Robot uvaří 300 jídel za hodinu: Budoucnost AI a technologií

Přepis epizody

Vítejte u 45. epizody podcastu Kde skončí zítřek. Dejte nám follow v aplikaci, kde nás posloucháte, protože na tento týden pro vás máme ještě spoustu AI zajímavostí a novinek. Zdravím všechny posluchače. Ano, Iveto. Máme před sebou celou řadu zajímavých novinek, které, myslím, dokážou pořádně rozhýbat představivost a ukázat, jak rychle se technologie vyvíjí. Od efektivního řízení AI systémů až po robotické kuchaře, to je rozsah dnešního dílu. Přesně tak.

Začneme u umělé inteligence, protože tam se dějí věci, které mě osobně dost překvapily. Vždy se předpokládalo, že čím více AI agentů na problému pracuje, tím lepších výsledků dosáhnou. Ale Alfrede, nejnovější studie z Google DeepMind, MIT a Northwestern University, naznačuje, že to tak úplně neplatí, že? Studie s názvem More Agents Isn't Always Better, nebo Více agentů není vždy lepší, velmi detailně zkoumala efektivitu multiagentních systémů. Závěry jsou poměrně překvapivé. Autoři se zaměřili na to, jak se mění výkonnost těchto systémů, když se zvyšuje počet spolupracujících agentů. Testovali to na různých úkolech, například na generování fiktivních příběhů, plánování cestovních itinerářů nebo řešení matematických problémů.

A jaké byly konkrétní výsledky? Co zjistili o tom optimálním počtu agentů? V několika případech se ukázalo, že jediný agent dokázal podat lepší výkon než systém složený z více agentů. To je skutečně zajímavé. Znamená to tedy, že narůstá režie s počtem agentů? Že se spíše navzájem zdržují, než aby si pomáhali?

Aha, takže ten benefit z potenciální synergie je převážen náklady na správu synergie. Může tam docházet i k jevům, které známe z lidských skupin, jako je skupinové myšlení nebo sociální zahálka? Přesně tak. Autoři zmiňují analogie s jevy jako groupthink nebo social loafing, tedy skupinovým myšlením, kde se jednotlivci přikloní k většinovému názoru, i když nemusí být optimální. Nebo sociální zahálkou, kde se jedinci méně snaží, když jsou součástí větší skupiny. Samozřejmě u AI to není o pocitech, ale spíše o efektivitě alokace zdrojů a optimalizaci rozhodovacích procesů. To je klíčový poznatek pro návrh budoucích AI systémů.

Jaké z toho plynou závěry pro to, jak bychom měli multiagentní systémy navrhovat, aby byly efektivní? Studie zdůrazňuje potřebu lešení, scaffolding, což znamená předprogramované role a strukturované interakce pro agenty. Místo toho, aby se agenti nechali komunikovat volně, je efektivnější jim definovat jasné role, například jeden agent jako plánovač, druhý jako generátor obsahu a třetí jako kritik nebo editor. Tím se snižuje redundance a zlepšuje se zaměření jednotlivých agentů. Dalším důležitým prvkem je efektivní komunikace s nízkou šířkou pásma, která je stručná a zaměřená pouze na nejdůležitější informace, aby se minimalizovaly zmíněné koordinační náklady. Zkrátka je potřeba inteligentně řídit tok informací a rozdělení práce. Takže méně je někdy více, a to i v případě AI. Děkuji za tento vhled do světa multiagentních systémů.

A nyní se přesuneme k něčemu hmatatelnějšímu, co nás posouvá směrem k autonomní dopravě. Mluvím o technologii LIDAR a společnosti Rivian. Ano, Rivian, výrobce elektrických vozidel, je známý svým inovativním přístupem a jejich nejnovější strategie v oblasti autonomního řízení je skutečně pozoruhodná. Generální ředitel RJ Scaringe se nedávno vyjádřil k jejich plánům na zavedení plně autonomních funkcí do konce roku 2025, a to za pro spotřebitele přijatelnou cenu.

To je zajímavé, protože LIDAR, tedy Laser Imaging Detection and Ranging, je technologie, která je zatím poměrně nákladná. V současnosti se cena LIDAR systému může pohybovat v řádu 10 000 dolarů, což je pro masové nasazení do osobních automobilů naprosto neúnosné. Jak se Rivianu daří řešit tuto cenovou bariéru?

