Embodied AI

Bedensel yapay zekâ, çevresini sensörlerle algılayan, motorlar veya benzetilmiş kontroller aracılığıyla çevresi üzerinde eylemde bulunan ve kendi eylemlerinin sonuçlarından öğrenen; fiziksel bir robot ya da 3B simülatördeki bir avatar biçiminde bedeni olan aracılar geliştiren yapay zekâ alanıdır. Her eylem aracının bir sonraki görüşünü değiştirdiğinden, bedensel bir aracı yalnızca sabit bir görüntü veya metin veri kümesinden öğrenmek yerine kendi deneyimini toplar. Bedensel görevler arasında tanımadığı bir evde nesne aramak için gezinmek, bir soruyu yanıtlamak amacıyla odayı keşfetmek, sözlü yönergeleri izlemek ve nesneleri alıp yeniden düzenlemek bulunur; bu alan, modern robotik uygulamalarının temelindeki öğrenme yöntemlerini sağlar.

Bedensel Yapay Zekânın Kökenleri#

Bedensel yapay zekâ, bütünüyle sembolik yapay zekâya yönelik bir tepki olarak ortaya çıktı. 1980'lerin sonlarında MIT'den Rodney Brooks, basit algılayıcıdan motora davranış katmanlarıyla kontrol edilen, böceğe benzeyen yürüyen robotlar geliştirdi. Brooks, 1991 tarihli "Temsil Olmadan Zekâ" makalesinde zekânın, bir makinenin dünyayla doğrudan etkileşiminden başlayarak oluşturulması gerektiğini savundu. Hans Moravec, 1988'de bilgisayarların dama oyununda ve zekâ testlerinde yetişkinlerle yarışabildiğini, ancak bir yaşındaki çocuğun algı ve hareket becerilerine erişemediğini gözlemledi. Artık Moravec paradoksu olarak adlandırılan bu fark, alanın temel zorluğu olmaya devam ediyor.

Modern alan, hızlı 3B simülatörlerin aracıları milyarlarca deneyim adımında eğitmeyi uygulanabilir hâle getirdiği 2017 ile 2019 yılları arasında şekillendi. Allen Yapay Zekâ Enstitüsü'nün AI2-THOR'u, aracıların çekmeceleri açıp nesneleri taşıdığı etkileşimli evler sunar; Meta'nın Habitat simülatörü ise gerçek evlerin 3B taramalarını yükler ve tek bir GPU'da saniyede 10.000'den fazla kare işler. Standart kıyaslama görevleri arasında nokta hedefli ve nesne hedefli gezinme, bedensel soru yanıtlama ve görme-dil yön bulma bulunur. 2019'da Erik Wijmans ve çalışma arkadaşları, Habitat aracısını derin pekiştirmeli öğrenmeyle 2,5 milyar adım boyunca eğitti; bu, 80 yıllık insan deneyimine eşdeğerdi. Aracı, yalnızca bir RGB-D kamera ile GPS ve pusula sensörü kullanarak daha önce hiç görmediği evlerdeki hedeflere neredeyse kusursuz biçimde ulaştı.

Algı-Eylem Döngüsü#

Bedensel bir aracı kapalı bir döngüde çalışır: sensörlerini okur, sahnenin bir tasvirini oluşturur, eylem seçer, eylemi gerçekleştirir ve nelerin değiştiğini gözlemler.

Algı, ham sensör verilerini bir karar için gereken niceliklere dönüştürür. Nesne algılama ve örnek bölümleme, aracının etkileşime girebileceği şeyleri bulur; derinlik tahmini ve sensör füzyonu bu şeyleri 3B uzayda konumlandırır; poz tahmini insanları ve hareketlerini izler; görsel SLAM ise aracıyı harita üzerinde konumlandırırken bir harita oluşturur. Ultralytics ROS hızlı başlangıç kılavuzu, Ultralytics YOLO26 modelini bir robotun kamera konularına abone olan ROS1 veya ROS2 düğümünde çalıştırır. Derinlik örneğinde bir bölümleme maskesi, hizalanmış derinlik görüntüsündeki nesne piksellerini seçer ve düğüm nesnenin kameraya olan ortalama uzaklığını yayımlar.

