NVIDIA GTC 2025 konferansında insansı robotların geleceği ele alındı

Panelistler, robotik alanının yapay zekanın en eski uygulamalarından biri olmasına rağmen tarihsel olarak yavaş ilerlediğini, ancak son dönemde bu durumun kökten değiştiğini vurguladılar. Bu değişimin arkasındaki temel itici güçler olarak; büyük temel modellerin (foundation models) yükselişi, GPU hızlandırmalı simülasyon teknolojilerindeki ilerlemeler ve robot donanımlarının (sensörler, bataryalar, işlem gücü) hem daha yetenekli hem de daha uygun maliyetli hale gelmesi gösterildi.

Yükselişin Nedenleri: Yapay Zeka, Simülasyon ve Donanım

NVIDIA Gear Lab Eş Lideri ve Project Groot sorumlusu Jim Fan, özellikle büyük dil modelleri (LLM) ve çok modlu modellerin (VLM), robotların dünyayı anlaması, akıl yürütmesi ve açık kelime dağarcığıyla etkileşim kurması için gerekli altyapıyı sağladığını belirtti. Fan ayrıca, robotik için LLM’lerdeki gibi hazır bir “fosil yakıt” (internet metin verisi) olmadığını, bu nedenle motor kontrol verilerini üretmek ve toplamak için simülasyonun kritik önem taşıdığını vurguladı. NVIDIA’nın bu alandaki iddialı projesi olan ve insansılar için bir temel model (“robot beyni”) olmayı hedefleyen Project Groot ve onun açık kaynak olarak duyurulan 2 milyar parametrelik Groot N1 modeli de panelde öne çıkan konulardandı.

Boston Dynamics CTO’su Aaron Saunders ise, simülasyonun gerçek dünya fiziğini doğru ve hızlı bir şekilde temsil etme yeteneğinin (Sim-to-Real) ve tüketici elektroniği gibi komşu endüstrilerden gelen gelişmiş bileşenlerin (kameralar, piller, işlemciler) robotik startuplarının önünü açtığını ifade etti.

Farklı Stratejiler, Ortak Hedefler

Paneldeki şirketler, insansı robotları geliştirmeye yönelik farklı stratejiler benimsediklerini ortaya koydular:

• 1X (Burnt Bornich): Zekanın gelişimi için robotların insanlar arasında yaşaması ve öğrenmesi gerektiğine inanarak, öncelikle tüketici/ev kullanımına odaklanıyor. Bu sayede elde edilecek çeşitli verilerle geliştirilen zekanın daha sonra hastaneler, yaşlı bakımı, perakende gibi diğer dikey alanlara uygulanmasını hedefliyor. Güvenliği donanımın temel bir parçası olarak görüyor.
• Skilled AI (Deepak Pathak): Veri kıtlığı nedeniyle tüm platformlardan ve görevlerden gelen veriyi kullanabilen tek, paylaşılan bir “genel beyin” geliştirmeye odaklanıyor. İnsanların biyolojik robotlar olduğunu ve insan aktivite videolarının (“biyolojik donanım” verisi) robot eğitimi için kritik bir kaynak olduğunu savunuyor. Robotlara uyum sağlayabilen “öğrenme motorları” yerleştirilmesi gerektiğini vurguluyor.
• Agility Robotics (Pros Feligaputo): “Digit” adlı insansı robotunu doğrudan iş dünyasına (üretim, lojistik) sunarak, gerçek müşteri ve dağıtımlardan öğrenmeyi merkeze alıyor. Gerçek dünya deneyimiyle modelleri sağlamlaştırdıklarını ve bunun yeni donanımlara adaptasyonu kolaylaştırdığını belirtiyor.
• Boston Dynamics (Aaron Saunders): Sadece en son yapay zeka modellerine değil, kalibrasyon, düşük seviye kontrol gibi klasik robotik araçlarının tamamına (“tam alet çantası”) önem verilmesi gerektiğini vurguluyor. Özellikle güçlü robotlarla çalışırken güvenlik ve güvenilirliğin altını çiziyor. Donanım ve yazılımın birlikte evrimleşmesi gerektiğini savunuyor.
• NVIDIA (Jim Fan): LLM’lerin başarısından ilham alarak, mümkün olduğunca basit, uçtan uca (fotondan aksiyona) bir model hedefliyor. Ancak bu basit modelin etrafında, gerçek dünya verisi, simülasyon ve internet/nöral simülasyon verilerini içeren karmaşık bir veri toplama stratejisi (veri piramidi) uyguluyor.

Karşılaşılan Zorluklar: Veri, Çapraz Vücut ve Güvenlik

Panelistler, insansı robotların yaygınlaşmasının önündeki engelleri de tartıştılar. Veri toplamanın zorluğu ve çeşitliliğin önemi, simülasyon ile gerçek dünya arasındaki farkın kapatılması (sim-to-real), geliştirilen yapay zeka modellerinin farklı robot donanımlarında (hatta aynı modelin farklı üretim partilerinde) tutarlı çalışabilmesi (cross-embodiment / çapraz vücut uyumu) ve robotların özellikle insanlar arasında çalışırken güvenliğinin sağlanması en önemli zorluklar olarak sıralandı. Robotların fiziksel dünyayla etkileşime girerek “halüsinasyon” sorununu doğal olarak azaltabilmesi ise bir avantaj olarak belirtildi.

Gelecek Vizyonu: Yakın ve Uzak Ufuklar

Önümüzdeki 2 ila 5 yıl içinde panelistler, robotların tek bir görevden ziyade çoklu görevleri yerine getirebilen (multi-purpose) bir yapıya kavuşmasını, belirli sektörlerde (lojistik, üretim, belki evler) “köprü başları” kurarak yaygınlaşmaya başlamasını ve somut faydalar sunan uzmanlaşmış robotların artmasını bekliyorlar.

Daha uzun vadede (10-20 yıl) ise vizyon çok daha iddialı: İnsansı robotların iş gücünde elektrik gibi temel bir dönüşüm yaratması, bilimin (örneğin laboratuvar otomasyonu ile) hızlandırılması ve hatta robotların kendi kendilerini üretebilmesi (robotik otomasyonu) gibi senaryolar tartışıldı.

Panel, insansı robotik alanındaki muazzam potansiyeli, karşılaşılan zorlukları ve sektör liderlerinin bu zorlukların üstesinden gelmek için benimsediği yenilikçi yaklaşımları gözler önüne serdi. Jim Fan’ın kapanış sözleri ise salondaki heyecanı özetler nitelikteydi: “Dünyayı keşfetmek için çok geç, diğer galaksilere seyahat etmek için çok erken doğduk; ama robotları çözmek için tam zamanında doğduk.”