De volgende fase van AI speelt zich niet alleen af in data­cen­ters, brow­sers en chat­ven­sters. AI-systemen moeten steeds vaker begrijpen hoe de fysieke wereld in elkaar zit én daar zelf­standig in kunnen handelen. Daar­door groeien twee tech­no­lo­gie­do­meinen die jaren­lang groten­deels los van elkaar stonden snel naar elkaar toe: spatial compu­ting en physical AI.

Spatial compu­ting en robo­tica werden lange tijd gezien als verschil­lende tech­no­lo­gie­markten. Spatial compu­ting draaide vooral om tech­no­logie waarmee mensen digi­tale infor­matie kunnen koppelen aan hun fysieke omge­ving, bijvoor­beeld via augmented reality, virtual reality, mixed reality en digital twins. Robo­tica richtte zich juist op machines die hun omge­ving waar­nemen, bewegen en fysieke taken uitvoeren.

Volgens Robert Scoble en Irena Cronin van Unaligned begint dat onder­scheid echter snel te verdwijnen. Beide domeinen krijgen name­lijk steeds meer dezelfde tech­no­lo­gi­sche basis. AI-systemen moeten objecten kunnen herkennen, afstanden inschatten, bewe­ging voor­spellen en voort­du­rend begrijpen waar objecten, machines en mensen zich in een drie­di­men­si­o­nale omge­ving bevinden.

Daarmee ontstaat een inte­res­sante ontwik­ke­ling voor bedrijven die profes­si­o­neel met AI bezig zijn. De AI-modellen die vandaag vooral tekst, afbeel­dingen en video verwerken, worden steeds nadruk­ke­lijker onder­deel van systemen die niet alleen infor­matie inter­pre­teren, maar ook de fysieke wereld waar­nemen en daarin acties uitvoeren.

Van taalmodel naar ruimtelijk begrip

Een tradi­ti­o­nele gene­ra­tieve AI-toepas­sing hoeft nauwe­lijks iets te weten over de fysieke omge­ving waarin een gebruiker zich bevindt. Voor een robot ligt dat funda­men­teel anders. Een auto­nome machine moet voort­du­rend bepalen waar hij zich bevindt, welke objecten zich in zijn omge­ving bevinden en hoe die objecten zich tot elkaar verhouden.

Spatial-compu­ting­sys­temen hebben precies hetzelfde probleem. Een AR-bril moet bijvoor­beeld herkennen waar muren, machines en andere objecten staan voordat digi­tale infor­matie correct over het gezichts­veld van de gebruiker kan worden geplaatst.

Daar­voor worden tech­nieken gebruikt zoals computer vision, LiDAR, diep­te­ca­me­ra’s, sensor fusion en SLAM, oftewel simul­ta­neous loca­li­za­tion and mapping. Met SLAM kan een systeem tege­lij­ker­tijd een kaart van zijn omge­ving opbouwen en zijn eigen positie binnen die omge­ving bepalen.

Het inte­res­sante is dat deze infor­matie niet nood­za­ke­lijk afzon­der­lijk hoeft te worden verza­meld voor mensen en robots. Wanneer een fabriek, maga­zijn of gebouw eenmaal digi­taal in kaart is gebracht, kunnen verschil­lende systemen in prin­cipe gebruik­maken van dezelfde ruim­te­lijke infor­matie.

Een onder­houd­sme­de­werker met een AR-bril en een auto­nome inspec­tie­robot kunnen dan bijvoor­beeld dezelfde digi­tale kaart van een produc­tie­om­ge­ving gebruiken.

Digital twins krijgen een tweede functie

Een belang­rijke verbin­dende tech­no­logie is de digital twin. Deze virtuele repre­sen­ta­ties van machines, gebouwen en complete fabrieken worden al langer gebruikt om processen te visu­a­li­seren, ontwerpen te testen en onder­houd te plannen.

Door de opkomst van physical AI krijgen digital twins er echter een belang­rijke functie bij: ze kunnen worden gebruikt als trai­ningsom­ge­ving voor AI en robots.

In plaats van een robot direct op de fabrieks­vloer te laten leren hoe hij een machine moet bedienen of door een maga­zijn moet navi­geren, kan een groot deel van die trai­ning eerst virtueel plaats­vinden. Binnen een simu­latie kunnen robots enorme aantallen hande­lingen uitvoeren zonder risico op schade aan machines, producten of mensen.

Dat kan vooral belang­rijk worden nu robots complexere taken moeten uitvoeren. Tradi­ti­o­nele indu­striële robots voeren door­gaans sterk gepro­gram­meerde en voor­spel­bare bewe­gingen uit. Nieuwe gene­ra­ties robots moeten juist kunnen omgaan met omge­vingen die voort­du­rend veran­deren. Daar­voor moet een AI-systeem veel meer situ­a­ties hebben gezien en geleerd hoe het daarop moet reageren.

Simulatie wordt trainingsdata

Hiermee veran­dert ook de rol van simu­la­tie­soft­ware binnen AI. Simu­latie was jaren­lang vooral een hulp­middel voor engi­neers. Nu wordt het steeds meer een manier om trai­nings­data voor fysieke AI-systemen te produ­ceren.

Virtuele omge­vingen kunnen eigen­schappen zoals verlich­ting, mate­ri­alen, bewe­ging, botsingen en andere natuur­kun­dige verschijn­selen nabootsen. Robots kunnen daar­door miljoenen virtuele hande­lingen uitvoeren voordat ze in een echte produc­tie­om­ge­ving worden ingezet.