To je právě to klíčové. Rivian se rozhodl jít cestou interního vývoje LIDAR technologie. Namísto nákupu drahých komponent od externích dodavatelů se snaží vyvinout vlastní řešení, které by výrazně snížilo náklady. To je ambiciózní cíl. Znamená to, že se Rivian soustředí na specifický typ LIDAR technologie, který umožňuje takovou redukci nákladů? Vím, že existují různé přístupy k LIDARu. K jakým detailům?

Rivian se zjevně zaměřuje na LIDAR s modulovanou frekvencí a kontinuální vlnou, zkráceně FMCV LIDAR. Ten se liší od tradičních LIDAR systémů, které obvykle využívají princip měření doby letu, takzvaný time of flight neboli TOF LIDAR. Zatímco TOF LIDAR měří pouze vzdálenost objektu na základě času, za který se světlo vrátí, FMCV LIDAR používá koherentní detekci. Jistě. Koherentní detekce u FMCV LIDARu umožňuje měřit nejen vzdálenost, ale také rychlost objektu pomocí Dopplerova jevu. To je klíčová výhoda, protože to dává automobilu mnohem bohatší informace o okolním prostředí. Dále FMCV LIDAR je odolnější vůči rušení. Tradiční TOF LIDAR může být ovlivněn silným slunečním světlem nebo jinými LIDAR senzory, což může vést k falešným detekcím nebo snížení přesnosti.

Takže FMCV LIDAR je přesnější, poskytuje více dat a je robustnější vůči rušení. A jak to souvisí s tou cenou a miniaturizací? A právě tato možnost integrace do čipu je to, co umožňuje Rivianu dosáhnout tak drastického snížení ceny, a to při zachování vysokého výkonu. Tento posun je zcela klíčový pro masové nasazení autonomních vozidel úrovně 3 a 4, kde je LIDAR považován za klíčový.

Fascinující. Od virtuálních agentů se přesunujeme k reálným laserům, které nám pomáhají řídit. A nyní se vydáme ještě dál, Alfrede, a to až do vesmíru, kde budeme přemýšlet o tom, jak detekovat život, o kterém nic nevíme. Tématem, které zmiňuješ, je detekce mimozemského života. A to takového, který by mohl být naprosto odlišný od toho pozemského. Agnostické biosignatury. To zní trochu jako paradox. Jak můžeme detekovat něco, co neznáme a o čem nemáme žádné předpoklady? Co to konkrétně znamená?

Určité aminokyseliny nebo plyny v atmosféře jako kyslík a metan, které jsou spojovány s biologickými procesy. Problém je, že pokud je život jinde radikálně odlišný, tyto specifické molekuly se tam vůbec nemusí vyskytovat. Agnostické biosignatury naopak hledají obecnější znaky života, které by mohly být univerzální, bez ohledu na konkrétní biochemii, morfologii nebo metabolismus.

Takže nehledáme konkrétní otisky, ale spíše obecné vzorce a jevy, které jsou typické pro život. Můžeš uvést příklady takových agnostických biosignatur? Co by to mohlo být? Ano, autoři strategie hovoří o gradientech, vzorcích a anomáliích. Život, ať už jakýkoliv, má tendenci vytvářet lokální uspořádání a udržovat se mimo termodynamickou rovnováhu. Jeden z příkladů je statistická nerovnováha ve složení molekul. Představte si, že na planetě najdeme určité molekuly v neobvykle vysokých koncentracích, které by bez aktivního procesu, tedy bez života, byly nepravděpodobné. Další by mohla být přítomnost složitých polymerů, které se v abiotických procesech obvykle nevytvářejí, nebo specifické izotopové poměry, které by naznačovaly biologické zpracování prvků.

