Eksplozija jezičkih modela (LLM) poput sistema ChatGPT promenila je način na koji posmatramo tehnologiju. Mogućnost da računar piše kod, analizira dokumente i vodi prirodan razgovor navela je mnoge da pomisle kako smo na korak od stvaranja pravih humanoidnih robota. Deluje jednostavno: uzmete moćan jezički model, spakujete ga u metalnu šasiju sa rukama i nogama i dobijete funkcionalnog digitalnog radnika koji može da obavlja sve kućne i industrijske poslove.
Međutim, svako ko se u praksi bavi robotikom zna da je ova pretpostavka opasna iluzija. Fizički svet ne prašta greške na način na koji to prašta tekstualni prozor za ćaskanje. Kada AI napravi grešku u pisanju e-poruke, rezultat je blaga neprijatnost. Kada humanoidni robot napravi grešku u proceni mase ili ravnoteže, rezultat može biti slomljena oprema, uništen materijal ili povređen čovek u njegovoj blizini.
Da bi roboti zaista zaživeli među nama, nije im potreban samo „mozak“ koji razume reči, već potpuno novi vid inteligencije – fizička ili utjelovljena inteligencija (Embodied AI).
Mit o jednostavnom spajanju softvera i hardvera
Popularna kultura i vizuelno impresivni marketinški snimci često nas navode na zaključak da je hardver u robotici samo pasivna ljuštura koja čeka komande pametnog algoritma. U stvarnosti, odnos između softvera i fizičkog tela u robotici je neraskidiv.
Veliki jezički modeli su trenirani na tekstualnim podacima. Oni fantastično razumeju strukturu jezika, koncepte i relacije između reči. Ako pitate ChatGPT kako se kuva kafa, on će vam dati savršen recept u koracima. Međutim, ako isti taj model stavite u robota i tražite od njega da skuva kafu u stvarnoj kuhinji, naići ćete na zid.
Model ne zna koliki pritisak prstiju je potreban da se podigne staklena šolja, a da se ona ne zdrobi ili ne isklizne. Ne zna kako da prilagodi hvat ako je drška klizava ili ako je šolja delimično napunjena tečnošću koja se pomera i menja težište.
Moravekov paradoks: zašto je hodanje teže od šaha
U nauci o veštačkoj inteligenciji već decenijama važi takozvani Moravekov paradoks. Ovaj princip glasi: ono što je ljudima izuzetno teško (poput igranja šaha, rešavanja diferencijalnih jednačina ili analiziranja berze), za računare je izuzetno lako. Sa druge strane, ono što trogodišnje dete radi potpuno nesvesno i bez napora (poput hodanja po neravnom terenu, prepoznavanja lica u gužvi ili hvatanja lopte u letu), za mašine predstavlja vrhunski inženjerski izazov.
Ljudski mozak je evoluirao stotinama miliona godina primarno usmeren na kretanje, održavanje ravnoteže i interakciju sa fizičkim okruženjem. Naša sposobnost da apstraktno razmišljamo i pišemo tekstove je samo najnoviji, površinski sloj naše inteligencije. Jezički modeli pokušavaju da naprave prečicu tako što simuliraju taj najviši sloj razmišljanja, dok potpuno preskaču milione godina evolucije motoričkih i senzornih veština.
Razlika između digitalne i fizičke veštačke inteligencije
Da bismo razumeli zašto je pravljenje robota toliko složeno, moramo uporediti okruženja u kojima deluju digitalni i fizički AI sistemi:
-
Digitalni AI (pismo i pikseli): Radi u zatvorenom, determinističkom ili čisto virtuelnom prostoru. Ako se odgovor generiše dve sekunde duže, niko neće stradati. Podaci su čisti, a svet je definisan rečima ili matricama piksela.
-
Fizički AI (atomska realnost): Operiše u svetu u kom vladaju gravitacija, inercija, trenje, promenljiva svetlost, buka i prepreke koje se neprekidno pomeraju. Odluke se moraju donositi u milisekundama, jer gravitacija ne čeka da algoritam završi obradu sledećeg tokena.
