Physical AI

Fiziksel yapay zekâ, dijital modeller ile fiziksel dünya arasındaki boşluğu kapatan; makinelerin çevrelerini algılamasını, çevreleri hakkında akıl yürütmesini ve somut eylemler gerçekleştirmesini sağlayan yapay zekâ dalını ifade eder. Metin, görüntü veya öneri üretmek için verileri işleyen, tamamen yazılım tabanlı yapay zekânın aksine fiziksel yapay zekâ; gerçek dünyayla doğrudan etkileşim kuran robotlar, dronlar ve otonom araçlar gibi donanım sistemlerinde somutlaşır. Bu alan, karmaşık ve yapılandırılmamış ortamlarda güvenli ve verimli biçimde yol alabilen sistemler oluşturmak için gelişmiş bilgisayarlı görüyü, sensör füzyonunu ve kontrol teorisini bir araya getirir. Beyin benzeri bilişsel işlemeyi beden benzeri fiziksel yeteneklerle birleştiren fiziksel yapay zekâ, imalattan sağlık hizmetlerine kadar birçok sektörde otomasyonun yeni dalgasına öncülük ediyor.

Robotik ve Yapay Zekânın Bütünleşmesi#

Fiziksel yapay zekânın temeli, yazılım zekâsının mekanik donanımla sorunsuz biçimde bütünleştirilmesidir. Geleneksel robotik, kontrollü ortamlardaki tekrarlayan işler için uygun, katı ve önceden programlanmış talimatlara dayanıyordu. Buna karşılık modern fiziksel yapay zekâ sistemleri, değişken durumlara uyum sağlamak için makine öğrenmesinden ve derin sinir ağlarından yararlanır.

Bu bütünleşmeyi sağlayan temel bileşenler şunlardır:

• Algılama: Sistemler, görsel verileri toplamak için kameralar ve LiDAR kullanır; bu verileri gerçek zamanlı olarak nesneleri, engelleri ve insanları belirlemek üzere genellikle Ultralytics YOLO26 gibi yüksek hızlı modellerle işler.
• Akıl Yürütme: Yapay zekâ, hareketli bir engelin çevresinden geçecek bir yol planlamak veya kırılabilir bir nesneyi kavramanın en iyi yolunu belirlemek gibi kararlar almak için duyusal girdileri analiz eder. Bu süreçte çoğunlukla ajanın deneme yanılma yoluyla en iyi davranışları öğrendiği pekiştirmeli öğrenmeden yararlanılır.
• Harekete Geçirme: Sistem, kararları fiziksel harekete dönüştürür ve motorları ve aktüatörleri hassas biçimde kontrol eder. Böylece algılama ve eylem arasındaki döngü kapanır ve sistem hızlı tepki veren, becerikli hareketler gerçekleştirebilir.

Gerçek Dünya Uygulamaları#

Fiziksel yapay zekâ, makinelerin daha önce otomasyon için fazla karmaşık veya tehlikeli olan görevleri gerçekleştirmesini sağlayarak sektörleri dönüştürüyor.

Lojistikte Otonom Mobil Robotlar (AMRs)#

Modern depolarda lojistikte yapay zekâ, otonom mobil robot filolarına güç verir. Manyetik bantları izleyen geleneksel otomatik yönlendirmeli araçların (AGVs) aksine AMRs, serbestçe yol almak için fiziksel yapay zekâdan yararlanır. Ortamlarının haritalarını oluşturmak için Eş Zamanlı Konum Belirleme ve Haritalama (SLAM) yöntemini kullanır ve forkliftlerden ve çalışanlardan kaçınmak için nesne algılamaya başvururlar. Bu robotlar, insan müdahalesi olmadan mal akışını iyileştirmek için yoğunluğa bağlı olarak dinamik biçimde rotalarını değiştirebilir.

