Στην αγροτική έκταση της Θεσσαλονίκης το ρομπότ TerraWeeder σταματά. Ένα φυτό βαμβακιού έχει κλίνει από τον άνεμο – μια κατάσταση που δεν είχε δει ποτέ στα 4,7 εκατομμύρια εικόνες του training set του. Για 0,8 δευτερόλεπτα, ο επεξεργαστής του τρέχει έναν αλγόριθμο που δεν είναι προγραμματισμένος – είναι εκπαιδευμένος. Αναγνωρίζει το βαμβάκι από το σχήμα των φύλλων, όχι από έναν κανόνα. Περιμένει. Όταν το φυτό επανέρχεται στη θέση του, το laser ενεργοποιείται — και καταστρέφει μόνο το ζιζάνιο δίπλα του.
Αυτή είναι η διαφορά του Physical AI – μιας νέας γενιάς τεχνητής νοημοσύνης που δεν ζει σε servers, αλλά στο σώμα ενός ρομπότ. Δεν επεξεργάζεται απλά δεδομένα – αλληλεπιδρά με τον φυσικό κόσμο: αγγίζει, σπρώχνει, μυρίζει, πέφτει και ξανασηκώνεται.
Το 2026, το Physical AI σηματοδοτεί τη μετάβαση από τα προγραμματισμένα ρομπότ (που κάνουν μόνο ό,τι τους είπαμε) στα μαθαίνοντα ρομπότ (που προσαρμόζονται σε νέες καταστάσεις χωρίς ανθρώπινη παρέμβαση).
Η ραγδαία εξέλιξη της Τεχνητής Νοημοσύνης (AI) κατά την τελευταία δεκαετία επικεντρώθηκε σχεδόν αποκλειστικά στον ψηφιακό κόσμο. Τα μεγάλα γλωσσικά μοντέλα (LLMs) και τα συστήματα παραγωγικής τεχνητής νοημοσύνης (Generative AI) κατέκτησαν την ικανότητα κατανόησης, σύνθεσης και παραγωγής κειμένου, εικόνας, κώδικα και ήχου, αναδιαμορφώνοντας την αλληλεπίδραση του ανθρώπου με την πληροφορία. Ωστόσο, αυτή η ψηφιακή παντοδυναμία συνοδευόταν από έναν θεμελιώδη περιορισμό: τα συστήματα αυτά παρέμεναν «εγκλωβισμένα» πίσω από οθόνες και διακομιστές, στερούμενα της ικανότητας να αντιληφθούν και να αλληλεπιδράσουν με τον πραγματικό, φυσικό κόσμο.
Το Physical AI αναφέρεται σε συστήματα τεχνητής νοημοσύνης που λειτουργούν, αντιδρούν και λαμβάνουν αποφάσεις σε πραγματικά φυσικά περιβάλλοντα, συνδυάζοντας προηγμένα υπολογιστικά μοντέλα με αισθητήρες, ενεργοποιητές και περίπλοκα συστήματα ελέγχου. Σε αντίθεση με τους αμιγώς ψηφιακούς πράκτορες, ένα σύστημα Physical AI καλείται να αντιμετωπίσει τις αμείλικτες προκλήσεις της φυσικής, τον συνεχή χρόνο, αλλά και το υψηλό κόστος των σφαλμάτων. Στα παραδοσιακά περιβάλλοντα εκπαίδευσης AI, τα σφάλματα είναι ακίνδυνα και απορρίπτονται εύκολα· στον πραγματικό κόσμο, ένα σφάλμα υπολογισμού από ένα αυτόνομο όχημα ή ένα βιομηχανικό ρομπότ μπορεί να έχει καταστροφικές συνέπειες. Εάν ένα φυσικό σύστημα στερείται αυτής της προσαρμοστικής νοημοσύνης, παραμένει απλώς μια μηχανή τυφλής αυτοματοποίησης.
