Varför molnstrategierna misslyckas i robotar: Matematiska realtidskrav tvingar branschen att tänka om
Molnbaserad AI:s spelregler kollapsar när robotar kräver beslut på millisekunder.
När molnlogiken möter den fysiska världen
Det verkade som en naturlig fortsättning. När stora språkmodeller och multimodala grundmodeller bevisade sin kraft i molnet var nästa steg uppenbart: flytta in dessa arkitekturer i robotar, leveranssystem och självkörande fordon. Mer beräkningskraft, bättre modeller, fler parametrar — samma recept som fungerat förut.
Men enligt en djupgående analys från The Robot Report börjar en obehaglig insikt tränga sig på: skalning löser inte problemet för förkroppsligad AI. Det rör sig inte om ett tillfälligt ingenjörsproblem som mer pengar och mer kisel kan bota, utan om en strukturell matematisk begränsning som gäller hela klassen av fysiska AI-system.
Som systemutvecklare hittar jag den distinktionen genuint fascinerande — och viktig att förstå.
Millisekunder kontra megawatt
I en molnmiljö är skalning relativt okomplicerat. Behöver du mer kapacitet lägger du till servrar. En fördröjning på några sekunder är sällan kritisk — ingen märker om ett svar från en chattrobot dröjer 800 millisekunder extra.
Fysiska system lever under helt andra naturlagar. The Robot Report beskriver det träffande: varje extra watt som ombordatorn förbrukar kräver tyngre batterier, och värmen som alstras ställer krav på kylsystem som i sin tur ökar vikten ytterligare. Det är en nedåtgående spiral av kompromisser.
Men det verkliga problemet är tid. En robot som missar att bearbeta sin omgivning i rätt ögonblick reagerar på ett föråldrat tillstånd av världen. I praktiken innebär det att roboten fattar beslut baserade på hur läget såg ut en bråkdels sekund tidigare — och i en dynamisk miljö kan det vara skillnaden mellan en lyckad rörelse och en kollision.
Detta är inte ett problem du kan kasta mer processorkraft på. Mer kraft ger mer värme, mer vikt och mer energiförbrukning — inte nödvändigtvis snabbare beslut i realtid.
Det systemomfattande hindret
Det som gör den här analysen från The Robot Report särskilt intressant är hur den sätter fingret på ett branschövergripande antagande som nu ifrågasätts. Den underliggande tesen i många humanoidrobotprojekt och autonoma fordonsprojekt har varit att samma skalningsstrategi som gav genombrott i molnet även kan styra fysiska kroppar.
Det antagandet håller inte.
Och det är egentligen ingen överraskning för den som jobbat med inbyggda system. Realtidskrav, energibudgetar och termiska begränsningar är välkända utmaningar inom traditionell inbyggd mjukvaruutveckling. Det nya är att vi nu försöker köra modeller av en helt annan storleksordning i dessa miljöer — och hoppas att fysikens lagar ska se åt ett annat håll.
Det gör de inte.
Vad behövs istället?
Svaret, som The Robot Report antyder, är ny matematik — inte mer av samma matematik fast snabbare. Det handlar om att hitta arkitekturer och beräkningsmodeller som är fundamentalt anpassade för förkroppsligade, realtidskritiska system. Inte portade från molnet, utan designade från grunden för den fysiska världen.
Det är en svårare uppgift. Men det är också en genuint spännande forskningsfråga. Inom neurovetenskap har man länge studerat hur biologiska hjärnor hanterar precis det här problemet — massiv sensorinformation, hårda tidskrav och begränsad energibudget. Kanske är det där nästa genombrott döljer sig.
Förkroppsligad AI är inte omöjlig. Men vägen dit går inte genom att skala upp befintliga molnarkitekturer. Den går genom att tänka om från grunden — och det är faktiskt ett mer intressant problem att lösa.
Vår analys
Den här insikten är viktig av flera skäl. För det första sätter den rimligare förväntningar på humanoidrobotar och autonoma system — en bransch som under de senaste åren präglats av ambitiösa demonstrationer som ibland döljer fundamentala olösta problem.
För det andra pekar den mot var den verkliga innovationen behöver ske: inte i att träna ännu större modeller, utan i att hitta beräkningseffektiva arkitekturer som respekterar den fysiska världens krav. Det är en möjlighet för forskning i skärningspunkten mellan neurovetenskap, realtidssystem och maskininlärning.
För Sverige och Norden, med stark tradition inom inbyggda system och industriell automatisering, är det här ett område där vi har verkliga förutsättningar att bidra. Insikten att skalning inte räcker är inte en dödsdom för förkroppsligad AI — det är startskottet för nästa, mer intressanta, fas av utvecklingen.