Teknik AI Fisik: Bagaimana Kembar Digital dan Simulasi Mendefinisikan Mendefinisikan Ulasan Kecerdasan

Kecerdasan buatan tidak lagi terbatas pada ranah digital. Di luar menghasilkan teks, gambar, dan kode, AI semakin beroperasi di dunia fisik – memahami, bernalar, bertindak dan beradaptasi secara real time. Perbatasan baru ini dikenal sebagai AI fisik. Itu memberi kekuatan truk otonom yang mengangkut bijih di tambang Australia yang terpencil [1]forklift yang menavigasi gudang bersama pekerja manusia di Walmart [2] dan robot yang merakit komponen halus dengan presisi milimeter.

Tidak seperti otomatisasi tradisional, AI fisik tidak hanya melaksanakan tugas yang telah diprogram sebelumnya. Ini menggunakan data sensorik – dari kamera, radar, lidar, unit pengukuran inersia, sensor suhu dan banyak lagi – untuk memahami lingkungannya, membuat keputusan dan mengambil tindakan secara dinamis. Singkatnya, AI fisik mengambil kekuatan AI generatif di luar dunia digital – ke dalam dunia fisik yang nyata, kompleks, dan tidak terduga.

Pergeseran ini menjanjikan produktivitas yang lebih tinggi, peningkatan keamanan, fleksibilitas yang lebih besar dan kelas sistem otonom yang sepenuhnya baru. Di tambang bijih besi Nammuldi Rio Tinto di Australia, misalnya, lebih dari 50 truk pengangkutan otonom, masing -masing mampu membawa hingga 300 ton, beroperasi dengan hanya satu operator yang mengawasi 25 kendaraan. Mengkoordinasikan dan memantau robot -robot ini adalah Pusat Operasi Perusahaan (OC) di Perth – yang terletak sekitar 1.500 km (930 mil) di selatan. Sejak penempatan, Rio Tinto melaporkan peningkatan ~ 15 % dalam keamanan dan produktivitas dan di 17 situs lebih dari 360 truk tanpa pengemudi sekarang merupakan 84 % dari armadanya-sebuah demonstrasi yang kuat dari potensi transformatif AI fisik dalam operasi industri skala besar besar [3].

Kelas sistem AI fisik seperti ini juga menghadirkan tantangan rekayasa yang signifikan seperti: Bagaimana kita merancang, memvalidasi, dan menggunakan sistem fisik yang mendukung AI yang harus beroperasi dengan aman dan cerdas di lingkungan dunia nyata?

Jawabannya semakin terletak pada kembar digital dan validasi sistem berbasis simulasi-teknologi yang dipelopori oleh Fraunhofer Iese melalui Fraunhofer Feral dan Eclipse Basyx.

Dari AI generatif ke AI fisik: Pergeseran mendasar

Kebanyakan orang mengaitkan AI dengan model bahasa besar (LLM), generator gambar atau sistem rekomendasi. Teknologi ini unggul dalam memanipulasi data dalam konteks digital, mengandalkan input manusia dan ada di ruang virtual. Tapi dunia nyata berbeda. – Ini berkelanjutan, tidak pasti dan diatur oleh fisika. Dalam hal ini, AI fisik merasakan dunia melalui sensor, memproses input untuk memahami apa yang terjadi dan bereaksi dengan benar secara real time. Itu tidak menunggu kumpulan data yang disiapkan dengan cermat, tetapi sebaliknya mengumpulkan informasi langsung dari lingkungan, belajar dan beradaptasi dari waktu ke waktu, meningkatkan kinerjanya berdasarkan pengalaman.

Ini lebih dari perbedaan semantik; Ini adalah pergeseran dalam cara sistem AI dipahami, dirancang dan dibangun, siap berurusan dengan:

• Kompleksitas dunia nyata: Lingkungan berisik, dinamis dan penuh kejutan.
• Keputusan kritis-keselamatan: Kegagalan dapat menyebabkan kecelakaan, bukan hanya kesalahan.
• Adaptasi Berkelanjutan: Sistem harus berkembang seiring perubahan kondisi.

Tantangan -tantangan ini membutuhkan pendekatan rekayasa baru, dan di situlah kembar digital dan simulasi masuk.

Kembar Digital: Landasan Teknik AI Fisik

Kembar digital adalah representasi virtual dari aset fisik, berperilaku seperti rekan-rekan dunia nyata mereka, menanggapi input, berinteraksi dengan lingkungan mereka dan berkembang seiring waktu. Kemampuan kembar digital ini sangat penting untuk AI fisik karena memungkinkan para insinyur untuk:

• Algoritma uji sebelum perangkat keras ada: Memprediksi bagaimana persepsi atau sistem kontrol akan berperilaku dalam kondisi yang berbeda.
• Jalankan skenario “bagaimana-jika” dengan aman: Suntikkan kesalahan, simulasikan kasus tepi atau jelajahi kondisi ekstrem tanpa mempertaruhkan aset fisik.
• Akselerasi Pembelajaran: Gunakan lingkungan simulasi untuk melatih model AI lebih cepat dan lebih aman daripada pengujian dunia nyata.
• Terus memvalidasi pembaruan: Ketika perangkat lunak berkembang, simulasi memastikan bahwa versi baru tetap aman dan dapat diandalkan.

