Եթե սովորական ԱԲ-ն տվել է սխալ պատասխան, արդյունքը կարելի է պարզապես չօգտագործել: Բայց եթե սխալ է գործում ֆիզիկական աշխարհում աշխատող ռոբոտը, հետևանքները կարող են բոլորովին այլ լինել. մեքենան կարող է վնասել սարքավորումը, բախվել խոչընդոտի կամ կայացնել վտանգավոր որոշում: Այդ իսկ պատճառով Physical AI-ի համար բավական չէ համակարգին սովորեցնել «մտածել»․ այն պետք է հասկանա ֆիզիկական աշխարհը, վստահի սեփական սենսորներին և անվտանգ գործի այնպիսի իրավիճակներում, որոնք մշակողները նույնիսկ չէին կարողանալու կանխատեսել:

Հենց այս տարբերությունն դարձավ Հայաստանում անցկացվող Engineering Week 2026-ի շրջանակներում Physical AI-ի շուրջ ծավալված քննարկման կենտրոնական թեմաներից մեկը: Մասնակիցները քննարկում էին, թե ինչն է խանգարում արհեստական ​​բանականությանը դուրս գալ թվային միջավայրից դեպի ռոբոտներ, արտադրական համակարգեր և այլ ֆիզիկական սարքեր, և ինչու միայն ԱԲ-մոդելների մշակման հաջողությունները բավարար չեն դրա համար:

Ռոբոտներին պետք են ոչ միայն ծրագրավորողներ

Քննարկման մոդերատոր, NI Emerson-ի Principal Solutions Architect Անդրանիկ Մելիքսետյանն ուշադրություն հարուցեց նոր ուղղության կարևոր առանձնահատկության վրա: Physical AI-ն աշխատում է իրական աշխարհի հետ: Համակարգը տեղեկատվություն է ստանում ֆիզիկական օբյեկտներից և պետք է օգտագործի այն՝ կոնկրետ ինժեներական խնդիր լուծելու համար: Հետևաբար, մշակողին բավական չէ հասկանալ միայն ծրագրավորումն ու արհեստական ​​բանականությունը. անհրաժեշտ է հասկանալ բուն ինժեներական համակարգը, որի հետ աշխատում է մոդելը:

Մելիքսետյանի խոսքով՝ այժմ ծրագրային ապահովման մշակողներն ակտիվորեն գալիս են ռոբոտաշինություն, այդ թվում՝ գեներատիվ ԱԲ-ի զարգացման շնորհիվ: Բայց նրանցից շատերը բախվում են ինժեներական փորձ ձեռք բերելու անհրաժեշտությանը:

Ընդ որում, հակառակ ուղղությունը՝ ինժեներների մուտքն ԱԲ, ստեղծում է առանձին հնարավորություն: Մասնագետները, ովքեր արդեն լավ հասկանում են ռոբոտներին, սարքավորումներին և ֆիզիկական համակարգերին, ստանում են այդ փորձն նոր ոլորտում օգտագործելու հնարավորություն:

Ինքը՝ Մելիքսետյանը, պատմեց, որ վերջին մեկ տարվա ընթացքում զբաղվում է Physical AI-ով և կարողացել է իր հմտությունները ռոբոտաշինությունում դուրս բերել նոր մակարդակի:

Այսպիսով, Physical AI-ի զարգացումը փոխում է պահանջները ոչ միայն տեխնոլոգիաների, այլև հենց մասնագետների նկատմամբ. ԱԲ-ի և ֆիզիկական աշխարհի հատման կետում հատկապես պահանջված են մարդիկ, ովքեր ընդունակ են հասկանալ խնդրի երկու կողմերն էլ:

Թվային աշխարհի սխալը և ռոբոտի սխալը նույն բանը չեն

Սովորական ԱԲ-ի և Physical AI-ի միջև գլխավոր տարբերությունը, ըստ քննարկման մասնակիցների, որոշվում է մեկ բառով՝ ֆիզիկական:

Չաթ-բոտի մոտ կարող է առաջանալ հալյուցինացիա. այն սխալ պատասխան կտա, և օգտատերը պարզապես կանտեսի այն: Ֆիզիկական աշխարհում սխալը վերածվում է գործողության:

PMI Science-ի R&D Armenia-ի ղեկավար Գուրգեն Մարդոյանն առաջարկեց խնդրին նայել ճշգրտության հարցի միջոցով: Ոչ կրիտիկական թվային խնդիրների համար 95 տոկոսանոց ճշգրտությունը կարող է ընդունելի լինել՝ կախված կոնկրետ կիրառությունից: Բայց եթե համակարգն ինքնուրույն որոշումներ է կայացնում ֆիզիկական աշխարհում, խնդիրը դառնում է շատ ավելի բարդ. քանի՞ սխալ է թույլատրելի և որքա՞ն լավ պետք է ռոբոտը հասկանա իրականությունը:

Ընդ որում, Մարդոյանը կարծում է, որ ռոբոտացված համակարգից պահանջել բացարձակ անսխալականություն, հավանաբար, իրատեսական չէ: Որպես անալոգիա՝ նա բերեց ինքնավար վարման շուրջ ծավալված քննարկումը. հնարավոր է՝ խնդիրը ոչ թե այն է, որ համակարգը երբեք չսխալվի, այլ այն, որ նրա աշխատանքն ստացվի ավելի անվտանգ, քան մարդկային վարքագիծը համեմատելի պայմաններում:

Սա, սակայն, չի վերացնում անվտանգության պահանջները: Հատկապես բարդ է մնում դինամիկ կայուն ռոբոտների իրավիճակը, որոնք ընդունակ են քայլել և շարժվել, այլ ոչ թե պարզապես կատարել գործողություններ հաստատուն դիրքում: Մարդոյանի խոսքով՝ հենց դա է պատճառը, որ նման հումանոիդ համակարգերի լայնածավալ կիրառությունը դեռևս սահմանափակ է:

Գլխավոր հարցը, հետևաբար, ոչ միայն այն է, թե հնարավոր է արդյոք ռոբոտին ավելի ճշգրիտ դարձնել, այլև այն, թե սխալների որ մակարդակն է թույլատրելի կոնկրետ խնդրի համար:

Սիմուլյացիան հավասար չէ իրական աշխարհին

Մեկ այլ խնդիր է սիմուլյացիայում համակարգի պահվածքի և պրակտիկայում տեղի ունեցողի միջև առկա խզումը:

EIF Science Incubator-ի գիտական ​​նախագծերի ղեկավար և ԵՊՀ հետազոտող Նարեկ Նազարյանը նշեց, որ իրական աշխարհն ոչ գծային է և ունի ազատության հսկայական քանակությամբ աստիճաններ: Այդ իսկ պատճառով վարքագիծը, որը լավ տեսք ունի վիրտուալ միջավայրում, պարտադիր չէ, որ կրկնվի իրականությունում:

Ռոբոտն ընդ որում ունի նաև անորոշության ևս մեկ աղբյուր՝ սեփական սենսորները:

Տեսախցիկները և այլ տվիչները կարող են աղտոտվել, իսկ սարքավորումները՝ մաշվել: Ուրեմն, համակարգին բավական չէ պարզապես տվյալներ ստանալ սենսորներից: Այն պետք է հասկանա, թե երբ են սեփական սենսորներն իրեն մոլորության մեջ գցում:

Սա հատկապես կարևոր խնդիր է ինքնավար համակարգերի համար. մեքենան պետք է որոշում կայացնի ոչ միայն ստացված տեղեկատվության հիման վրա, այլև հաշվի առնելով, թե որքանով կարելի է վստահել այդ տեղեկատվությանը:

Որքան մեծ է մոդելը, այնքան դժվար է այն «կրել»

Կա նաև միանգամայն ֆիզիկական սահմանափակում:

Հզոր մոդելը պահանջում է զգալի հաշվողական ռեսուրսներ և էներգիա: Տվյալների կենտրոնում դա մեկ խնդիր է, բայց երբ խոսքը վերաբերում է փոքր ինքնավար ռոբոտին, որը պետք է ինքնուրույն տեղաշարժվի շրջակա տարածությունում, հնարավորությունները կտրուկ կրճատվում են:

Նազարյանն առանձնացրեց չափը, քաշը և էներգասպառումը որպես Physical AI-ի առանձին խնդիր: Անհրաժեշտ է միաժամանակ ստանալ բավարար հաշվողական հզորություն և տեղավորվել հենց սարքի սահմանափակումների մեջ:

Այդ իսկ պատճառով ուղղության զարգացումը կախված է ոչ միայն մոդելների կատարելագործումից: Անհրաժեշտ են ապարատային և ծրագրային ապահովման ավելի արդյունավետ համադրություններ:

Ռոբոտները չեն կարողանա հեռու գնալ առանց կապի

Ինքնավար ֆիզիկական համակարգերի համար կարևոր է նաև այն ենթակառուցվածքը, որը գտնվում է հենց ռոբոտից դուրս:

Logan Circle Strategies-ի նախագահ և American Enterprise Institute-ի nonresident senior fellow Շեյն Տյուսն առանձնահատուկ ընդգծեց ցանցերի զարգացումը: Նրա խոսքով՝ առանց միացման Physical AI-ի շատ տեխնոլոգիաներ չեն կարողանա աշխատել իրենց բազային ենթակառուցվածքից բավականաչափ հեռու:

Ցանցերի ներկայիս հնարավորություններից դեպի կապի հաջորդ սերունդներ անցումը կպահանջի նոր ներդրումներ: Ընդ որում, հարցը չի սահմանափակվում պարզապես տվյալների փոխանցման արագությամբ: Ֆիզիկական համակարգերի համար կրիտիկական նշանակություն ունեն կապի հուսալիությունը, բավարար թողունակությունը և նվազագույն հապաղումը:

Տյուսը բերեց կենցաղային օրինակ. հյուրանոցում, որտեղ նա կանգ էր առել, լոգարանի լույսը չէր միանում սխալ տեղադրված սենսորների պատճառով: Սովորական իրավիճակում դա պարզապես նյարդայնացնում է մարդուն: Բայց նման խնդիրն ավտոմատացված ֆիզիկական համակարգում կարող է դառնալ արդեն տեխնոլոգիայի նկատմամբ վստահության հարց:

Եթե մարդիկ վստահ չեն, որ համակարգը ճիշտ է ընկալում շրջակա միջավայրը և կայուն կերպով ստանում անհրաժեշտ տվյալները, այն լաբորատորիայից իրական աշխարհ դուրս բերելը շատ ավելի դժվար կլինի:

Ամենադժվար խնդիրը՝ իրավիճակը, որը ոչ ոք չէր նախատեսել

Խնդիրն սկսում է ավելի խորը դրսևորվել այն ժամանակ, երբ ռոբոտը բախվում է մի հանգամանքի, որը չի եղել նրա փորձառության մեջ:

Նազարյանը նշեց, որ սովորական լեզվական մոդելն աշխատում է թվային միջավայրում, մինչդեռ Physical AI-ը պետք է փոխազդի իրականության հետ: Այդ իսկ պատճառով հատկապես կարևոր է հարցը՝ ինչպե՞ս կպահի համակարգն իրեն այնպիսի իրավիճակում, որին նա երբեք նախկինում չի հանդիպել:

Այստեղ առաջանում է այսպես կոչված world models — շրջակա աշխարհի մոդելների խնդիրը: Դրանք կարող են ունենալ իրականությանը համապատասխանության որոշակի աստիճան, բայց, ինչպես նշեց Մարդոյանը, անհնար է ակնկալել, որ մոդելն կունենա աշխարհի բոլոր ֆիզիկական պարամետրերի նկարագրության հարյուրտոկոսանոց ճշգրտություն:

NASA GSFC/SEEC-ի ավագ աստղաֆիզիկոս Վլադիմիր Հայրապետյանն առաջարկեց նման համակարգերի կայունությունը բարձրացնելու հնարավոր ուղիներից մեկը՝ ստեղծել մի քանի ինքնավար սարքեր, որոնք ընդունակ են փոխազդել միմյանց հետ:

Որպես օրինակ նա բերեց Լուսնում կամ տիեզերքում աշխատելու ապագա համակարգերը. մի քանի փոքր ռოვերներ կարող էին ունենալ ինքնավար համակարգեր և կապ հաստատել միասնական կենտրոնական հանգույցի հետ: Եթե մի համակարգը բախվում է խնդրի, այդ հանգույցի միջոցով տեղեկատվությունը կարող է օգտագործվել աշխատանքի շտկման համար:

Այսինքն՝ Physical AI-ի կայունությունը կարող է կառուցվել ոչ միայն առանձին ռոբոտի՝ ճիշտ որոշում կայացնելու ունակության, այլև մի քանի համակարգերի փոխազդեցության շուրջ:

Ո՞վ է պատասխանատու, եթե ռոբոտը սխալվել է

Տեխնիկական խնդիրները աստիճանաբար անցնում են մի տիրույթ, որտեղ ինժեներական լուծումներն արդեն բավարար չեն:

Նազարյանն անվտանգությունն ու կարգավորումը անվանեց Physical AI-ի կարևորագույն խնդիրներից մեկը: Նրա խոսքով՝ մարդկությունը ստեղծում է համակարգեր, որոնք ընդունակ են ինքնուրույն որոշումներ կայացնել և գործել՝ յուրաքանչյուր քայլի համար մարդուց հավանություն չստանալով:

Այստեղից առաջանում է մի ամբողջ շարք հարցեր.

