Fysieke AI aan de edge

Als je genoeg tijd doorbrengt in de industriële technologie, begin je een filter voor modewoorden te ontwikkelen. We zijn het er allemaal eindelijk over eens geworden wat "the edge" betekent voor onze infrastructuur, en nu begint een nieuwe term op te duiken in elke keynote en LinkedIn-feed: Fysieke AI.

Het is makkelijk om met je ogen te rollen en te denken dat het gewoon marketingjargon is voor robotica, maar er is hier een echt verschil dat van belang is voor iedereen die tegenwoordig hardware bouwt. Recente doorbraken op het gebied van kunstmatige intelligentie reiken inmiddels verder dan het scherm. Inzicht in de wisselwerking tussen edge-AI en fysieke AI maakt het verschil tussen een systeem dat een probleem alleen maar registreert en een systeem dat het daadwerkelijk oplost in de fysieke wereld.

Laten we eens kijken naar de definitie, hardware-elementen en praktijktoepassingen van fysieke AI. Maar eerst moeten we nog één zeer relevante term definiëren.

Wat is edge AI?

Als je ooit hebt geprobeerd een gesprek te voeren via een videogesprek met een vertraging van 3 seconden, heb je een cruciaal probleem ervaren dat edge AI is gebouwd om op te lossen. In de industriële wereld is die latentie niet alleen irritant; het is een dealbreaker voor het proces (meer daarover vind je hier).

Edge AI is in wezen de verschuiving van "cloud-first" naar "local-first" intelligentie. In plaats van enorme hoeveelheden ruwe sensordata naar een extern datacenter te versturen voor verwerking, draai je je Machine Learning-modellen en AI-modellen direct op de fabrieksvloer (of in een voertuig, op een afgelegen locatie, of op elke andere plek waar edge AI wordt geïmplementeerd). Door computerhardware precies te plaatsen waar de data wordt gegenereerd, geef je de machine de mogelijkheid om zijn omgeving in real-time te "zien" en te "interpreteren".

Door data bij de bron te verwerken, pakt edge AI de "drievoudige dreiging" van industriële problemen aan: latentie, bandbreedte en privacy. Het maakt gebruik van geavanceerde algoritmes om specifieke vragen te beantwoorden, zoals:

• Zit er een scheur in dit turbineblad?

• Is dat een persoon of een heftruck in het camerabeeld?

• Trilt deze motor met een frequentie die een naderende storing suggereert?

In tegenstelling tot taalmodellen zoals ChatGPT, die fungeren als digitale AI-agenten die reageren op natuurlijke taal, richt edge AI zich op zintuiglijke waarneming, een essentieel element van huidige innovaties in de automobiel- en industriële sectoren. In deze gevallen is de output meestal data: Je krijgt een melding, een logboekvermelding of een rood lampje op een dashboard. Het is slim, maar het blijft een vorm van traditionele AI omdat de output digitale informatie is in plaats van fysieke actie.

Lees meer: 3 voorspellingen voor industriële Edge AI

De stap naar de echte wereld: Wat is fysieke AI?

Als edge AI het brein is dat de wereld waarneemt, is fysieke AI het brein en het lichaam die samenwerken in een gesloten lus. Je hoort mensen dit misschien "Embodied AI" noemen. Het is wat er gebeurt wanneer je die digitale inzichten omzet in actie.

Deze overgang wordt gevoed door de opkomst van agentic AI. In tegenstelling tot traditionele software die een strikt, lineair script volgt, zijn agentic AI-systemen ontworpen om een specifiek doel te bereiken door autonoom te navigeren in complexe, veranderende omgevingen. In de fysieke wereld betekent dit dat een robot niet zomaar een opgenomen beweging "afspeelt"; het gebruikt agentic intelligentie om de beste manier te bepalen om een pallet te verplaatsen of een gewas te oogsten op basis van de obstakels die het in real-time tegenkomt.

Fysieke AI neemt de inference van de edge en vertaalt deze naar een fysieke functie. Dit is de wereld van autonome mobiele robots (AMR's), collaboratieve robotarmen en complexe autonome systemen. Terwijl edge AI een obstakel in een warehouse kan identificeren, is fysieke AI de intelligentie die het exacte koppel, de trajectorie en de snelheid berekent die nodig zijn om eromheen te sturen zonder een pallet te raken. Het implementeren van deze fysieke AI-systemen vereist een verschuiving van pure dataverwerking naar belichaamde intelligentie.