Sağlık Hizmetlerinde Cerrahi Robotik#

Fiziksel yapay zekâ, akıllı cerrahi asistanlar aracılığıyla sağlık hizmetlerinde yapay zekâ uygulamalarında devrim yaratıyor. Bu sistemler cerrahlara daha yüksek hassasiyet ve kontrol sağlıyor. Cerrahi aletleri ve hayati organları izlemek için bilgisayarlı görü kullanan yapay zekâ, cerrahın el hareketlerini sabitleyebilir, hatta belirli dikiş görevlerini otomatikleştirebilir. İnsan uzmanlığı ile makine hassasiyeti arasındaki bu iş birliği, hastaların iyileşme süresini kısaltır ve cerrahi hataları en aza indirir.

Fiziksel Yapay Zekâ ve Üretken Yapay Zekâ#

Fiziksel yapay zekâyı üretken yapay zekâdan ayırmak önemlidir. Üretken yapay zekâ metin, kod veya görüntü gibi yeni dijital içerikler oluşturmaya odaklanırken fiziksel yapay zekâ, gerçek dünyadaki etkileşime ve nesneleri yönlendirmeye odaklanır.

• Üretken Yapay Zekâ: Dijital çıktılar üretir (ör. ChatGPT'nin e-posta yazması veya Stable Diffusion'ın sanat eseri oluşturması).
• Fiziksel Yapay Zekâ: Fiziksel eylemler gerçekleştirir (ör. bir robot kolunun geri dönüştürülebilir atıkları ayırması veya bir dronun köprüyü incelemesi).

Ancak bu alanlar giderek daha fazla kesişiyor. Çok modlu yapay zekâ alanındaki son gelişmeler, robotların doğal dildeki komutları (üretken bir yetenek) anlamasına ve bunları fiziksel görevlere dönüştürmesine olanak tanıyarak daha sezgisel insan-makine arayüzleri oluşturuyor.

Fiziksel Yapay Zekâ İçin Algılamayı Uygulama#

Bir fiziksel yapay zekâ sistemi oluşturmanın ilk ve kritik adımı, sisteme "görme" yeteneği kazandırmaktır. Geliştiriciler, bu bilgiyi bir kontrol sistemine aktarmadan önce nesneleri algılamak için sıklıkla güçlü görüntü modelleri kullanır. Ultralytics Platform, bu modellerin belirli donanımlara dağıtılmak üzere eğitilmesi sürecini basitleştirir.

Bir robotun önceden eğitilmiş bir model kullanarak Python ile bir nesnenin konumunu nasıl algılayabileceğine dair kısa bir örnek:

from ultralytics import YOLO

# Load the YOLO26 model (optimized for speed and accuracy)
model = YOLO("yolo26n.pt")

# Perform inference on a camera feed or image
results = model("robot_view.jpg")

# Extract bounding box coordinates for robot control
for result in results:
    for box in result.boxes:
        # Get coordinates (x1, y1, x2, y2) to guide the robotic arm
        coords = box.xyxy[0].tolist()
        print(f"Object detected at: {coords}")

Zorluklar ve Geleceğe Bakış#

Fiziksel yapay zekânın dağıtımı, tamamen dijital yazılımlara kıyasla kendine özgü zorluklar barındırır. Yapay zekâ güvenliği son derece önemlidir; bir sohbet botundaki yazılım hatası metin hatalarına yol açabilirken, sürücüsüz bir araçtaki veya endüstriyel bir robottaki hata fiziksel zarara neden olabilir. Bu nedenle titiz model testleri ve simülasyon şarttır.

Araştırmacılar, eğitim risklerini azaltmak için robotların gerçek dünyada kullanılmadan önce fizik simülasyonlarında öğrenmesini sağlayan simülasyondan gerçeğe aktarım üzerinde aktif olarak çalışıyor. Uç bilişim gücü arttıkça fiziksel yapay zekâ cihazlarının bulut gecikmesine bağlı kalmadan karmaşık verileri yerel olarak işleyip daha otonom hâle gelmesini bekleyebiliriz. Nöromorfik mühendislik alanındaki yenilikler de biyolojik gözü taklit eden ve fiziksel ajanların tepkiselliğini daha da artıran, enerji açısından daha verimli sensörlerin önünü açıyor.