Nvidia: Γιατί η ρομποτική περιμένει ακόμη τη δική της «στιγμή ChatGPT»

Από την εμφάνιση του ChatGPT στα τέλη του 2022, ο ψηφιακός κόσμος άλλαξε ριζικά. Η παραγωγική τεχνητή νοημοσύνη πέρασε από τη θεωρία στην καθημερινότητα εκατομμυρίων χρηστών, μεταμορφώνοντας τον τρόπο επεξεργασίας κειμένου, κώδικα και εικόνας. Ωστόσο, η ρομποτική –παρότι αποτελεί ένα από τα παλαιότερα και πλέον υποσχόμενα πεδία της τεχνολογίας– δεν έχει βιώσει ακόμη τη δική της αντίστοιχη στιγμή καθολικής αναγνώρισης και άλματος κλίμακας.

Το ζήτημα αυτό και τα εμπόδια που παραμένουν στον δρόμο της εξέλιξης αναμένεται να αναλύσει ο Λες Κάρπας, επικεφαλής του τμήματος Physical AI στο πρόγραμμα Inception της Nvidia, στο πλαίσιο του συνεδρίου TechCrunch Disrupt 2026 στο Σαν Φρανσίσκο.

Το έλλειμμα δεδομένων στον φυσικό κόσμο

Σύμφωνα με τον Λες Κάρπας, το κύριο εμπόδιο που αντιμετωπίζει η ανάπτυξη ρομπότ γενικής χρήσης είναι απλό στη διατύπωση αλλά εξαιρετικά σύνθετο στην επίλυσή του: η παντελής απουσία ενός παγκόσμιου συνόλου δεδομένων (dataset) για τη φυσική διάσταση. Ενώ εταιρείες όπως η OpenAI και η Anthropic κατάφεραν να εκπαιδεύσουν γλωσσικά μοντέλα αξιοποιώντας τον τεράστιο όγκο κειμένων που υπάρχει διαθέσιμος στο διαδίκτυο, στον τομέα της ρομποτικής δεν υπάρχει αντίστοιχη βάση δεδομένων φυσικών αλληλεπιδράσεων.

Ακόμη και στον τομέα της αυτόνομης οδήγησης, πρωτοπόροι όπως η Waymo χρειάστηκαν χρόνια καταγραφής εκατομμυρίων χιλιομέτρων σε πραγματικούς δρόμους για να συγκεντρώσουν τα απαραίτητα δεδομένα κίνησης. Για τα ανθρωποειδή ρομπότ ή τα ρομπότ γενικής χρήσης, η συλλογή δεδομένων για κάθε πιθανή φυσική κίνηση και περιβάλλον παραμένει μια τεράστια πρόκληση.

Συνθετικά δεδομένα και προσομοιώσεις: Η απάντηση της βιομηχανίας

Προκειμένου να γεφυρωθεί το χάσμα ανάμεσα στον ψηφιακό και τον φυσικό κόσμο, ένα ταχέως αναπτυσσόμενο οικοσύστημα από startups αναπτύσσει νέες μεθοδολογίες. Η κύρια στρατηγική επικεντρώνεται στη χρήση προηγμένων προσομοιώσεων (simulations), στη δημιουργία συνθετικών δεδομένων και στην ανάπτυξη θεμελιωδών μοντέλων (foundation models) που μπορούν να εκπαιδευτούν ταυτόχρονα σε πολλαπλές μορφές ρομποτικών συστημάτων.

Εταιρείες όπως οι Shield AI, Colossal Biosciences, FieldAI και Foxglove εργάζονται εντατικά προς αυτή την κατεύθυνση, προσπαθώντας να παράξουν τεχνητά την απαιτούμενη κλίμακα δεδομένων χωρίς να απαιτούνται δεκαετίες δοκιμών στον πραγματικό κόσμο.

Η στρατηγική της Nvidia για το Physical AI

Η Nvidia, υπό την καθοδήγηση του διευθύνοντος συμβούλου της, Τζένσεν Χουάνγκ, τοποθετείται ιδιαίτερα δυναμικά στον τομέα του λεγόμενου «Physical AI» (Φυσική Τεχνητή Νοημοσύνη). Μέσω της πλατφόρμας Inception, ο Λες Κάρπας συντονίζει τη συνεργασία του τεχνολογικού κολοσσού με ένα ευρύ φάσμα νεοφυών επιχειρήσεων που δραστηριοποιούνται στη ρομποτική, την αυτοκινητοβιομηχανία, τη μεταποίηση και τις έξυπνες πόλεις.

Η κατανόηση του πώς θα υπερνικηθεί το πρόβλημα της έλλειψης δεδομένων αποτελεί το κλειδί για το επόμενο μεγάλο τεχνολογικό άλμα. Όπως επισημαίνουν οι αναλυτές, όταν η ρομποτική αποκτήσει τη δική της «στιγμή ChatGPT», η μετάβαση των αυτόνομων μηχανών από τα ερευνητικά εργαστήρια στην καθημερινή παραγωγή και ζωή θα πραγματοποιηθεί με πρωτοφανή ταχύτητα.