Η τεχνολογική αυτή μετάβαση κατέστη δυνατή χάρη στη σύγκλιση πολλαπλών καινοτομιών που κατέρριψαν ταυτόχρονα τα εμπόδια τα οποία απέτρεπαν μέχρι πρότινος την επανάσταση της ενσώματης νοημοσύνης. Κεντρικό ρόλο σε αυτή τη μετατόπιση διαδραματίζουν τα πολυτροπικά μοντέλα όρασης-γλώσσας-δράσης (Vision-Language-Action ή VLA models). Αυτά τα μοντέλα λειτουργούν με τρόπο που προσομοιάζει τον ανθρώπινο εγκέφαλο, ενσωματώνοντας την υπολογιστική όραση, την επεξεργασία φυσικής γλώσσας και τον λεπτομερή κινητικό έλεγχο. Με αυτόν τον τρόπο, επιτρέπουν στις μηχανές να ερμηνεύουν το δυναμικό περιβάλλον τους και να επιλέγουν τις κατάλληλες ενέργειες σε πραγματικό χρόνο, συνυπολογίζοντας χωρικά και χρονικά δεδομένα.1
Ιστορικά, ο σχεδιασμός των ρομποτικών συστημάτων επένδυε βαριά στους αισθητήρες (για τη συλλογή δεδομένων) και στους ελεγκτές (για την εκτέλεση ενεργειών), αφήνοντας τους ανθρώπους να γεφυρώσουν το χάσμα της ερμηνείας μέσω αυστηρού προγραμματισμού. Το Physical AI αλλάζει το πού ακριβώς “κατοικεί” η ευφυΐα. Εισάγει ένα κεντρικό, μοντελοκεντρικό επίπεδο ερμηνείας που χτίζει παγκόσμια μοντέλα (world models) αντί για αγωγούς (pipelines) συγκεκριμένων εργασιών. Αυτή η εξέλιξη μετατρέπει τα παραδοσιακά ρομπότ από μηχανές άκαμπτης εκτέλεσης σε οντότητες πραγματικής αυτονομίας, ικανές να μεταφέρουν δεξιότητες σε διαφορετικές πλατφόρμες και να προσαρμόζονται σε απρόβλεπτες συνθήκες.
Το Όραμα των ηγετών: Το οικοσύστημα της NVIDIA
Οι μεγαλύτεροι στρατηγικοί παίκτες της παγκόσμιας τεχνολογικής σκηνής αναγνωρίζουν το Physical AI ως το επόμενο, απόλυτο σύνορο της καινοτομίας και της οικονομικής ανάπτυξης. Ο Jensen Huang, ιδρυτής και διευθύνων σύμβουλος της NVIDIA, υπογράμμισε με έμφαση στο πλαίσιο της CES στο Λας Βέγκας, ενώπιον 6.000 παρευρισκομένων, ότι η τεχνητή νοημοσύνη προχωρά με «απίστευτο ρυθμό». Ανασκοπώντας την πορεία της βιομηχανίας, επισήμανε ότι αφού κατακτήθηκε η νοημοσύνη της αντίληψης (κατανόηση εικόνων και λέξεων) και η παραγωγική AI, η ανθρωπότητα εισέρχεται πλέον στην εποχή του Physical AI: μιας νοημοσύνης ικανής να αντιληφθεί, να συλλογιστεί, να σχεδιάσει και να δράσει στον φυσικό χώρο.
Η αρχιτεκτονική των τριών υπολογιστών
Η NVIDIA διαδραματίζει τον πλέον κομβικό ρόλο σε αυτή τη μεταμόρφωση, παρέχοντας την απαραίτητη υπολογιστική υποδομή. Η στρατηγική της εταιρείας βασίζεται σε μια καινοτόμο αρχιτεκτονική «τριών υπολογιστών» (three-computer solution), η οποία επιταχύνει τα βιομηχανικά συστήματα από την έρευνα έως την τελική ανάπτυξη. Οι τρεις αυτοί πυλώνες περιλαμβάνουν την εκπαίδευση των μοντέλων στο cloud (μέσω υπερυπολογιστών AI), την προσομοίωση σε απόλυτα ρεαλιστικά ψηφιακά δίδυμα (digital twins), και τέλος, την εξαγωγή συμπερασμάτων (inference) απευθείας στο υλικό της συσκευής (edge computing).
Στην καρδιά αυτής της υποδομής βρίσκεται το Project DIGITS, το οποίο παρουσιάστηκε το 2025 ως ο μικρότερος αλλά ταυτόχρονα ισχυρότερος υπερυπολογιστής AI της NVIDIA. Βασισμένο στο GB10 Grace Blackwell Superchip, το Project DIGITS τρέχει ολόκληρη τη στοίβα λογισμικού (software stack) της NVIDIA και το DGX Cloud, επιτρέποντας σε κάθε μηχανικό να έχει πρόσβαση σε ασύλληπτη υπολογιστική ισχύ.
