz paraugu izpratni. Meta ir izlaidusi V-JEPA2 pasaules modeli, kas var prognozēt dažādu rīcību sekas un tos kārtot pēc mērķiem, tādējādi ievērojami uzlabojot rīcības precizitāti. Pekinas Universitāte ir piedāvājusi MLA multimodālo valodas un rīcības modeli, kas ievieš pilnīgu multimodālo uztveri un nodrošina uzticamāku lēmumu pieņemšanas pamatu, integrējot heterogēnus signālus.

Otrkārt, pastāv tendence uz galu līdz galam un paradigma mainās lēmumu pieņemšanā. Ķermeņa intelekta hierarhiskā lēmumu pieņemšanas arhitektūra „smadzenes + mazsmadzenes“ ir nobriedusi un aizvien vairāk tiek pielietota; Galu līdz galam modelis, kuram piemīt plaša pārklājuma, zemas latences, augstas autonomijas un spēcīgas sadarbības priekšrocības, ir parādījis lielu potenciālu ķermeņa intelekta izpētē, virzoties uz vispārināšanu. Google DeepMind Gemini Robotics balstās uz galu līdz galam VLA arhitektūru un izceļas ar lielisku šķērsontoloģisku vispārināšanas spēju; DOBOT-VLA modelis, ko neatkarīgi izstrādājusi Ķīnā esošā uzņēmuma Yuejiang, integrē redzes, valodas un vadības spējas un ir optimizēts, izmantojot reāllaika stiprināšanas mācīšanos. Aprīkots ar savu humanoido robotu ATOM, tas 2025. gadā sācis masveida ražošanu un spēj veikt sarežģītas uzdevumu grupas, piemēram, gājienu, dinamisko līdzsvarošanu un precīzu montāžu.

Treškārt, elastīgo materiālu jomā paveikti atklājumi ir izraisījuši pašatjaunošanās spēju parādīšanos. Materiālu revolūcija virza iemiesotās intelekta attīstību no „ciets izpildes gals“ līdz „intelektuālai pielāgošanās būtībai“. Ādas līdzīgie taktilie sensori un elektroniskā āda iemiesotajam intelektam nodrošina ļoti jutīgas vides uztveres spējas, kamēr biomimētiskā elastīgā struktūra piešķir iemiesotajiem intelektuālajiem dzīvajiem radījumiem daudzveidīgas kustības spējas, piemēram, rāpošanu, ripināšanos un peristaltiku, efektīvi pielāgojoties un paplašinot lietojuma scenārijus. Pašatjaunojošie materiāli sasniedz aktīvas pašatjaunošanās pārrāvumus. Pēc ķermeņa bojājuma tas spēj apgrieztā veidā atjaunot ķīmiskās saites, izmantojot gaismu un siltumu. Tas integrē bojājumu noteikšanas, lokalizācijas un pašatjaunošanās funkcijas, ievērojami uzlabojot iemiesotā intelekta izturību un uzticamību sarežģītās un nežēlīgās vides apstākļos, nodrošinot ilgstošu autonomu darbību.

Ceturtā ir virtuālo un reālo datu integrācija un datu standartu vienotošana. Augstās izmaksas un mazais apjoms reālo mašīnu datu savākšanā, kā arī vājā vispārināšanas spēja neredzētajās vides apstākļos ir kļuvuši par ķengām ķermeņa intelekta attīstībā. Ģeneratīvais datu avots ir simulācijas vide, kas izveidota no lielā modeļa un kurai raksturīgs liels apjoms un augsts strukturētības līmenis; tā var aizpildīt datu trūkumu zemās izmaksās. Apvienojot fizikas likumu ierobežojumus un jauktos datu paradigmas un kalibrējot ar reālo mašīnu datiem, var būtiski samazināt atšķirības starp simulāciju un realitāti. Ķīniešu uzņēmums 51Sim ir uzkrājis galamērķa palīdzības braukšanas scenārijus un sintezētus datus, balstoties uz Nvidia platformu, un veiksmīgi izmantojis tos robotu apmācībai sarežģītos scenārijos, piemēram, ostās un raktuvēs. "Dome DOME" platforma vienoto datu interfeisus un formātu specifikācijas, novērš datu silosus, izveido universālu valodu rūpniecībai un efektīvi veicina krustenisku scenāriju savietojamību un augstas kvalitātes datu piegādi.