Edge AI versus Fysieke AI: de gesloten lus begrijpen

Hoewel de termen vaak door elkaar worden gebruikt, ligt het verschil in waar het proces eindigt. Bij OnLogic zien we klanten die in beide spectrums werken, en als je begrijpt voor welk type je bouwt, bepaalt dat je hardware- en I/O-vereisten.

Edge AI gaat voornamelijk over waarneming. Het is een "open lus"-systeem waarbij de computer data ontvangt, deze verwerkt en een digitale output levert.

• De digitale output: We ondersteunen vaak edge AI-toepassingen waarbij het resultaat een voorspellende onderhoudswaarschuwing op een dashboard of een beveiligingsmelding is. Dat is slim, maar het is puur digitaal.

• Voorbeeld: Een slimme camera op een productielijn identificeert een defect onderdeel en registreert dit in een database. De AI "zag" het probleem, maar een mens moet ingrijpen om het onderdeel te verplaatsen.

Fysieke AI gaat over aansturing. Het is een "gesloten lus"-systeem, vaak aangeduid als de "Sense-Think-Act"-lus. De computer identificeert niet alleen een toestand; hij berekent en voert een fysieke respons uit in real-time.

• De fysieke output: Fysieke AI sluit de cirkel door die inference te nemen en deze te vertalen naar een fysieke functie – zoals koppel, traject of snelheid.

• Voorbeeld: Een autonome mobiele robot (AMR) identificeert een persoon die zijn pad kruist. De AI registreert niet alleen "mens gedetecteerd". Hij berekent een nieuw pad, past het motorkoppel aan om te vertragen, en stuurt de robot veilig om het obstakel heen.

De rol van simulatie en digitale tweelingen

Een van de grootste uitdagingen bij het ontwikkelen van fysieke AI is dataverzameling. Een robot trainen in de echte wereld is traag en duur. Dit is waar simulatie- en digital twin-technologie essentieel worden.

Developers gebruiken hoogwaardige simulatieomgevingen om synthetische data te creëren. Deze datageneratie maakt reinforcement learning mogelijk, waarbij een AI-model een taak miljoenen keren kan oefenen in een virtuele ruimte voordat het ooit een fysieke component aanraakt. Door gebruik te maken van basismodellen die getraind zijn op open-source datasets, kunnen developers de aanpasbaarheid van deze systemen in complexe omgevingen verbeteren.

Door een digital twin van een fabrieksvloer te creëren, kunnen engineers optimalisatie uitvoeren op workflows zonder de productie te stoppen. Dit gebruik van generatieve AI voor robotica zorgt ervoor dat wanneer de software wordt ingezet op fysieke robots, zij al de "ervaring" bezitten die nodig is om veilig te opereren, wat efficiëntere optimalisatie mogelijk maakt.

De technische motor: De lus versnellen

Om de stap te zetten van kijken naar doen, moet de hardware snel zijn. Je kunt geen laadpictogram tolereren wanneer een robotarm vlakbij een menselijke collega zwaait. Voor besluitvorming in realtime is zorgvuldig gekozen hardware nodig die een evenwicht biedt tussen benodigde rekenkracht en schaalbaarheid.

Passende verwerking en NPU-efficiëntie

Hoewel visueel-intensieve fysieke AI-taken mogelijk platforms zoals NVIDIA® Jetson™ gebruiken voor massale parallelle verwerking, is een krachtige discrete GPU niet altijd de meest efficiënte keuze voor grootschalige implementatie. Moderne System on a Chip (SoC)-architecturen van chipleveranciers zoals Intel®, AMD en Qualcomm integreren nu krachtige Neural Processing Units (NPU's) en geïntegreerde graphics (iGPU) direct in de processor om complexe AI- en grafische workloads efficiënt op één chip te verwerken.

Voor veel AI-gestuurde apparaten is deze geïntegreerde aanpak kosteneffectiever en energiezuiniger, en biedt het de directe responsiviteit die nodig is voor de 'Sense-Think-Act'-loop terwijl de totale eigendomskosten (TCO) worden verlaagd. Door tools zoals Intel OpenVINO™ te gebruiken, kunnen developers workloads verdelen over de Central Processing Unit (CPU), iGPU en NPU, wat zorgt voor een passende oplossing die het hoge stroomverbruik en de stabiliteitsuitdagingen vermijdt die vaak geassocieerd worden met complexere discrete configuraties.