Τα θεμελιώδη μοντέλα GR00T και η μηχανή φυσικής Newton
Για να μετατρέψει τις ακριβές, μονοδιάστατες μηχανές σε πολύπλευρα ρομπότ ικανά για γενικευμένο συλλογισμό, η NVIDIA παρουσίασε το Project GR00T (NVIDIA Isaac GR00T N1). Πρόκειται για το πρώτο ανοιχτό και πλήρως παραμετροποιήσιμο θεμελιώδες μοντέλο (foundation model) ειδικά σχεδιασμένο για ανθρωποειδή ρομπότ. Το GR00T N1 ενσωματώνει μια αρχιτεκτονική διπλού συστήματος (dual-system architecture), βαθιά εμπνευσμένη από τις αρχές της ανθρώπινης γνωστικής λειτουργίας: Το “System 1” λειτουργεί ως ένα μοντέλο ταχείας δράσης, προσομοιάζοντας τα ανθρώπινα αντανακλαστικά και τη διαίσθηση, ενώ το “System 2″, τροφοδοτούμενο από ένα μοντέλο γλώσσας-όρασης (VLA), αναλαμβάνει την αργή, μεθοδική λήψη αποφάσεων και τον στρατηγικό σχεδιασμό. Στην πιο πρόσφατη έκδοσή του (GR00T N1.6), το μοντέλο επιτρέπει στα ρομπότ να αναλύουν περίπλοκες οδηγίες και να εκτελούν εργασίες αξιοποιώντας προηγούμενη γνώση και κοινή λογική.
Ωστόσο, η εκπαίδευση στον πραγματικό κόσμο είναι δαπανηρή και συχνά επικίνδυνη. Για τον λόγο αυτό, η NVIDIA, σε συνεργασία με την Google DeepMind και την Disney Research, ανέπτυξε τη μηχανή φυσικής Newton. Το Newton, το οποίο διατίθεται ανοιχτού κώδικα μέσω του NVIDIA Isaac Lab, αποτελεί τον απόλυτο προσομοιωτή φυσικών νόμων, εξασφαλίζοντας ότι οι δεξιότητες που μαθαίνουν τα ρομπότ στο εικονικό περιβάλλον (NVIDIA Omniverse) μεταφέρονται με απόλυτη ασφάλεια και ακρίβεια στον πραγματικό κόσμο. Επιπρόσθετα, η σειρά μοντέλων Cosmos παρέχει στους προγραμματιστές τη δυνατότητα παραγωγής εξαιρετικά ποικιλόμορφων συνθετικών δεδομένων, τροφοδοτώντας τον κύκλο εκπαίδευσης (data flywheel) σε τεράστια κλίμακα.
Αναγνωρίζοντας την πολυπλοκότητα της ενορχήστρωσης όλων αυτών των διαδικασιών, η NVIDIA λάνσαρε το OSMO, ένα cloud-native πλαίσιο (orchestrator) ανοιχτού κώδικα. Το OSMO παρέχει έναν ενιαίο πίνακα ελέγχου (single pane of glass) που επιτρέπει στους προγραμματιστές ρομποτικής να σχεδιάζουν, να δοκιμάζουν και να επικυρώνουν ροές εργασίας AI σε τεράστια κλίμακα.14 Αξιοποιώντας αρχεία διαμόρφωσης χωρίς κώδικα (no-code YAML), το σύστημα αυτοματοποιεί τα πάντα: από την παραγωγή συνθετικών δεδομένων και την ενισχυτική μάθηση (reinforcement learning), έως την αξιολόγηση μέσω προσομοιώσεων Software-in-the-Loop (SIL) και Hardware-in-the-Loop (HIL).
Η στρατηγική της Tesla: Κάθετη ολοκλήρωση και μαζική παραγωγή του Optimus
Η Tesla ακολουθεί μια διαφορετική αλλά εξίσου επιθετική προσέγγιση. Αντί να προσφέρει ανοιχτά εργαλεία για τρίτους, αξιοποιεί την κολοσσιαία εμπειρία της στην αυτόνομη οδήγηση για να κυριαρχήσει στην αγορά της καταναλωτικής και βιομηχανικής ρομποτικής. Το όραμα του Elon Musk ενσαρκώνεται στο Tesla Optimus, ένα γενικής χρήσης, δίποδο ανθρωποειδές ρομπότ, σχεδιασμένο να αναλάβει εργασίες που θεωρούνται επισφαλείς, μονότονες ή σωματικά εξοντωτικές για τους ανθρώπους.