Biaya tersembunyi model 3D – dan jalan ke depan

Asumsi umum adalah bahwa mengadopsi kembar digital tentu melibatkan penggunaan model 3D. Isha Salane dari Nvidia mengklaim itu “Pengembangan AI fisik dimulai dengan konstruksi lingkungan 3D yang memiliki kesetiaan tinggi yang akurat secara fisik. Tanpa lingkungan virtual yang hidup ini, pengembang tidak dapat melatih sistem AI fisik canggih seperti robot humanoid dalam simulasi, karena keterampilan yang akan dipelajari robot dalam pelatihan virtual tidak akan diterjemahkan dengan cukup baik ke dunia nyata.” [4]

Dalam beberapa kasus, model 3D yang kompleks sangat penting – misalnya ketika melatih robot untuk memanipulasi objek dengan presisi atau menavigasi lingkungan yang berantakan. Tapi mereka juga datang dengan trade-off [6]:

• Tuntutan komputasi yang tinggi: Simulasi 3D membutuhkan GPU dan sumber daya cloud yang signifikan
• Peningkatan konsumsi energi: Mereka dapat menghasilkan emisi CO₂ yang substansial-hingga 70 ton per tahun untuk kembar digital yang kaya fisika dan fisika.
• Siklus pengembangan yang lebih lama: Model yang kompleks membutuhkan waktu dan keahlian untuk membangun dan memelihara.

Platform liar Fraunhofer Iese adalah pengubah permainan dalam hal menciptakan kembar digital ringan dan memungkinkan pengujian virtual dan validasi kesetiaan tinggi tanpa kompleksitas yang tidak perlu dan jejak karbon tinggi. Untuk tujuan ini, Feral memungkinkan (i) menciptakan kembar digital non-3d aset tertanam-pengontrol, sensor, aktuator-dan (ii) mengintegrasikannya ke dalam lingkungan simulasi bersama. Kemampuan Feral untuk menangani perilaku, waktu, komunikasi, dan interaksi yang kompleks memungkinkan prediksi perilaku sistem yang berkelanjutan jauh sebelum prototipe fisik dibangun.

Seperti yang dikatakan Rodney Brooks dari MIT: “Dunia adalah model terbaiknya sendiri.” [5] Ini adalah prinsip di mana Fraunhofer Feral mendasari kemampuannya menuju AI fisik.

Dampak dunia nyata: kasus penggunaan yang terbukti

Fraunhofer Feral telah memberikan hasil yang signifikan di seluruh industri:

• Bosch: Validasi virtual jaringan unit kontrol elektronik (ECU) mengurangi waktu uji rilis sebesar 80% (dari dua minggu menjadi dua hari) dan mempercepat tes komponen lebih dari 30%.
• Mercedes-Benz: Alat yang dikembangkan bersama untuk mengkarakterisasi kinerja DRAM secara tepat untuk sistem otomotif generasi berikutnya.
• Cadfem: Fungsi ADAS yang divalidasi menggunakan kembar digital dan simulator mengemudi seperti Carla, memungkinkan injeksi kesalahan sistematis dan pengujian ketahanan bus-bus.

Setiap contoh menyoroti prinsip yang sama: Simulasi-First Engineering mengarah pada pengembangan yang lebih cepat, biaya yang lebih rendah, sistem yang lebih aman dan operasi yang lebih tangguh.

Kesimpulan: Membangun Masa Depan Mesin Cerdas

AI fisik merupakan salah satu pergeseran teknologi paling signifikan pada dekade berikutnya. Ini menjanjikan mesin yang memahami, beradaptasi, dan bertindak – mengubah industri dari logistik dan manufaktur menjadi mobilitas, perawatan kesehatan, dan infrastruktur.

Tetapi membuka kunci potensi itu membutuhkan pemikiran ulang bagaimana kita merekayasa sistem ini. Kembar digital, validasi berbasis simulasi, dan simulasi bersama adalah kunci untuk menjembatani kesenjangan antara kode dan kenyataan. Di sini, platform seperti Fraunhofer Feral menyediakan untuk membangun AI dunia nyata yang kuat, dunia nyata tanpa kompleksitas yang tidak perlu-dan tanpa menunggu prototipe fisik.

Masa depan AI bukan hanya tentang algoritma. Ini adalah tentang intelijen rekayasa ke dalam dunia fisik – dan melakukannya secara prediksi, berkelanjutan, dan aman.

[1] https://im–pining.com/2025/05/09/thiess-norton-gold-fields-and-eacon-launch-autonomy-rial-in-australia
[2] https://corporate.walmart.com/news/2024/04/11/a-fork-in-the-road-walmart-bets-on-associates-automation
[3] https://www.bbc.com/news/articles/cgej7gzg8l0o
[4] https://blogs.nvidia.com/blog/physical-ai-research-siggraph-2025
[5] https://people.csail.mit.edu/brooks/papers/representation.pdf
[6]