A to znamená, že se zaměřujeme na energetické gradienty a komplexnost, kterou příroda sama o sobě běžně nevytváří? Přesně tak. Život neustále čerpá energii z okolí, aby se udržel v uspořádaném stavu, což vytváří lokální snížení entropie okolí. Hledání těchto energetických gradientů nebo neobvyklých vysoce uspořádaných chemických směsí by mohlo být vodítkem. V podstatě hledáme chemicky anomální prostředí nebo vysoce nepravděpodobné chemické kombinace, které dokáže dlouhodobě udržet jen život. To vyžaduje pokročilé instrumenty a výpočetní analýzu dat, které dokážou identifikovat takové vzorce. Tyto principy se pak aplikují na data z vesmírných misí k oceánským světům, jako Europa nebo Enceladus, kde očekáváme možnost existence podpovrchových oceánů. Je to vzrušující posun v astrobiologii. Od molekulárních otisků prstů se posunujeme k systémovým znakům. Děkuji za to vysvětlení.

A nyní se vrátíme na Zemi, ale zůstaneme u složitých systémů a automatizace. Tentokrát v kuchyni. Mluvím o robotickém kuchaři Pasha. Ano, Pasha je příkladem, jak se robotika dostává do oblastí, které byly dříve výhradně doménou člověka. Je robotický šéfkuchař určený pro komerční kuchyně, restaurace, hotely, ale i takzvané ghost kitchens, tedy kuchyně, které připravují jídlo jen pro rozvoz. Cílem je automatizovat opakující se přesné kuchařské úkoly.

Takže nejde o robota, který by vymýšlel nová kulinární díla, ale spíše o efektivní linku pro masovou přípravu. Co dokáže Pasha C1 konkrétně? Přesně tak. Pasha C1 je navržen pro vysoký objem a konzistenci. Je schopen připravit stovky jídel za hodinu. Uvádí se 100 až 300 jídel. Je vybaven vícevarnými stanicemi, robotickými rameny, indukčními varnými deskami a dokonce i chladicím boxem na ingredience, který udržuje suroviny v optimální teplotě a připravené k použití. Dokáže s vysokou přesností kontrolovat teplotu, míchat, dávkovat ingredience.

To zní efektivně, ale musí mít i omezení. Co Pasha C1 neumí nebo kde je stále potřeba lidský zásah? Také je potřeba lidská kontrola kvality na výstupu. A samozřejmě počáteční nastavení a programování nových receptur není triviální záležitostí. Vyžaduje to čas a odborné znalosti. Navíc cena takového systému se pohybuje v řádu stovek tisíc dolarů za model C1, což je značná investice.

Takže vysoká počáteční investice, ale potenciálně velká úspora nákladů na práci a konzistentní kvalita. Výstup o Pasha, ze kterého čerpáme informace, je z roku 2017. Od té doby se jistě technologie vyvinula, ale základní principy a výzvy robotického vaření zůstávají platné. Technologie se posouvá, ale podstata zůstává.

A z kuchyně se přesuneme k další oblasti, kde umělá inteligence mění pravidla hry. Vzdělávání. Konkrétně v Jižní Koreji, která plánuje velmi ambiciózní reformu vzdělávání. Cílem je, aby každý student dostal obsah a styl výuky, který je přizpůsoben jeho individuálním potřebám a tempu učení. AI učitelé budou analyzovat data o výkonu studentů, jejich učebních vzorcích a silných i slabých stránkách. Na základě těchto dat

Budou pak doporučovat individuálně upravený obsah, poskytovat okamžitou zpětnou vazbu a odpovídat na dotazy. To zní jako ideální scénář pro snížení vzdělávacích rozdílů. Je tam řešeno i to, aby se snížily rozdíly mezi městskými a venkovskými oblastmi nebo mezi studenty z různých socioekonomických prostředí? Přesně tak. To je jeden z klíčových bodů. A co role lidských učitelů v tomto novém systému? Obávají se nahrazení, nebo se jejich role spíše změní? Přesně tak. To dává smysl, ale musí to s sebou nést i některé výzvy a obavy. Například data studentů, jejich soukromí? Zdá se, že Jižní Korea je na čele ve snaze transformovat vzdělávání pomocí AI. Je to krok, který bude jistě sledovat celý svět.

No, Alfrede, myslím, že jsme pro dnešek probrali poměrně široké spektrum technologických novinek. Od toho, jak efektivně navrhovat AI systémy, které mimozemského života. Která asistuje při přípravě obsahu i hlasové syntéze. Navzdory snaze o dokonalost může epizoda obsahovat drobné nepřesnosti.