Kararlar klasik planlayıcılardan, model öngörülü kontrolden veya gözlemleri doğrudan motor komutlarına eşleyen öğrenilmiş politikalardan gelir. Bir sahnenin eyleme karşılık nasıl değişeceğini tahmin eden dünya modelleri, aracının hareket etmeden önce bir planı zihninde denemesini sağlar.

Bedensel Aracılar Eylemde Bulunmayı Nasıl Öğrenir?#

Benzetimdeki pekiştirmeli öğrenme, aracıların milyonlarca deneme boyunca ödüllerden öğrenmesini sağlar. Alan rastgeleleştirme, benzetimde eğitilen politikaların gerçek robotlara aktarılabilmesi için dokuları, aydınlatmayı ve fiziği değiştirir; OpenAI bu yöntemi 2019'da Rubik Küpü çözen bir robot eli eğitmek için kullandı. Taklit öğrenmesi, teleoperasyonla yönetilen gösterimler üzerinden politikalar eğitir; yalın davranış klonlamadan difüzyon politikalarına ve gelecekteki eylemlerin kısa dizilerini tek seferde tahmin eden eylem gruplamaya kadar uzanır.

Büyük ön eğitimli modeller artık nesneler ve dil hakkında genel bilgi sağlıyor. Google'ın RT-1 modeli (2022), 17 ay boyunca 13 robotla toplanan 130.000 gösterimden 700'den fazla görev öğrendi. RT-2 (2023), bir görme-dil modelini robot eylemlerini metin belirteçleri olarak üretecek şekilde ince ayarlayarak görme-dil-eylem (VLA) modeli terimini ortaya attı. Open X-Embodiment iş birliği, bedenler arası temel modelleri eğitmek için 21 kurumdan 22 robot türüne ait gösterimleri bir araya getirdi. Physical Intelligence'ın π0 modeli (Ekim 2024), robotları 50 Hz'ye kadar kontrol etmek amacıyla 3 milyar parametreli bir görme-dil modeline akış eşleme eylem uzmanı ekledi. Mart 2025'te yayımlanan Google DeepMind'ın Gemini Robotics modelleri ise Gemini 2.0 üzerine bir VLA modeli kuruyor.

Bu yöntemler otonom araçlarda, depo mobil robotlarında, görme kılavuzlu al-al ve yerleştir kollarında, tarım robotlarında ve dronlarda kullanılır. Bunların tümü, genellikle üzerinde taşıdıkları uç yapay zekâ donanımında, gördüklerine gerçek zamanlı olarak tepki vermelidir.

Bedensel Yapay Zekâ ve İlgili Terimler#

• Fiziksel yapay zekâ: NVIDIA'nın popülerleştirdiği bu terim, robotlar, araçlar ve diğer makineler aracılığıyla gerçek dünyayı algılayan ve gerçek dünyada eylemde bulunan yapay zekâ için büyük ölçüde eş anlamlıdır. Bedensel yapay zekâ yalnızca benzetimde var olan aracıları da kapsar.
• Robotik: Mekanik, eyleyiciler ve klasik kontrol dâhil olmak üzere robot geliştirme mühendisliği alanıdır. Bedensel yapay zekâ, robotların programcılarının öngörmediği durumlarla başa çıkmasını sağlayan öğrenilmiş algı ve karar verme yeteneklerini sunar.
• Yapay zekâ aracıları: API'ler, tarayıcılar ve kod aracılığıyla eylemde bulunan yazılım aracılarıdır. Fizik, temas kuvvetleri veya sürekli sensör akışları olmadan aynı gözlemle-karar ver-eyleme geç döngüsünü izlerler.
• Uzamsal zekâ: Bedensel aracıların çevrelerinde hareket edebilmesi ve çevrelerini değiştirebilmesi için ihtiyaç duyduğu; görüntülerden ve diğer sensörlerden 3B uzayı anlama ve bu uzay hakkında akıl yürütme becerisidir.