Fysisk AI-læring vokser kraftig til 23 milliarder dollar

AI som lærer gjennom fysiske interaksjoner – kjent som “Embodied AI” – er på kraftig fremmarsj. Denne typen kunstig intelligens, hvor systemene har en fysisk form som en robot eller et kjøretøy og lærer ved å utforske verden, forventes å vokse fra 4,44 milliarder dollar i 2025 til hele 23 milliarder dollar innen 2030. Dette betyr et betydelig skifte i hvordan norske bedrifter kan forvente å automatisere oppgaver fremover. I motsetning til tradisjonell AI, som trenes på forhåndsdefinerte datasett, skaper Embodied AI sin egen læringsdata gjennom bevegelse og handling. Eksempler inkluderer humanoidroboter på bilfabrikker, selvkjørende biler som kartlegger omgivelsene, og kirurgiske roboter som tilpasser seg anatomiske variasjoner i sanntid. Slik læring skjer ofte via forsterkningslæring, imitasjonslæring fra mennesker, eller ved å teste i simulerte omgivelser før overføring til virkelige roboter – en prosess som krever svært nøyaktige data. Utfordringene er likevel store. Å samle fysiske interaksjonsdata er kostbart og tidkrevende, og det er vanskelig for roboter å generalisere fra én oppgave til en annen, eller fra simulering til virkelighet. Det kreves spesialisert utstyr som presis bevegelsesmåling for å skaffe «ground truth» – det vil si pålitelige referansedata om posisjon og hastighet – for både trening og validering av systemene. Dette understreker behovet for robuste valideringsprosesser før utrulling i praktisk drift.