Embodied AI

Bedenlenmiş yapay zekâ, pasif algoritmalardan fiziksel veya simüle edilmiş 3B bir ortamı algılayabilen, akıl yürütebilen ve bu ortamla etkileşim kurabilen akıllı sistemlere doğru önemli bir değişimi temsil eder. Tamamen statik veri kümeleri üzerinde çalışan geleneksel makine öğrenimi modellerinin aksine bu sistemler, eylemler gerçekleştirmelerine ve sürekli çevresel geri bildirimlerden öğrenmelerine olanak tanıyan, fiziksel bir robotik gövde veya sanal bir avatar biçiminde bir "bedene" sahiptir. Bedenlenmiş ajanlar, sensör girdilerini akıllı karar verme mekanizmalarıyla birleştirerek dijital hesaplama ile gerçek dünyadaki uygulama arasındaki boşluğu kapatır.

Bedenlenmiş Sistemler Dünyayı Nasıl Algılar?#

Bu dinamik sistemlerin merkezinde, ajanın çevresini uzamsal olarak anlamasını sağlayan gelişmiş bilgisayarlı görü bulunur. Güvenli ve etkili bir şekilde yol alabilmek için bedenlenmiş ajanlar, gerçek zamanlı nesne tespitine ve sürekli poz tahminine büyük ölçüde güvenir. Geliştiriciler bu ajanlar için sinirsel yollar oluştururken karmaşık uzamsal verileri işlemek üzere genellikle PyTorch ekosistemindeki derin öğrenme çerçevelerini veya TensorFlow dağıtım araçlarını entegre eder.

Gerçek özerkliğe ulaşmak için bu sistemler, güçlü gerçek zamanlı çıkarım motorlarının yanı sıra giderek daha fazla görü-dil modellerinden yararlanıyor. Bu sayede yapay zekâ yalnızca bir bardağı tanımakla kalmaz, "masanın kenarındaki kırmızı bardağı al" gibi karmaşık talimatları da anlayabilir. Stanford İnsan Odaklı Yapay Zekâ Enstitüsü (HAI) gibi kurumların araştırmaları, bu ajanların çoklu duyusal verileri nasıl bütünleştirdiğinin sınırlarını zorlamaya devam ediyor.

İlişkili Yapay Zekâ Terimlerini Birbirinden Ayırma#

Bu alanı anlamak, onu yakından ilişkili kavramlardan ayırmayı gerektirir:

• Robotik: Robotik, mekanik donanıma, aktüatörlere ve motor kontrolüne yoğun şekilde odaklanır. Bedenlenmiş yapay zekâ, Boston Dynamics'in Atlas robotu gibi projelerde görüldüğü üzere donanımı özerk hâle getiren bilişsel yazılım katmanını sağlar.
• Fiziksel Yapay Zekâ: Genellikle birbirinin yerine kullanılsalar da fiziksel yapay zekâ kesin olarak somut, gerçek dünya donanımı gerektirir. Bedenlenmiş yapay zekâ ise NVIDIA'nın Isaac robotik platformu gibi simüle edilmiş 3B fizik ortamlarında eğitilen sanal ajanları da kapsayarak daha geniş bir kavramdır.
• Yapay Zekâ Ajanı: Geleneksel yapay zekâ ajanları dijital alanlarda çalışır (ör. web'de gezinmek veya kod yazmak). Bedenlenmiş ajanlar ise uzamsal boyutluluk, fiziksel kısıtlamalar ve sürekli duyusal akışlarla başa çıkmak üzere özelleştirilmiştir.

Gerçek Dünya Uygulamaları#

Bilişsel akıl yürütmenin fiziksel eylemle bütünleştirilmesi, yapay zekâ araştırmaları için ACM dijital kütüphanesinde kapsamlı şekilde belgelenen ve birçok sektörde dönüştürücü uygulamaların ortaya çıkmasını sağlamıştır.

• Otonom araçlar: Sürücüsüz otomobiller, şehir sokaklarında yol almak için bedenlenmiş zekâya güvenir. Waymo'nun otonom sürüş teknolojisine benzer şekilde dinamik kentsel ortamlarla güvenli bir biçimde etkileşime girerken trafik işaretlerini ve yayaların hareketlerini yorumlamak için sürekli lidar ve kamera verilerini işlerler.
• Akıllı üretim: Ultralytics YOLO26 modelleriyle donatılmış robotik kollar, karmaşık montaj hattı görevlerini gerçekleştirir. Kusurlu parçaları dinamik olarak tanımlar, alır ve sınıflandırırlar; böylece yakın tarihli DeepMind robotik araştırmalarında incelenen ilkeleri gösterirler.
• Tarım dronları: İnsansız hava araçları, mahsul sağlığını izlemek ve kaynakları yalnızca ihtiyaç duyulan yerlere akıllı bir şekilde püskürtmek için uzamsal farkındalıktan yararlanır; böylece israfı azaltır ve verimi artırır.

Bedenlenmiş Ajanlar İçin Algı Oluşturma#

Bu fiziksel sistemleri geliştiren geliştiriciler, dinamik eğitim verilerini etiketlemek ve hafif uç yapay zekâ modellerini düşük güç tüketimli donanımlara doğrudan ve sorunsuz bir şekilde dağıtmak için genellikle Ultralytics Platformundan yararlanır.

Aşağıda, bir robotik ajanın ortamındaki etkileşimli nesneleri sürekli olarak tespit etmek için bir görü modelini nasıl kullanabileceğini gösteren bir Python örneği yer alıyor.

from ultralytics import YOLO

# Load the lightweight YOLO26 model designed for real-time edge hardware
model = YOLO("yolo26n.pt")

# Perform continuous object detection on a robotic camera feed
results = model.predict(source="camera_feed.mp4", stream=True)

# Process the spatial bounding boxes to guide robotic interaction
for r in results:
    print(f"Detected {len(r.boxes)} objects ready for physical interaction.")

Donanım tasarımı ve bilişsel modelleme alanları, Anthropic'in yapay zekâ güvenliği araştırmaları ve OpenAI'ın en yeni akıl yürütme modelleri gibi uyumlaştırma çalışmaları doğrultusunda olgunlaştıkça, IEEE Spectrum'ın robotik haberlerinde sıkça vurgulandığı üzere bedenlenmiş sistemler araştırma laboratuvarlarından günlük ortamlara geçiş yapmaya devam edecek.