Lees meer: NPU's versus GPU's voor Edge AI

Praktijktoepassingen van fysieke AI

Dit is geen theoretisch concept. De use cases voor fysieke AI variëren van kleine verbeteringen aan processen tot het revolutioneren van hele industrieën. Onze klanten gebruiken deze technologieën al in diverse sectoren, waaronder:

• Slimme opslag: Hoewel zelfrijdende auto’s een bekend voorbeeld zijn van fysieke AI in de automobielsector, zorgt de technologie ook voor opschudding in wereldwijde toeleveringsketens. Zo heeft Amazon volledig autonome mobiele robots (AMR's) zoals Proteus ingezet om veilig tussen medewerkers te navigeren, en experimenteren organisaties met humanoïde robots voor bepaalde repetitieve taken. Deze fysieke AI-systemen maken gebruik van geavanceerde computervisie om de onvoorspelbaarheid van een druk magazijn aan te kunnen, wat leidt tot de optimalisatie van fulfilment-workflows.

• Autonome landbouw: Bear Flag Robotics (nu een John Deere-bedrijf) gebruikt robuuste edge computers om standaard tractoren om te zetten in autonome voertuigen. Het systeem verwerkt LiDAR- en sensordata lokaal om oneffen grond of obstakels te identificeren, waarbij de besturing en het remmen onmiddellijk worden aangepast om het ploegen nauwkeurig te houden in stoffige omgevingen met veel trillingen.

• Gezondheidszorg: Van chirurgische assistentie tot zelfrijdende transportwagens, fysieke AI draagt bij aan betere behandelresultaten voor patiënten. In ziekenhuizen zorgen deze systemen voor nauwkeurige bewegingen en logistiek, waardoor levensreddende benodigdheden hun bestemming bereiken zonder vertraging door drukke gangen of ingewikkelde plattegronden.

• Inspectie van infrastructuur: Er worden autonome robotsystemen ingezet voor de inspectie van bruggen, pijpleidingen en hoogspanningskabels. Deze robots bewegen zich door complexe omgevingen om nauwkeurige sensorgegevens te verzamelen en maken gebruik van computervisie om structurele problemen op te sporen. Deze fysieke AI-systemen kunnen zelfs kleine reparaties uitvoeren op locaties die te gevaarlijk of te afgelegen zijn voor menselijke teams.

Hoe de industriële edge dit mogelijk maakt

Je kunt geen fysieke AI hebben zonder een ijzersterke basis. Om een machine veilig met de wereld te laten interacteren, moet de "Sense-Think-Act"-lus in milliseconden plaatsvinden. Industriële edge computing maakt dit mogelijk door te voorzien in:

• Deterministische prestaties: In tegenstelling tot een standaard pc, is industriële hardware gebouwd voor snelle I/O. Dit zorgt ervoor dat wanneer de AI "stop" zegt, het commando de actuatoren onmiddellijk bereikt.

• Omgevingsbestendigheid: Fysieke AI bevindt zich op trillende fabrieksvloeren en in stoffige velden. Onze fanless, robuuste systemen zorgen ervoor dat het "brein" niet oververhit raakt of losraakt wanneer het moeilijk wordt.

• Diepe connectiviteit: Deze systemen fungeren als een brug, die neurale netwerken verbindt met de sensoren (LiDAR, camera's) en actuatoren (motoren, hydrauliek) die beweging mogelijk maken.

Speciaal gebouwd voor de volgende grens

Bij OnLogic richten we ons volledig op het helpen van onze klanten om "het mogelijk te maken." Of je nu een eenvoudige monitoringoplossing bouwt of een complexe autonome robot, de hardware zou het minste van je zorgen moeten zijn.

Door uiterst configureerbare, modulaire systemen te leveren, zorgen we ervoor dat je beschikt over de exacte rekenkracht en connectiviteit die je nodig hebt om je AI uit de cloud te halen en deze in de echte wereld toe te passen. Fysieke AI is de volgende grens van automatisering, en we staan klaar om je te helpen deze te bouwen.