Izazovi koje tekstualni modeli ne mogu rešiti sami
Da bi humanoidni robot funkcionalno radio u fabrici, magacinu ili domaćinstvu, mora savladati nekoliko ključnih prepreka koje prevazilaze domet klasičnih jezičkih modela:
1. Taktilna povratna informacija i osećaj za dodir
Ljudi ne gledaju u svoje ruke dok otvaraju vrata ili drže čašu. Mi se oslanjamo na hiljade senzora u koži koji nam u realnom vremenu šalju podatke o pritisku, teksturi i temperaturi. Današnji roboti uglavnom zavise od kamera (vizuelnog ulaza), ali kamere ne mogu da „vide“ koliki je pritisak ostvaren unutar zglavka ili prsta. Bez naprednih taktilnih senzora i algoritama koji te podatke obrađuju u hodu, fino rukovanje predmetima ostaje nemoguća misija.
2. Razumevanje prostorne fizike u realnom vremenu
Čovek intuitivno zna šta će se desiti ako gurne flašu sa ivice stola ili kako se meka tkanina savija kada je slažete. Za robota, svaki materijal predstavlja potpuno drugačiji fizikalni izazov. Čvrsti objekti, tečnosti, fleksibilni materijali i rasuti tereti zahtevaju unutrašnje „modele sveta“ koji predviđaju ponašanje materije pod uticajem sile.
3. Latencija i lokalna obrada podataka
Slanje vizuelnih podataka sa kamera robota na udaljeni server u oblaku, čekanje da LLM obradi informaciju i slanje komande nazad u motore stvara latenciju od nekoliko stotina milisekundi. U fizičkom svetu, to je previše sporo. Robot mora imati izuzetno moćne računarske čipove u samom telu koji omogućavaju momentalnu reakciju ako se neplanirano spotakne ili ako mu objekat isklizne iz ruke.
4. Baterije i energetska efikasnost
Ljudski mozak troši oko 20 vati energije – manje od jedne obične sijalice – dok istovremeno upravlja celim telom, održava ravnotežu i razmišlja. Sa druge strane, računari koji pokreću napredne AI modele i elektromotori koji pokreću zglobove robota troše kilovate energije. Trenutna tehnologija baterija jedva omogućava humanoidnim robotima dva do tri sata autonomnog rada pre nego što moraju na punjač.
Kakva je arhitektura potrebna za prave humanoidne robote
Budućnost humanoidne robotike ne leži u odbacivanju jezičkih modela, već u njihovom spajanju sa novom generacijom hibridnih sistema. Kompanije koje danas predvode ovu trku – poput Tesla sa projektom Optimus, kompanije Figure AI ili Boston Dynamics – razvijaju višekanalne arhitekture:
-
Hijerarhijsko upravljanje: Moćni jezički i vizuelni modeli (VLA – Vision-Language-Action) služe kao „mozak visokog nivoa“. Oni raščlanjuju opštu komandu („sredi sto“) na niz manjih zadataka.
-
Lokalni kontrolori pokreta: Specijalizovani, izuzetno brzi algoritmi deluju kao „kičmena moždina“. Oni preuzimaju zadatak („podigni šolju“) i u milisekundama izračunavaju tačne uglove zglobova, silu u motorima i korekcije ravnoteže.
-
Sintetički podaci i simulacije: S obzirom na to da je treniranje robota u realnom svetu sporo i skupo, inženjeri koriste napredne fizikalne simulacije gde AI roboti uče kako da hodaju i rukuju predmetima kroz milione virtuelnih pokušaja i grešaka pre nego što se softver ubaci u stvarni hardver.
Zaključak: spoj uma i tela za novu eru robotike
Humanoidni roboti su nesumnjivo sledeća velika granica tehnološke revolucije, ali put do njihove masovne primene ne vodi samo kroz veće i pametnije jezičke modele.
Prava inteligencija nije samo sposobnost generisanja teksta ili koda – ona je sposobnost snalaženja u haotičnom, nepredvidivom i fizičkom univerzumu u kom živimo. Tek kada premostimo jaz između digitalne logike i fizičke stvarnosti, kada robotima podarimo ne samo sposobnost da „razmišljaju“, već i da „osećaju“ svet oko sebe, dobićemo mašine koje zaista mogu raditi rame uz rame sa ljudima.