Piektā ir sasniegt heterogēnu sadarbību un izveidot drošu pamatu. Programmatūras un aparatūras atdalīšana un modulārā integrācija veicina ķermeņa intelekta operētājsistēmu paātrināšanos, lai sasniegtu krustisku ontoloģiju savietojamību un heterogēnu sadarbību. OpenRMF arhitektūra vienota robotu „satiksmes noteikumus“ un „saziņas valodu“, ļaujot sadarboties heterogēniem mašīnu klasteriem; OpenMind izstrādātā OM1 atbalsta „pievieno un strādā“ principu un galveno lielo modeļu API krustiskās ontoloģijas izstrādi. Sistēmas integrācija nostiprina projekta pamatu, nodrošinot drošību, uzticamību un ievērojot minimālos ierobežojumus. Pretējās mācīšanās, diferenciālā privātums un citas privātuma aprēķināšanas tehnoloģijas ļauj veikt sadarbību starp institūcijām, neizpaužot neapstrādātos datus, veidojot aktīvu un drošu dziļu aizsardzības sistēmu ķermeņa intelekta masveida pielietojumiem.

　　Ieviest vairākus pasākumus, lai uzlabotu Ķīnas iemiesotās intelekta konkurētspēju

Pašlaik Ķīnas iemiesotais intelekts atrodas kritiskā posmā, kur jāsaskaņo tehnoloģiju pārrāvumi, rūpnieciskā ieviešana un ekosistēmas veidošana. Galveno aparatūru vietējā ražošana ir paātrinājusies, lielo modeļu veiktspēja ir ievērojami uzlabojusies. Vietējā aprēķinu jauda var efektīvi izpildīt sarežģītus modeļus, un dažās jomās jau ir veidojušās pirmās lietošanas spējas. Tomēr, ņemot vērā arvien asāko starptautisko konkurenci, dziļās iemiesotā intelekta problēmas nevar ignorēt.

Pirmkārt, nepieciešams uzlabot galveno komponentu autonomo vadības spēju, jo pastāv augsta ārējā atkarība no servomotoriem, reduktoriem un augstas klases sensoriem. Enerģijas sistēmas izturība ir nepietiekama, un pilnīgai pašattīstībai vēl joprojām trūkst spējas; otrkārt, standartu sistēmai un rūpnieciskajam ekosistēmai joprojām nepieciešams uzlabojums — neatbilstoši aparatūras interfeisi, sakaru protokoli un programmatūras savietojamības standarti, plaši izplatīti datu silosi, ierobežota atvērtā koda kopienas ietekme un nepietiekams augstas kvalitātes interaktīvo datu piedāvājums; treškārt, drošības pārvaldības sistēmai joprojām nepieciešams uzlabojums, un autonomo sistēmu avārijās atbildības sadale ir grūti noteicama. Nepārtraukta jutīgo datu savākšana var viegli izraisīt riskus, piemēram, datu noplūdi un privātuma pārkāpumus, un uzticamības mehānismam starpinstitucionālai sadarbībai joprojām nepieciešams uzlabojums.

Saskaroties ar iepriekš minētajām problēmām, Ķīnai ir jāizmanto attīstības iespēju laikposms, jāpieņem neatkarīga inovācija par kodolu, standartu izstrāde par izходpunktu un drošības pārvaldība par pamatprincipu, lai paātrinātu ķermeņa iemiesotās intelektuālās rūpniecības ekosistēmas veidošanu un sniegtu spēcīgu impulsu jaunas kvalitātes ražīguma attīstībai un tehnoloģiski stipras valsts celtniecībai.

