Einer der Respektiertesten Köpfe in der Robotik Wird Unabhängig

Russ Tedrake, einer der einflussreichsten Forscher in der Robotik und einer der Architekten der aktuellen Welle physikalisch fähiger AI-Systeme, kehrt ins Rampenlicht zurück — diesmal als Gründer eines nicht offengelegten verdeckten AI-Startups. Tedrake wird das Unternehmen auf dem Robotics Summit and Expo, das für 27.-28. Mai im Thomas M. Menino Convention and Exhibition Center in Boston geplant ist, öffentlich präsentieren. Die Ankündigung hat große Erwartungen in der Robotik-Community geweckt, wo Tedrakes Name durch Jahrzehnte der Forschung am MIT und Führungsverantwortung am Toyota Research Institute ein erhebliches Gewicht hat.

Tedrake war kürzlich Senior Vice President für Large Behavior Models am Toyota Research Institute, wo er die Entwicklung der Arten von Fundationsmodellen für Roboterverhalten leitete, die die aktuelle Grenze der Physical AI darstellen. Sein Ausscheiden aus TRI, um ein unabhängiges Unternehmen zu gründen, signalisiert sowohl seine Überzeugung, dass der Moment richtig ist, um ein Unternehmen rund um diese Ideen aufzubauen, als auch dass die erforderlichen Fähigkeiten einen Reifegrad erreicht haben.

Was ist Physical AI und Warum ist es wichtig

Physical AI bezieht sich allgemein auf AI-Systeme, die in der physischen Welt tätig sind und mit ihr interagieren — Roboter, autonome Fahrzeuge und andere Maschinen, die ihre Umgebung wahrnehmen, Maßnahmen planen und diese Pläne in Echtzeit unter unsicheren Bedingungen ausführen müssen. Es ist ein grundlegend schwierigeres Problem als Sprach- oder Bild-AI, weil die physische Welt Fehler nicht auf die gleiche Weise vergibt wie ein Texteditor. Ein Roboter, der ein Objekt falsch identifiziert und die falsche Griffkraft befiehlt, erzeugt keinen verstümmelten Satz — er zerstört etwas, verletzt jemanden oder schlägt die Aufgabe völlig fehl.

Tedrake hat seine Karriere damit verbracht, dieses Problem von den theoretischen Grundlagen an zu lösen. Im Computer Science and Artificial Intelligence Laboratory des MIT entwickelte er Reinforcement-Learning-Algorithmen für kontinuierliche Kontrollprobleme — die mathematische Maschinerie, die Robotern zugrunde liegt, um sich fließend statt in steifen, vorprogrammierten Trajektorien zu bewegen. Seine Arbeiten zu Manipulation, Lokomotion und Kontaktdynamik waren grundlegend für die moderne Roboterforschung.