Voor AI-profes­si­o­nals is vooral de combi­natie met synthe­ti­sche data inte­res­sant. Het verza­melen van voldoende real-world data voor fysieke situ­a­ties is vaak kost­baar en soms zelfs gevaar­lijk. Een robot hoeft bijvoor­beeld niet duizenden keren daad­wer­ke­lijk tegen een obstakel te rijden om te leren dat te vermijden. Een simu­latie kan derge­lijke situ­a­ties vrijwel onbe­perkt gene­reren. Daarmee ontstaat een AI-ontwik­kel­keten waarin digital twins, simu­latie, synthe­ti­sche data en robo­tica steeds sterker met elkaar verbonden raken.

AI wordt de gemeenschappelijke intelligentielaag

Tege­lij­ker­tijd veran­dert de soft­wa­re­laag boven deze systemen. Waar robots en spatial-compu­ting­toe­pas­singen vroeger vaak aparte, gespe­ci­a­li­seerde algo­ritmen gebruikten, ontstaan steeds meer multi­mo­dale modellen die verschil­lende soorten infor­matie geza­men­lijk kunnen verwerken.

Modellen kunnen bijvoor­beeld tekst, afbeel­dingen, video en ruim­te­lijke infor­matie combi­neren. Daarmee kunnen ze niet alleen herkennen wat een object is, maar ook begrijpen waar het zich bevindt en welke hande­ling ermee moge­lijk is.

Een mede­werker met een AR-bril kan bijvoor­beeld naar een onder­deel van een machine kijken en vragen wat het is of hoe het vervangen moet worden. Een robot die gebruik­maakt van dezelfde onder­lig­gende AI-tech­no­logie kan dat onder­deel herkennen en vervol­gens bepalen hoe het moet worden vast­ge­pakt. Unaligned ziet AI daarom steeds meer als de gemeen­schap­pe­lijke intel­li­gen­tie­laag tussen spatial compu­ting en physical AI.

Mensen en robots delen dezelfde omgeving

Die ontwik­ke­ling kan ook gevolgen hebben voor de manier waarop mensen met robots samen­werken. In een fabriek kan een tech­nicus via een AR-bril bijvoor­beeld onder­houds­in­struc­ties bekijken, terwijl een robot onder­delen aanvoert of inspec­ties uitvoert. In een maga­zijn kunnen mede­wer­kers en auto­nome trans­port­sys­temen dezelfde ruim­te­lijke infor­matie gebruiken om routes te plannen.

Ook in sectoren als bouw, gezond­heids­zorg en energie zijn verge­lijk­bare toepas­singen denk­baar. Denk aan onder­houds­ro­bots die samen met mense­lijke tech­nici instal­la­ties inspec­teren, of auto­nome systemen die infra­struc­tuur contro­leren terwijl mede­wer­kers via augmented reality aanvul­lende infor­matie ontvangen.

De gemeen­schap­pe­lijke factor is dat mens en machine steeds vaker gebruik­maken van hetzelfde digi­tale beeld van hun fysieke omge­ving.

Grote technologieleveranciers bewegen dezelfde kant op

De ontwik­ke­ling is inmid­dels ook duide­lijk zicht­baar in de inves­te­ringen van tech­no­lo­gie­be­drijven. Nvidia combi­neert bijvoor­beeld zijn Omni­verse-plat­form voor simu­latie en digital twins met Isaac-tech­no­logie voor robo­tica. Ook bedrijven als Siemens, Hexagon, Bentley Systems, Rockwell Auto­ma­tion en ABB brengen AI, simu­latie, digital twins en indu­striële auto­ma­ti­se­ring dichter bij elkaar.

Tege­lij­ker­tijd werken robo­ti­ca­be­drijven zoals Boston Dyna­mics, Figure AI, Tesla, Agility Robo­tics en Unitree aan machines die dankzij uitge­brei­dere perceptie en AI steeds zelf­stan­diger kunnen func­ti­o­neren.

Daarmee ontstaat lang­zaam een tech­no­lo­gie­stack waarin de grenzen tussen AI-soft­ware, simu­latie, spatial compu­ting en robo­tica minder duide­lijk worden.

AI verlaat het beeldscherm

Voor orga­ni­sa­ties die AI nu vooral asso­ci­ëren met copi­lots, chat­bots, docu­ment­ana­lyse en gene­ra­tieve AI is dat misschien wel de belang­rijkste ontwik­ke­ling.

De huidige golf rond gene­ra­tieve AI draait groten­deels om digi­tale infor­matie. De volgende fase kan veel sterker draaien om AI-systemen die hun fysieke omge­ving begrijpen.

Dat bete­kent dat onder­werpen als computer vision, sensor­data, digital twins, simu­latie en robo­tica steeds rele­vanter worden voor AI-stra­te­gieën. Vooral in productie, logis­tiek, bouw, energie en infra­struc­tuur kan die ontwik­ke­ling snel zicht­baar worden.

Scoble en Cronin verwachten uitein­de­lijk omge­vingen waarin mensen, robots, sensoren, digital twins en AI-agents gebruik­maken van een gedeeld begrip van de fysieke wereld.

Of die volle­dige conver­gentie zo snel zal verlopen als sommige tech­no­lo­gie­be­drijven voor­spellen, moet nog blijken. De rich­ting is echter duide­lijk: AI ontwik­kelt zich van soft­ware die voor­na­me­lijk infor­matie verwerkt naar systemen die ook moeten begrijpen waar iets zich bevindt, hoe de fysieke omge­ving veran­dert en welke actie daar vervol­gens bij hoort. Daarmee krijgt AI letter­lijk steeds meer handen en voeten.