Die enorme Menge an Textdaten im Internet, kombiniert mit stetig wachsender Rechenleistung und Fortschritten bei den Algorithmen, hat zum Durchbruch von ChatGPT geführt. Seitdem haben wir kontinuierliche Verbesserungen in verschiedenen Benchmarks sowie eine erweiterte Auswahl an Eingabetypen, einschließlich Bildern und Audio, erlebt.
Nach zwei Jahren intensiver und erheblicher Investitionen in diesem Bereich kamen Bedenken auf, ob die Fortschritte aufgrund eines potenziellen Mangels an Trainingsdaten fortgesetzt werden könnten. Es wird allgemein angenommen, dass Modelle wie GPT-4 mit nahezu dem gesamten Internet trainiert wurden. Da diese Modelle als destillierte Versionen ihrer Trainingsdatensätze fungieren, bestand eine berechtigte Sorge darin, ob sie neue Erkenntnisse von Fehlern oder Anomalien unterscheiden können – also von allem, was in ihren Trainingsdaten nicht vorhanden ist.
Im Jahr 2024 entstand jedoch ein neues Paradigma namens „Reasoning“, das durch Modelle wie DeepSeek R1 und die O-Serie von OpenAI demonstriert wurde. Dieser Durchbruch ermöglichte es der KI, beispiellose Leistungen in Bereichen zu erzielen, in denen die Genauigkeit der Ergebnisse zuverlässig überprüft werden konnte, wie etwa beim Kodieren und Beweisen von Theoremen.
In diesen Bereichen kann KI erforschen mehrere Hypothesen, Beispielsweise können verschiedene Versionen eines Computerprogramms analysiert werden, auch wenn diese in den Trainingsdaten nicht explizit enthalten waren. Ein Verifizierungssystem, beispielsweise Software-Testfälle, kann dann korrekte Lösungen validieren und das Modell entsprechend belohnen.
Programmieren und Lösen mathematischer Probleme fallen zwar in den Bereich digitaler Ausgaben, aber lässt sich dieser Ansatz auch auf reale Szenarien übertragen? Robotik und Automatisierung bieten hierfür hervorragende Beispiele. So kann beispielsweise ein Roboter angewiesen werden, einen Gegenstand aufzuheben und nach erfolgreicher Erledigung der Aufgabe belohnt zu werden.
Jüngste Fortschritte in der KI ermöglichen es Robotern, Produkte, Lagerbehälter, Container und andere wichtige Elemente des Lagerbetriebs vollständig zu verstehen. Mithilfe von Computer Vision können Roboter die Eigenschaften von Artikeln und deren optimale Handhabung bestimmen. KI kann zudem beim Zählen zwischen gebündelten und einzelnen Artikeln unterscheiden. Mit der Erweiterung der Schlussfolgerungsmodelle auf die Robotik glauben wir, dass es bald möglich sein wird, eine Kommissionierabdeckung von 1001 TP5T für Lagereinheiten (SKUs) in Lagern zu erreichen. Das bedeutet, dass jeder Artikel im Lager von einem Roboter kommissioniert werden könnte, was uns vollautomatischen Lagern ohne Personal näher bringt.
Um dies zu erreichen, werden hochspezialisierte Robotergreifer benötigt. Diese wiederum benötigen fortschrittliche Wahrnehmungs- und Steuerungsfähigkeiten, um Gegenstände effektiv handhaben zu können. Angesichts des aktuellen technologischen Fortschritts sollten diese Entwicklungen in den nächsten Jahren erreichbar sein.
Eine natürliche Frage, die sich stellt, ist, ob diese Fortschritte zu einer breiten Akzeptanz humanoider Roboter führen werden. Wie wir bereits in einem früheren Artikel besprochen haben, BlogbeitragWir glauben nicht, dass humanoide Roboter die kostengünstigste Lösung für zukünftige Fabriken und Lagerhallen darstellen. Diese Umgebungen können durch den Einsatz spezieller Roboterarme und Manipulatoren effizienter gestaltet werden.
Aus Wartungssicht ist es für einen Roboterarm mit maximal 10 Gelenken deutlich einfacher, Ersatzteile vorzuhalten, als für einen humanoiden Roboter, der mindestens 100 Gelenke benötigen würde.
KI ist ein wichtiger Wegbereiter und ermöglicht uns zwar die Realisierung vollautomatischer Lager, doch dies ist erst der Anfang. Der nächste Schritt ist die Automatisierung in halbstrukturierten Umgebungen wie Hotels, Restaurants und Krankenhäusern, wo Roboter nach und nach Aufgaben übernehmen werden, die derzeit von Menschen ausgeführt werden. Ich gehe davon aus, dass dieser Wandel noch in diesem Jahrzehnt stattfinden wird. Auch wenn humanoide Roboter möglicherweise nicht dominieren, bieten Roboter auf Rädern und vierbeinigen Beinen erhebliche Mobilitätsvorteile und dürften sich weit verbreitet durchsetzen.
In den nächsten zehn Jahren werden die Kosten von Robotern aufgrund von Skaleneffekten sinken, da mehr Roboter hergestellt und eingesetzt werden. Dies hat mehrere Auswirkungen:
Wovon die Gesellschaften im Einzelnen „mehr“ produzieren werden, bleibt weiterhin ungewiss, ebenso wie es vor 20 Jahren schwierig war, die volle Wirkung des Internets und der Smartphones vorherzusagen.
Persönlich bin ich begeistert vom kreativen Potenzial, das diese leistungsstarken neuen Tools freisetzen. Ein persönlicher KI-Assistent könnte mit unendlicher Geduld zum ultimativen Lehrer werden und jedem die Möglichkeit bieten, lebenslang zu lernen.
Setzen Sie sich mit Nomagic in Verbindung und erfahren Sie, wie unsere innovative Technologie Ihre Fulfillment-Prozesse auf die nächste Stufe heben kann.