Viens ir nostiprināt stratēģisko tehnoloģiju spēku izvietojumu un nostiprināt neatkarīgas inovācijas pamatus. Paļaujoties uz jauno nacionālo sistēmu, mēs nostiprināsim nacionālo atslēgaslaboratoriju stratēģiskās zinātniski tehnoloģiskās spējas ķermeņa inteliģences jomā un veiks organizētus zinātniskos pētījumus ap galvenajām virzieniem, piemēram, "informācijas-fizikas-uztveres" trīs domēnu saplūšanas modeli, galapunkta līdz galapunktam pieņemšanas lēmumu arhitektūru un biomimētiskus elastīgus materiālus. Dziļināt rūpniecības, akadēmiskās pētniecības un izpētes integrāciju, ko vada uzņēmumi, atbalstīt vadošās tehnoloģiju uzņēmumu iniciatīvu izveidot inovāciju konsorcijumus, koncentrēt priekšrocības nodrošinošus resursus, lai pārvarētu lokalizācijas šķēršļus galvenajiem komponentiem, piemēram, servo motoriem, reduktoriem un planētveida rullīšu skrūvēm, savienot visu ķēdi no "pamatpētījumiem–tehnoloģiju izstrādei–rūpnieciskajai lietošanai" un pārvarēt rūpnieciskās attīstības ierobežojumus no avota.

Otrā ir veidot atvērtu un sadarbības pamatā balstītu rūpniecisko ekosistēmu, kas nodrošina augstas kvalitātes attīstību, izmantojot augstus standartus. Paātrināt krustzaru aparatūras saskarnes, komunikācijas protokolus un programmatūras savietojamības standartu izstrādi, kā arī veicināt neatkarīgu un kontrolējamu pamatprogrammatūras izstrādi, piemēram, operētājsistēmu un starpprogrammatūru. Izpētīt augstlīmeņa datu apkopošanas un pārvaldības struktūru izveidi, izstrādāt daudzrežīmu datu vākšanas un anotācijas standartus, izveidot simulācijas salīdzināšanas bāzes un datu atvērtas platformas galvenajām situācijām, piemēram, intelektuālajā ražošanā un augsta riska darbībās, kā arī novērst barjeras datu apritē. Aktīvi veidot vietējo atvērtā koda ekosistēmu, mudināt universitātes, pētniecības institūtus un uzņēmumus kopīgi izveidot algoritmu un aprēķinu jaudas koplietošanas sistēmas, samazināt pētniecības un izstrādes barjeras, paātrināt tehnoloģiju iterāciju un vadīt nozares kvalitātes uzlabošanu, izmantojot augstlīmeņa standartizāciju un atvērto kodu.

Trešais ir izveidot drošības pārvaldības sistēmu un nodrošināt uzticamas attīstības pamatus. Izveidot hierarhisku aizsardzības mehānismu, kas aptver algoritmus, datus un fizisko drošību, skaidri noteikot tiesības un atbildību robežas visām produkcijas, izmantošanas, algoritmu piegādes un uzraudzības procesā iesaistītajām pusēm. Veikt perspektīvus pētījumus par negadījumu atbildības noteikšanu, starpinstitucionālu sadarbību un savstarpējas uzticības pārvaldības noteikumiem, kā arī drošības un ētikas norādījumiem konkrētai navigācijai, grupu sadarbībai un citām darbībām. Izkopot iekļaujošus un piesardzīgus regulēšanas modeļus, veikt pilna cikla drošības un ētikas novērtējumus, izveidot proaktīvas un dziļas drošības aizsardzības sistēmas un nodrošināt institucionālus garantijas ķermeņa intelekta plašā mērogā ieviešanai un ilgtermiņa veselīgai attīstībai.