fizikai AI (physical AI)
Angol megfelelő: physical AI; a Google DeepMind szóhasználatában rokon fogalom az embodied AI (testet öltött AI)
A fizikai AI olyan mesterséges intelligencia, ami nem szöveget vagy képet állít elő, hanem érzékeli a valódi környezetét, döntést hoz róla és gépet mozgat benne: robotot a gyárban, a raktárban, önvezető autót az úton.
Mit jelent. Az NVIDIA meghatározása szerint a fizikai AI lehetővé teszi, hogy autonóm gépek, például gyári robotok és robottaxik, érzékeljék és megértsék a fizikai világot, plusz összetett műveleteket hajtsanak végre benne. A Google DeepMind ugyanezt a hiányból indítja: a Gemini-modellek szövegen, képen, hangon és videón át tudnak következtetni, ez a képesség viszont eddig nagyrészt a digitális térbe volt zárva. A fizikai térben hasznos AI-hoz „testet öltött” gondolkodás kell, vagyis az, hogy megértse a környezetét és reagáljon rá, plusz biztonságosan cselekedjen.
Miben más, mint a szöveges vagy képes AI? Az NVIDIA szerint a generatív AI tartalmat hoz létre (szöveget, képet, kódot), a fizikai AI pedig abban segíti a gépet, hogy érzékeljen, gondolkodjon és cselekedjen a valódi világban. Ehhez számolnia kell a térbeli viszonyokkal, a változó körülményekkel és a fizika szabályaival. A szótár saját megfogalmazásában a különbség a hiba árában van: egy rossz mondatot ki lehet törölni, egy rossz mozdulatot nem.
Mi kell hozzá? Négy elem tér vissza a forrásokban. Az első az érzékelés: kamera, egyéb érzékelők, beszéd és nyelvi utasítás együtt, vagyis multimodális bemenet. A második a valós idejű döntés: az NVIDIA szerint a futtató rendszer összeköti az érzékelést, a mérlegelést, a tervezést és a cselekvést, hogy a gép változó környezetben is működjön; a DeepMind ezt úgy írja, hogy a robotnak folyamatosan figyelnie kell a környezetét és ha valami megváltozik, igazítania kell a mozdulatán. A harmadik a szimuláció és a világmodell: mivel a sokféle valós adat gyűjtése lassú, drága vagy veszélyes, a fejlesztők fizikailag hű virtuális környezetben, mesterségesen előállított adaton tanítják és tesztelik a gépet, a ritka, veszélyes helyzeteket is ott próbálják ki. A világmodell az a modell, ami előre jelzi, mi történik a környezetben egy adott lépés után. A negyedik a biztonság: az NVIDIA szerint a biztonság a fejlesztés minden szakaszán átível, a DeepMind pedig a klasszikus robot-biztonsági szabályokat (ütközés elkerülése, az érintkezési erő korlátozása, a mozgó robot stabilitása) köti össze azzal, hogy a modell maga is mérlegelje, biztonságos-e egy lépés az adott helyzetben.
A buktató. A szimuláció nem a valóság: az NVIDIA saját glosszáriuma is kimondja, hogy a szimulációban mért teljesítmény nem feltétlenül jelzi előre, hogyan viselkedik a gép élesben, ezért a szimulált eredményt valódi teszttel kell összevetni és a különbséget telepítés előtt kezelni.
Hol tart? A DeepMind 2025 márciusában mutatta be a Gemini Robotics modellt, ami a Gemini 2.0-ra épül, a kimenetei között pedig már ott a fizikai mozdulat is, tehát közvetlenül irányít robotot. A cég beszámolója szerint egy átfogó általánosítási mérésen átlagosan több mint kétszeres teljesítményt ért el más, korszerű látás-nyelv-cselekvés (VLA) modellekhez képest; ez a gyártó saját mérése.
Példa: Egy kecskeméti webáruház raktárában eddig vezetővonalat követő targonca hordta a dobozokat a csomagolóasztalhoz: ha valaki a sorba tett egy raklapot, megállt és várt, amíg egy ember elhúzza. Az új, fizikai AI-ra épülő robot saját kamerájával és érzékelőivel látja az akadályt és a dolgozót, kikerüli őket és megy tovább. Mire jó a fogalom: arra, hogy a tulajdonos tudja, mit kérdezzen a szállítótól. Három kérdés kell: hol tanították és tesztelték a robotot (szimulációban, egy másik raktárban vagy a mi csarnokunkban), mit csinál, ha bizonytalan (megáll vagy kitalál valamit) és ki, hogyan állítja meg egy gombnyomással. Mire nem: arra, hogy a bemutatóvideó alapján elhiggye, hogy a robot az ő zsúfolt, rosszul megvilágított raktárában is ugyanígy dolgozik; ezt csak a saját helyszínen futtatott próbaüzem mutatja meg.
Forrás: NVIDIA: What Is Physical AI? (NVIDIA Glossary), nvidia.com/en-us/glossary/generative-physical-ai/ (a meghatározás, a különbség a generatív AI-tól, a működés elemei, a szimuláció és a digitális iker szerepe, a valós idejű futtatás, a biztonság mint minden szakaszon átívelő szempont, a szimuláció és a valóság közti rés); a lapon nincs dátum. NVIDIA: Cosmos, nvidia.com/en-us/ai/cosmos/ (a világmodellek mint a fizikai AI fejlesztési platformja). Google DeepMind: Gemini Robotics brings AI into the physical world, 2025. március 12., deepmind.google/blog/gemini-robotics-brings-ai-into-the-physical-world/ (a digitális térbe zárt képesség, a testet öltött gondolkodás, a VLA-modell, a folyamatos környezetfigyelés, a több mint kétszeres általánosítási eredmény, a réteges biztonsági megközelítés). Gemini Robotics Team: Gemini Robotics: Bringing AI into the Physical World, arXiv:2503.20020, beküldve 2025. március 25. (a kutatói jelentés kivonata). Mindegyik 2026-10-28-án letöltve. A világmodell egymondatos meghatározása, a hiba áráról szóló mondat és a példa a szótár saját értelmezése.
Rokon fogalmak: multimodális, generatív modell, HRI, autonóm, AI-ügynök, Gemini