Kad AI agenti počnu dijeliti posao stvarnim robotima
A mixed team of ground and aerial robots coordinated by a visible agentic AI command layer inside a Johns Hopkins APL-style robotics test space.📷 AI-generated image / TECH&SPACE
- ★Johns Hopkins APL razvija agentni AI za koordinaciju heterogenih robotskih timova.
- ★Pristup koristi LLM agente kao sloj za autonomiju, raspodjelu zadataka i prilagodbu.
- ★Prezentacija uključuje hardverske demonstracije, pouke iz razvoja i otvorene izazove.
Johns Hopkins Applied Physics Laboratory ne predstavlja agentni AI kao još jedan razgovorni sloj za uredske zadatke, nego kao operativnu infrastrukturu za robotske timove. Prema najavi IEEE Spectrum događaja, prezentacija se bavi time kako LLM agenti mogu pomoći skupini različitih robota da koordiniraju autonomiju, raspodjelu posla i prilagodbu u promjenjivim uvjetima.
To je važna razlika. Jedan robot s dobro definiranim zadatkom već je težak inženjerski problem. Tim robota s različitim senzorima, mogućnostima kretanja i alatima traži dodatni sloj: netko ili nešto mora razumjeti stanje, razbiti cilj na izvedive korake, dodijeliti ih pravim platformama i reagirati kad plan prestane vrijediti. Upravo tu Johns Hopkins APL smješta agentni AI.
Prezentacija, prema dostupnom sažetku, počinje s osnovnim izazovima autonomije, koordinacije i prilagodljivosti u heterogenim sustavima. Zatim uvodi skalabilnu arhitekturu za agentna ponašanja u multi-robotskom okruženju. Drugim riječima, nije riječ samo o tome da model “razgovara” s robotom, nego o tome da agentski sloj posreduje između ciljeva, stanja sustava i fizičkih ograničenja više strojeva.
Johns Hopkins APL prikazuje arhitekturu u kojoj LLM agenti pomažu heterogenim robotima da dijele zadatke, prilagođavaju se i rade kao tim.
Close operational view of an AI coordination console translating mission goals into task assignments for different robots on a lab floor.📷 AI-generated image / TECH&SPACE
Najzanimljiviji dio je hardver. Sažetak izričito navodi demonstracije pristupa na heterogenom timu robota. To je bitno jer se agentni AI prečesto prodaje kroz uredne dijagrame, dok stvarni roboti donose kašnjenja, loše signale, djelomične kvarove, nedorečene naredbe i okruženja koja ne čekaju da model završi zaključivanje. Ako arhitektura može raditi na različitim platformama, tada se rasprava miče s teorije na operativnu pouzdanost.
LLM agenti u ovakvom kontekstu nisu čarobna autonomija. Oni su kandidat za koordinacijski sloj koji može prevoditi namjeru u niz radnji, pratiti povratne informacije i mijenjati plan kad se promijene uvjeti. To otvara korisne mogućnosti, ali i tvrda pitanja: kako provjeriti odluku agenta, kako ograničiti pogrešne akcije, kako voditi zapis odgovornosti i kako spriječiti da jezični model postane slaba točka sustava koji upravlja fizičkim strojevima.
Zato je ovaj rad zanimljiv i izvan uske robotike. IEEE Robotics and Automation Society već godinama okuplja istraživanja o robotima koji moraju raditi u nesavršenom svijetu; agentni AI sada u tu sliku uvodi novi sloj odlučivanja. Ako Johns Hopkins APL pokaže da se taj sloj može skalirati preko različitih robota, sljedeća faza neće biti pitanje može li model napisati plan, nego može li tim strojeva taj plan izvesti bez krhkog, ručno krojenog scenarija.
