Fizička AI – grana umjetne inteligencije koja upravlja robotima i industrijskim strojevima u stvarnom svijetu – suočava se s problemom hijerarhije. Na vrhu, OpenAI i Google razvijaju multimodalne temeljne modele. U sredini, Nvidia gradi platforme i alate za razvoj fizičke AI.
I postoji treći dio: industrijski proizvođači poput Hitachija i njemačkog Siemensa, koji iznose tišu, ali vjerojatno realniju tvrdnju da se strojevi ne mogu obučiti za navigaciju fizičkim svijetom bez prethodnog razumijevanja istog.
Ta se tvrdnja sada premješta iz strategije u upravnim odborima na tlo tvornica, kako je Hitachi otkrio u nedavnom intervjuu s Nikkei Asia.
Zašto fizička AI treba više od dobrog modela
Kosuke Yanai, zamjenik direktora Hitachijevog Centra za inovacije tehnologije – umjetnu inteligenciju, jasno ističe što odvaja održivu fizičku AI od teorijske. “Fizička AI ne može se implementirati u društvo bez sustavnog razumijevanja koje počinje s temeljnim znanjem o fizici i industrijskoj opremi,” rekao je Yanai za Nikkei.
Hitachijeva ponuda je da već posjeduje mnogo tog temeljnog znanja – akumuliranog tijekom desetljeća izgradnje željezničkih pruga, električne infrastrukture i industrijskih kontrolnih sustava. Tvrtka ima tehnologiju simulacije termalne tekućine koja modelira ponašanje plinova i tekućina, te alate za obradu signala za praćenje stanja opreme – što Yanai opisuje kao inženjersku osnovu koja podupire Hitachijevo ‘opsežno znanje o dizajnu proizvoda i konstrukciji kontrolne logike.’
Od koncepta do implementacije: Daikin i JR East
Dok Hitachijeva sveobuhvatna arhitektura fizičke AI – Integrirani model svjetske infrastrukture (IWIM) – ostaje u fazi verifikacije koncepta, dvije stvarne implementacije pokazuju da temeljni pristup već donosi rezultate.
U suradnji s Daikin Industries, Hitachi je implementirao AI sustav koji dijagnosticira kvarove u opremi za proizvodnju komercijalnih klima uređaja. Sustav, obučen na zapisima o održavanju opreme, priručnicima i nacrtima, sada može identificirati koji je komponenta vjerojatno neispravna kada se otkrije anomalija – vrsta operativne intuicije koja je ranije postojala samo u glavama iskusnih inženjera.
U suradnji s Istočnom japanskom željeznicom (JR East), Hitachi je izgradio AI koji identificira uzrok kvarova u kontrolnim uređajima koji upravljaju sustavom upravljanja željezničkim prometom u tokijskom metropolitanskom području, a zatim pomaže operaterima u formuliranju plana reakcije. U mreži gdje se kašnjenja prenose na milijune dnevnih putovanja, sposobnost ubrzanja dijagnostike kvarova nosi stvarnu operativnu težinu.
Istraživačko-razvojni proces: Smanjenje vremena razvoja
Hitachijev poticaj na fizičku AI također se očituje u njegovim istraživačkim ishodima. U prosincu 2025. tvrtka je objavila nalaze iz dva projekta predstavljena na ASE 2025, vrhunskom konferencijom o softverskom inženjerstvu, koja se bavi stalnim uskim grlom u industrijskoj AI: vremenom i trudom potrebnim za pisanje i prilagodbu kontrolnog softvera.
U automobilskoj industriji, Hitachi i njegova podružnica Astemo razvili su sustav koji koristi proširenu generaciju pretraživanja za automatsko proizvodnju testnih skripti za integraciju elektroničkih kontrolnih jedinica (ECU) vozila – uzimajući informacije iz API-ja specifičnih za hardver i znanja s terena. U pilot projektu koji je uključivao testiranje višekorporativnih ECU-a, tehnologija je smanjila vrijeme integracijskog testiranja za 43% u usporedbi s ručnim izvršenjem.
U logistici, tvrtka je razvila tehnologiju upravljanja varijablama koja modulira softver za upravljanje robotima u ponovno upotrebljive komponente strukturirane oko operativnog sustava robota (ROS). Mapiranjem okolišnih varijabli i operativnih zahtjeva različitih skladišnih postavki unaprijed, sustav omogućuje operaterima da prilagode robote za branje i postavljanje novih proizvoda ili rasporeda bez ponovnog pisanja softvera od nule.
Sigurnost kao strukturni zahtjev, a ne naknadna misao
Jedna od zajedničkih tema u svim Hitachijevim fizičkim AI radovima je naglasak na sigurnosnim zaštitnim mjerama – ne kao provjera usklađenosti, već kao inženjersko ograničenje ugrađeno u dizajn sustava. Yanai je rekao za Nikkei da tvrtka integrira svoju tehnologiju kontrole i pouzdanosti iz razvoja društvene infrastrukture kako bi spriječila da AI rezultati odstupaju od ljudski odobrenih operativnih parametara.
To uključuje validaciju ulaza za filtriranje podataka na kojima modeli ne bi trebali biti obučeni, verifikaciju izlaza kako bi se osiguralo da radnje stroja ne ugrožavaju ljude ili imovinu, i praćenje AI modela u stvarnom vremenu zbog operativnih anomalija.
To je značajna razlika. Fizički AI sustavi neuspijevaju u umjetnom okruženju, već u stvarnom svijetu. Uloga AI-a koji upravlja signalizacijom željeznice ili robota u tvornici je suštinski različita od one koja se odnosi na chatbot.
Infrastruktura koja odgovara ambicijama
Na strani infrastrukture, Hitachi Vantara – grupna podružnica za podatke i digitalnu infrastrukturu – pozicionira se kao rani usvojitelj NVIDIA-inih RTX PRO servera, izgrađenih na RTX PRO 6000 Blackwell Server Edition GPU-u, dizajniranih za ubrzanje agentičkog i fizičkog AI opterećenja. Ova oprema se kombinira s Hitachijevom iQ platformom i koristi se za izgradnju digitalnih blizanaca – virtualnih replika fizičkih sustava – koje mogu simulirati sve od fluktuacija u mreži do robotskog kretanja u velikim razmjerima.
Koncept IWIM, s druge strane, osmišljen je za povezivanje Nvidia-ine open-source Cosmos fizičke AI razvojne platforme s posebnim japanskim LLM-ovima i vizualnim jezičnim modelima putem protokola konteksta modela (MCP) – u osnovi okvir za povezivanje modela, alata za simulaciju i industrijskih skupova podataka koji su potrebni fizičkim AI sustavima.
Šira utrka u fizičkoj AI nije daleko od rješenja. No, Hitachijeva pozicija – da su stručnost u području i operativni podaci jednako važni kao i arhitektura modela – sve je teže odbaciti, posebno kada implementacije s partnerima poput Daikina i JR East počinju pokazivati koliko ta stručnost zapravo vrijedi u praksi.
Izvori: Nikkei Asia (21. veljače 2026.); Hitachi R&D (24. prosinca 2025.); Hitachi Vantara Blog (27. kolovoza 2025.)