Το “συλλογικό μυαλό” του Optimus βασίζεται στο hardware AI5 (και το Full Self-Driving chip), το οποίο παρέχει ασύλληπτη υπολογιστική ισχύ και διαθέτει εξειδικευμένες νευρωνικές μονάδες επεξεργασίας (NPUs) με πλεονάζοντα συστήματα (redundant systems) για εγγυημένη ασφάλεια σε κρίσιμες εφαρμογές.
Η Tesla εμμένει στη φιλοσοφία της «καθαρής όρασης» (pure vision) που εφαρμόζει και στα αυτοκίνητά της: το ρομπότ χρησιμοποιεί οκτώ κάμερες Autopilot για περιμετρική αντίληψη 360 μοιρών και εκτίμηση βάθους, απορρίπτοντας πλήρως τη χρήση πανάκριβων αισθητήρων LiDAR ή ραντάρ.
Οι κινήσεις του ρομπότ δεν συντονίζονται από διακριτά υποσυστήματα, αλλά από μια ενιαία αρχιτεκτονική νευρωνικών δικτύων (end-to-end architecture) που μεταφράζει άμεσα την οπτική πληροφορία σε κινητικό σχεδιασμό. Ένα από τα πιο εντυπωσιακά χαρακτηριστικά του είναι η αναπτυσσόμενη ικανότητα εκμάθησης μέσω βίντεο, όπου το Optimus θα μπορεί να αποκτά νέες δεξιότητες απλώς παρακολουθώντας ανθρώπους σε βίντεο στο YouTube.
Οι τεχνικές προδιαγραφές του Optimus Gen 3 (μοντέλο 2025/2026) αποδεικνύουν την ωρίμανση του συστήματος:
- Ύψος περίπου 1,73 μέτρα και βάρος 57 κιλά.
- Ωφέλιμο φορτίο 20 κιλών (45 lbs) και ταχύτητα βάδισης έως 8 km/h.
- 22 βαθμοί ελευθερίας (DOF) ανά χέρι, προσφέροντας εξαιρετική επιδεξιότητα.
- Μέθοδος ισορροπίας ZMP (Zero-moment point) για ομαλό βάδισμα.
- Διάρκεια μπαταρίας έως και 8 ώρες με αυτόνομη ικανότητα φόρτισης.
Αυτό που διαφοροποιεί δραστικά την Tesla είναι το πλάνο μαζικής παραγωγής της. Υπό την ηγεσία του Ashok Elluswamy (Αντιπροέδρου Λογισμικού AI), η στρατηγική βασίζεται αρχικά στην εσωτερική ανάπτυξη. Έως τον Ιανουάριο του 2026, περισσότερες από 1.000 μονάδες Optimus εργάζονται ήδη εντός των εργοστασίων της Tesla στο Fremont και το Giga Texas, εκτελώντας πραγματικές εργασίες όπως διαλογή κυψελών μπαταριών και ποιοτικό έλεγχο. Η παραγωγή της γενιάς 3 ξεκίνησε επίσημα στα τέλη Ιανουαρίου 2026, με στόχο τις 100.000 μονάδες εντός του έτους. Με τη νέα πτέρυγα του Giga Texas να σχεδιάζεται για δυναμικότητα 10 εκατομμυρίων ρομπότ ετησίως, η Tesla στοχεύει να ρίξει το κόστος κατασκευής στα 20.000 δολάρια, με τελική τιμή πώλησης κάτω από 30.000 δολάρια. Οι πρώτες εμπορικές πωλήσεις αναμένονται στα τέλη του 2026, ενώ μια «Οικιακή Έκδοση» (Home Edition) σχεδιάζεται για το 2027 μέσω μοντέλου leasing.
Ανθρωποειδή Ρομπότ: Το παγκόσμιο ανταγωνιστικό τοπίο
Η έλευση του 2025 και 2026 θεωρείται δικαίως η «στιγμή ChatGPT» για τη ρομποτική. Με τις παγκόσμιες ελλείψεις εργατικού δυναμικού να υπολογίζονται σε πάνω από 50 εκατομμύρια άτομα, τα ανθρωποειδή ρομπότ ετοιμάζονται να μεταμορφώσουν ριζικά τη δυναμική της αγοράς εργασίας, μετατοπίζοντας τους ανθρώπους σε ρόλους επίβλεψης. Ωστόσο, η Tesla δεν παίζει μόνη της σε αυτή την αρένα. Σημαντικοί παίκτες έχουν ήδη αναπτύξει λειτουργικά συστήματα με διαφορετικές σχεδιαστικές φιλοσοφίες.
| Ρομπότ / Εταιρεία | Ύψος & Βάρος | Ταχύτητα | Ωφέλιμο Φορτίο | Στρατηγική και Εφαρμογές |
| Optimus Gen 3 (Tesla) | 1.73m / 57kg | Έως 8.0 km/h | 20 kg | Ολιστική αυτονομία (General Purpose). Εστίαση στη μαζική παραγωγή, 22 DOF ανά χέρι, εκμάθηση μέσω end-to-end νευρωνικών δικτύων. |
| Digit (Agility Robotics) | ~1.58m / ~65kg | Έως 5.5 km/h | 16 kg | Εξειδικευμένο στα logistics (Purpose-built). Διαθέτει ειδικές δαγκάνες αντί για πολύπλοκα χέρια. Ήδη λειτουργεί σε Amazon και GXO. Δυναμικότητα 10.000/έτος στο RoboFab. |
| Atlas (Boston Dynamics) | 1.50m / ~80kg | ~5.4 m/s | Υψηλό | Εστίαση στη δυναμική σταθεροποίηση και τις υπερανθρώπινες αθλητικές ικανότητες σε ανώμαλα εδάφη. |
| G1 (Unitree) | 1.32m / 35kg | Προσαρμόσιμη | Χαμηλό-Μεσαίο | Προσιτή λύση (low cost) που στοχεύει στην έρευνα και την ευρύτερη καταναλωτική/βιομηχανική αγορά. |
| Figure 02 (Figure AI) | – | – | Μεσαίο-Υψηλό | Συνεργάζεται στενά με την OpenAI για κατανόηση φυσικής γλώσσας. Δοκιμάζεται στην παραγωγή της BMW. |
Η σύγκριση ανάμεσα στο Tesla Optimus και το Agility Digit αντικατοπτρίζει δύο εκ διαμέτρου αντίθετα οράματα. Το Optimus σχεδιάστηκε ως μια πλατφόρμα “generalist”, ικανή να μάθει οποιαδήποτε εργασία. Αντίθετα, η Agility Robotics κατασκεύασε το Digit αυστηρά για εργασίες διαχείρισης αποθηκών (logistics manipulation). Αυτή η εστίαση της Agility Robotics της χάρισε ένα προβάδισμα πολλών ετών στις B2B συνεργασίες, έχοντας ήδη συνάψει συμβόλαια με την Amazon για χρήση στα τεράστια κέντρα διανομής της, αποδεικνύοντας την εμπορική βιωσιμότητα του Physical AI στη διαχείριση εφοδιαστικών αλυσίδων.
Χωρική Νοημοσύνη: Η θεμελίωση του Physical AI
Μια από τις πιο κρίσιμες συνιστώσες για την επιτυχία του Physical AI είναι η ικανότητα των μηχανών να κατανοούν το χώρο. Η Fei-Fei Li, διακεκριμένη ερευνήτρια στο Πανεπιστήμιο του Stanford και συχνά αναφερόμενη ως η «νονά της τεχνητής νοημοσύνης», έχει επισημάνει ότι τα σημερινά μεγάλα γλωσσικά μοντέλα, παρά την ευφράδειά τους, παραμένουν “wordsmiths in the dark” – γνώστες μεν, χωρίς όμως επαφή με την πραγματικότητα.
Σύμφωνα με την Li, η Χωρική Νοημοσύνη (Spatial Intelligence) αποτελεί τη βάση πάνω στην οποία χτίζεται η ανθρώπινη γνωστική λειτουργία. Η ικανότητα κατανόησης, συλλογισμού, αλληλεπίδρασης και πλοήγησης στον τρισδιάστατο (3D) και τετραδιάστατο (4D – χρόνος) φυσικό κόσμο είναι απαραίτητη για συστήματα που δρουν εκτός των οθονών. Εάν ένα σύστημα AI δεν μπορεί να μοντελοποιήσει τον χώρο, τη γεωμετρία και τη σχέση αιτίου-αποτελέσματος στη φυσική, δεν μπορεί να υποστηρίξει αξιόπιστες αποφάσεις στη ρομποτική, τη χειρουργική ή τα logistics, όπου το κόστος του σφάλματος είναι τεράστιο.
Για να καλύψει αυτό το κενό, η Li ίδρυσε την εταιρεία World Labs, συγκεντρώνοντας χρηματοδότηση 291,5 εκατομμυρίων δολαρίων. Στα τέλη του 2025, η εταιρεία αποκάλυψε το πρώτο της εμπορικό προϊόν, το “Marble”. Πρόκειται για ένα πρωτοποριακό μοντέλο ικανό να δημιουργεί ρεαλιστικούς 3D εικονικούς κόσμους χρησιμοποιώντας ως δεδομένα εισόδου απλό κείμενο, δισδιάστατες εικόνες, βίντεο ή ακόμη και πρόχειρα σχεδιαγράμματα. Αυτά τα «παγκόσμια μοντέλα» (world models) λειτουργούν ως εξαιρετικά ακριβή περιβάλλοντα προσομοίωσης, επιτρέποντας στους αρχιτέκτονες, τους ερευνητές, αλλά κυρίως στους προγραμματιστές ρομποτικής, να δοκιμάζουν ψηφιακά τα σενάριά τους, μειώνοντας δραματικά το κόστος και τους κινδύνους της φυσικής έρευνας.
Ο Karl Friston, η «Ελεύθερη Ενέργεια» και η Νευροεπιστήμη του Physical AI
Καθώς το Physical AI αναζητά τον ιδανικό τρόπο για να λειτουργούν τα αυτόνομα συστήματα στον χαοτικό πραγματικό κόσμο, η απάντηση φαίνεται να κρύβεται στη νευροεπιστήμη. O Dr. Karl Friston – ο κορυφαίος και με τις περισσότερες ετεροαναφορές νευροεπιστήμονας παγκοσμίως- έχει προτείνει μια θεωρία που ίσως αποτελεί το «κλειδί» για την πραγματική τεχνητή νοημοσύνη: την Αρχή της Ελεύθερης Ενέργειας (Free Energy Principle – FEP).
Σύμφωνα με την αρχή αυτή, κάθε βιολογικό σύστημα προσπαθεί να επιβιώσει ελαχιστοποιώντας την «έκπληξη» ή την «ελεύθερη ενέργεια» – δηλαδή τη διαφορά ανάμεσα σε αυτό που περιμένει να αντιληφθεί (βάσει του εσωτερικού του μοντέλου για τον κόσμο) και σε αυτό που πραγματικά αντιλαμβάνονται οι αισθήσεις του. Στον τομέα της ρομποτικής και του Physical AI, αυτή η θεωρία μεταφράζεται στο Active Inference.
Σε αντίθεση με την εξαιρετικά δημοφιλή Ενισχυτική Μάθηση (Reinforcement Learning), η οποία βασίζεται σε ενεργοβόρες διαδικασίες δοκιμής-και-λάθους (trial-and-error) για την επίτευξη μιας εξωτερικής «ανταμοιβής», το Active Inference επιτρέπει στα ρομπότ να δρουν με σκοπό να επιβεβαιώσουν τις δικές τους προβλέψεις, μαθαίνοντας “on the fly” και προσαρμόζοντας το δικό τους παγκόσμιο μοντέλο (world model) με τρομακτική ενεργειακή αποδοτικότητα.
Ήδη κορυφαίες startups DeepTech κεφαλαιοποιούν αυτό το θεωρητικό άλμα. Η Verses AI, με τον ίδιο τον Friston στη θέση του Chief Scientist, αναπτύσσει πράκτορες Physical AI στο χώρο του Fintech που επιλύουν περίπλοκα προβλήματα πλοήγησης και χειρισμού ξεπερνώντας συχνά τα παραδοσιακά μοντέλα, καθώς μπορούν να προσαρμόζονται διαρκώς χωρίς να χρειάζονται ατελείωτη επανεκπαίδευση (retraining). Παράλληλα, στην Ευρώπη, η βρετανική Stanhope AI (spin-out του UCL) σήκωσε πρόσφατα κεφάλαια για να ενσωματώσει το Active Inference σε αυτόνομα συστήματα και drones, επιτρέποντας στους αλγορίθμους να τρέχουν τοπικά (στο edge) καταναλώνοντας ελάχιστη ενέργεια. Το Active Inference αντικαθιστά τα στατικά, ογκώδη LLMs με μηχανές που διαθέτουν αληθινή «πρακτορικότητα», προσφέροντας την απαραίτητη ανθεκτικότητα που χρειάζονται πεδία όπως η βιομηχανία και η άμυνα.
Το άρθρο δημοσιεύτηκε για πρώτη φορά στο Startupper MAG #70