Եթե ռոբոտը շարունակաբար սովորում և փոխում է իր վարքագիծը, ինչպե՞ս այն դասակարգել: Ո՞վ է պատասխանատու վնասակար որոշման հետևանքների համար՝ սեփականատերը, արտադրողնե՞րը, թե՞ օպերատորը: Եվ ինչպե՞ս ստուգել համակարգի անվտանգությունն այն սցենարներում, որոնց հետ այն դեռևս երբեք չի բախվել:

Ընդ որում, կարգավորումն այստեղ պետք է զարգանա ինժեներիայի և գիտության հետ միասին: Չափազանց դանդաղ կանոնները կարող են մարդկանց թողնել առանց անհրաժեշտ պաշտպանության, բայց չափազանց կոշտ սահմանափակումները կարող են արգելակել տեխնոլոգիայի զարգացումը:

Ռոբոտին դեռ պետք է սովորեցնել վստահել

Կա նաև մի խնդիր, որն անհնար է լուծել միայն նոր պրոցեսորի, սենսորի կամ ալգորիթմի միջոցով:

Հենց մարդիկ պետք է վարժվեն այն մեքենաներին, որոնք գործում են ինքնուրույն:

Մելիքսետյանը նշեց ժամանակակից ռոբոտաշինության պարադոքսը. այն, ինչ մարդու համար թվում է տարրական, ռոբոտի համար կարող է շատ բարդ խնդիր լինել: Այդ իսկ պատճառով հումանոիդ մեքենայից մարդիկ հաճախ ավտոմատ կերպով սպասում են մարդկային վարքագիծ. եթե այն տեսքով նման է մարդու, հարց է առաջանում, թե ինչու այն չի կարող անել այն, ինչ կաներ մարդը:

Բայց արտաքին նմանությունը չի նշանակում նույնական կարողություններ:

Այդ պատճառով Physical AI-ի տարածման համար կպահանջվի ոչ միայն տեխնիկական աշխատանք, այլև յուրօրինակ փոփոխությունների կառավարում՝ մարդկանց բացատրելը, թե ինչ են կարողանում նման համակարգերը, ինչ չեն կարողանում դեռևս և ինչու են գործում հենց այդպես:

Մելիքսետյանի խոսքով՝ ռոբոտը պետք է ընկալվի ոչ թե որպես խաղալիք, այլ որպես իրական օգնական: Բայց դրա համար անհրաժեշտ է վստահություն:

Կարո՞ղ է արդյոք ռոբոտն ունենալ երևակայություն

Քննարկման եզրափակիչ մասում Հայրապետյանը բարձրացրեց մի ավելի հիմնարար հարց՝ համակարգի՝ այնպիսի իրավիճակում գործելու ունակության մասին, որի համար այն չունի նախապես պատրաստված լուծում:

Մարդն օգտագործում է կուտակված փորձը՝ տարբեր գիտելիքներ միացնելու և նոր գաղափարներ ստեղծելու համար: Հայրապետյանն այդ ունակությունն անվանեց երևակայություն և ենթադրեց, որ հենց դրա վերարտադրությունը կարող է դառնալ Physical AI-ի ամենաբարդ մարտահրավերներից մեկը:

Քանի դեռ ռոբոտը գործում է լավ նկարագրված միջավայրում, ինժեները կարող է նախապես որոշել հնարավոր սցենարների բազմություն: Բայց որքան բարդ և քիչ կանխատեսելի է դառնում շրջակա միջավայրը, այնքան կարևոր է դառնում համակարգի՝ անծանոթ իրավիճակի համար ինքնուրույն լուծում գտնելու ունակությունը:

Հենց այստեղ է անցնում ժամանակակից ռոբոտաշինության ամենակարևոր սահմաններից մեկը. ռոբոտին քիչ է միայն իմանալ, թե ինչպես է սարքված աշխարհը: Նրան անհրաժեշտ է կարողանալ գործել այն աշխարհում, որը միշտ չէ, որ իրեն պահում է այնպես, ինչպես ակնկալում էր մշակողը:

Այդ իսկ պատճառով Physical AI-ն դարձավ շատ ավելի լայն խնդիր, քան պարզապես արհեստական ​​բանականության միավորումը ռոբոտների հետ: Սա միաժամանակ ինժեներիայի, հաշվարկների, սենսորների, կապի, անվտանգության, կարգավորման և մարդկային վստահության խնդիր է: Եվ, դատելով քննարկումից, այս հարցերից շատերը դեռևս գտնվում են ոչ թե պատրաստի լուծումների տիրույթում, այլ բաց հետազոտությունների դաշտում: