Membayangkan Semula Kemandirian: Bagaimana Model AI Meta Membantu Universiti Pittsburgh Mengubah Robotik Bantuan

Lebih daripada 100,000 kecederaan berkaitan kerusi roda membawa orang ke jabatan kecemasan AS setiap tahun — bukan kerana kerusi roda secara semula jadi berbahaya, tetapi kerana teknologi belum mengikuti perkembangan kerumitan persekitaran sebenar. Itulah masalah yang kini sedang diserang oleh Makmal Penyelidikan Kejuruteraan Manusia Universiti Pittsburgh (HERL), menggunakan model AI sumber terbuka Meta di dalam platform robotik yang boleh mentakrifkan semula kemandirian fizikal bagi jutaan orang. Membayangkan Semula Kemandirian: Bagaimana Model AI Meta Memacu Perubahan Ini adalah cerita yang penting jauh melampaui Pittsburgh — ia membawa implikasi langsung untuk pembangun dan pengasas yang membina produk berasaskan AI di seluruh Asia.

Apa yang Berlaku

HERL Universiti Pittsburgh, bekerja bersama pelopor teknologi bantuan ATDev, sedang membina Platform Mobiliti Bantuan Robotik dan Manipulasi yang Memberikan Kemandirian bagi Orang Kurang Upaya — dikenali sebagai RAMMP. Inisiatif ini disokong oleh sehingga $41.5 juta dalam pembiayaan daripada Agensi Projek Penyelidikan Lanjutan untuk Kesihatan (ARPA-H), sebuah agensi kerajaan AS yang diwujudkan untuk menyokong terobosan bioperubatan yang transformatif.

Menurut catatan blog AI Meta tentang projek ini, platform RAMMP sedang dibina untuk menangani realiti yang mencolok: terdapat anggaran 5.5 juta pengguna kerusi roda di Amerika Syarikat, dan teknologi bantuan yang tersedia kepada mereka sering gagal mencerminkan kerumitan persekitaran dunia sebenar — medan yang tidak rata, ruang dalam yang sesak, halangan dinamik. Apabila teknologi gagal, akibatnya bukan hanya tidak menyenangkan. Ia secara fizikal berbahaya.

Untuk menutup jurang itu, pasukan HERL mengintegrasikan model AI sumber terbuka Meta — khususnya SAM (Segment Anything Model) dan DINOv2 — ke dalam timbunan persepsi RAMMP. SAM mengendalikan segmentasi pemandangan masa nyata, mengenal pasti permukaan, halangan, dan laluan yang boleh dilayari daripada data sensor. DINOv2 menyediakan pengekstrakan ciri visual yang teguh, membolehkan sistem untuk digeneralisasikan merentasi persekitaran yang belum secara eksplisit dilatih. Bersama-sama, mereka memberikan platform robotik asas untuk memahami dunia fizikal dengan jenis nuansa yang mobiliti bantuan perlukan.

Pilihan model sumber terbuka Meta bukanlah kebetulan. Ia mencerminkan keputusan kejuruteraan yang disengajakan: pemberat terbuka bermakna pasukan penyelidikan boleh menyesuaikan, mengaudit, dan menyesuaikan model dengan kekangan spesifik robotik bantuan — inferens latensi rendah, penempatan tepi, kebolehpercayaan kritikal keselamatan — tanpa terkunci ke API proprietari yang boleh berubah atau hilang. Pilihan seni bina itu patut diperhatikan oleh mana-mana pembangun yang membina atas asas AI hari ini.

Mengapa Ia Penting untuk Asia

Asia mempunyai populasi terbesar orang dengan gangguan mobiliti di planet ini. Menurut Organisasi Kesihatan Dunia, lebih daripada 1 bilion orang di seluruh dunia hidup dengan beberapa bentuk kecacatan, dan bahagian yang tidak seimbang berada di Asia — terutamanya dalam masyarakat yang semakin tua seperti Jepun, Korea Selatan, Taiwan, dan semakin banyak China. Asia Tenggara menambah lapisan lain: negara seperti Vietnam, Indonesia, dan Filipina mempunyai populasi besar dengan akses terbatas kepada teknologi bantuan berkualiti tinggi, baik disebabkan oleh jurang kos dan infrastruktur.

Projek RAMMP menandakan sesuatu yang penting untuk ekosistem teknologi Asia: penumpuan AI sumber terbuka, robotik, dan penjagaan kesihatan bukan lagi keingintahuan penyelidikan. Ia adalah disiplin kejuruteraan yang dibiayai dan berorientasikan penempatan. Model yang memacu RAMMP — SAM dan DINOv2 — tersedia secara terbuka. Mana-mana pasukan di Singapura, Seoul, atau Shenzhen boleh menariknya hari ini dan mula membina.

Apa yang kurang biasa di Asia adalah infrastruktur institusional untuk mengubah keupayaan itu menjadi produk berpusat pengguna. Pendekatan HERL — memusatkan proses reka bentuk di sekitar pengguna kerusi roda sebenar, menjalankan percubaan dunia sebenar, mengulangi keperluan keselamatan — adalah metodologi produk sebanyak yang satu penyelidikan. Pengasas kesihatan-teknologi Asia yang membina dalam ruang bantuan harus mengkajinya dengan baik.

Ada juga sudut perkakasan. Asia mendominasi pembuatan robotik global. Taiwan, Jepun, dan Korea Selatan menghasilkan bahagian ketara penggerak robotik, sensor, dan pengiraan terbenam dunia. Jurangnya bukan dalam rantai bekalan perkakasan — ia berada dalam lapisan perisian AI yang menjadikan robot sedar konteks dan cukup selamat untuk penempatan bersebelahan manusia. Itulah tepat di mana model terbuka seperti SAM dan DINOv2 membuka kemungkinan baru, dan di mana pembangun AI Asia mempunyai tingkap kompetitif yang tulen sekarang.

Bagi pengasas di rantau ini, ini adalah isyarat: robotik bantuan bukan vertikal khusus yang dikhaskan untuk makmal penyelidikan AS yang dibiayai dengan baik. Ia adalah medan terbuka, dan model AI asas sudah bebas digunakan.

Apa Maksud Ini untuk Pembangun

Seni bina teknikal di sebalik RAMMP menawarkan cetak biru praktikal yang boleh dipelajari oleh pembangun secara langsung. Pada terasnya, sistem menggunakan model AI bahasa-penglihatan untuk persepsi persekitaran, digabungkan dengan logik kawalan robotik yang menterjemahkan output persepsi ke dalam keputusan gerakan selamat masa nyata. Dua model Meta yang melakukan kerja berat — SAM dan DINOv2 — kedua-duanya tersedia di Hugging Face dan repositori GitHub Meta.

Inilah rupa saluran persepsi minimal menggunakan model ini secara konseptual:

• Input: Suapan kamera RGB-D (kedalaman + warna) daripada sensor yang dipasang pada platform mobiliti
• Segmentasi: SAM memproses setiap bingkai untuk mengenal pasti wilayah yang berbeza — lantai, halangan, perabot, tanjakan
• Pengekstrakan ciri: DINOv2 menghasilkan pembenaman untuk wilayah yang dikenal pasti, membolehkan sistem untuk mengklasifikasi dan membuat alasan tentang jenis permukaan dan kebolehtraversalan
• Lapisan keputusan: Model kawalan hiliran menggunakan topeng segmentasi dan pembenaman untuk mengira laluan navigasi selamat dalam masa nyata
• Penggerakkan: Perintah motor dikeluarkan kepada sistem pemacu kerusi roda dengan kekangan pengelakan perlanggaran yang tertanam

Cabaran kejuruteraan di sini adalah tidak remeh. Menjalankan SAM pada latensi yang boleh diterima pada perkakasan tepi — tanpa perjalanan bulat awan — memerlukan kuantisasi model dan pengoptimuman inferens yang teliti. Pembenaman DINOv2 adalah berkuasa tetapi padat dari segi pengiraan; menempatkanya pada sistem terbenam seperti NVIDIA Jetson atau Qualcomm RB5 memerlukan profil dan pemangkasan. Ini adalah masalah yang boleh diselesaikan, tetapi mereka memerlukan usaha kejuruteraan yang disengajakan, bukan hanya panggilan API.

Bagi pembangun yang membina di atas MonstarX, pelajaran yang lebih luas daripada RAMMP adalah tentang disiplin seni bina: apabila anda membina sistem AI yang beroperasi dalam persekitaran fizikal dengan pertaruhan keselamatan sebenar, pilihan model sumber terbuka berbanding proprietari bukan hanya keputusan kos — ia adalah keputusan kawalan. Pemberat terbuka memberikan anda keupayaan untuk menyesuaikan pada data khusus domain (dalam kes HERL, persekitaran mobiliti dalam), menjalankan luar talian tanpa penalti latensi, dan mengekalkan sistem apabila penyedia hulu mengubah API mereka.

Ini penting untuk mana-mana aplikasi AI di mana kebolehpercayaan dan kebolehaudit adalah tidak boleh dirundingkan — penjagaan kesihatan, logistik, automasi industri, penjagaan warga tua. Semua vertikal ini berkembang pesat di seluruh Asia, dan semua berkongsi keperluan yang sama: AI yang boleh anda periksa, sesuaikan, dan percayai.

Projek RAMMP