Foundation Models for Software Engineering of Cyber-Physical Systems: the Road Ahead
Dit artikel presenteert een vooruitziende onderzoeksroadmap die pleit voor het uitbreiden van het gebruik van diverse en multimodale Foundation Models verder dan alleen Large Language Models om de unieke gegevensverwerkingsbehoeften van Cyber-Physical Systems software engineering aan te pakken, terwijl het belangrijke uitdagingen en actiegerichte kansen identificeert over technische, economische en menselijke dimensies.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een Cyber-Fysiek Systeem (CPS) bouwt. Denk hierbij niet alleen aan software, maar aan een robot, een zelfrijdende auto of een slimme machine in een fabriek. Het is een "cyber"-brein (software) dat aan een "fysiek" lichaam (sensoren, motoren, wielen) is vastgeplakt en voortdurend interactie heeft met de echte wereld.
Stel je nu voor dat je een Foundation Model (FM) hebt. Denk aan deze superintelligente stagiair die bijna alles op het internet heeft gelezen. Meestal denken we bij deze stagiair aan een tekstexpert (een Large Language Model of LLM). Maar dit artikel betoogt dat we voor het bouwen van robots en slimme machines een stagiair nodig hebben die ook kan "zien" (Visie), "horen" (Audio) en begrijpt hoe al deze zintuigen samenwerken (Multimodaal).
Hier is de "Road Ahead"-kaart, eenvoudig uitgelegd:
1. Het Grote Idee: Waarom we een Nieuwe Kaart Nodig Hebben
Momenteel gebruiken de meeste mensen alleen de "tekst-stagiair" (LLM's) om code voor robots te schrijven. Maar robots leven in een chaotische wereld van camera's, geluiden en fysieke bewegingen. De auteurs zeggen: "Laten we stoppen met alleen de tekstexpert te gebruiken. Laten we het volledige zintuiglijke team gebruiken!"
Ze hebben een Research Roadmap gemaakt. Zie dit als een schatkaart voor wetenschappers en ingenieurs. Het geeft je nog niet de schat (de uiteindelijke oplossing); in plaats daarvan laat het zien waar de "X de plek markeert" is voor toekomstig onderzoek. Het vertelt ons wat we als volgende stap moeten bestuderen om het bouwen van deze slimme machines gemakkelijker en veiliger te maken.
2. De Reis: Zes Stops op de Routekaart
Het artikel verdeelt het bouwen van een robot in zes hoofdfases. Hier is hoe de "Superstagiair" (het Foundation Model) bij elke stop kan helpen:
- Stop 1: Eisen (De "Wat willen we?" fase)
- Het Probleem: Mensen beschrijven wat ze willen op een slordige, verwarrende manier. "Rij veilig" is vaag.
- De Hulp van de FM: De stagiair kan je slordige aantekeningen lezen, tegenstrijdigheden opsporen en zelfs naar een schets of een video kijken om te begrijpen wat je bedoelt. Het kan een vage menselijke wens vertalen naar een duidelijke, technische checklist.
- Stop 2: Ontwerp & Modellering (De "Blauwdruk" fase)
- Het Probleem: Het tekenen van de blauwdruk voor een robot is moeilijk. Je moet wiskunde, natuurkunde en code combineren.
- De Hulp van de FM: De stagiair kan optreden als een co-piloot. Je zegt: "Ik heb een robotarm nodig die snel beweegt maar niet breekt," en het stelt de wiskunde en de structuur voor. Het kan ook helpen bij het bouwen van een Digital Twin (een virtuele kloon van de robot) om ideeën te testen voordat je het echte ding bouwt.
- Stop 3: Softwareontwikkeling (De "Coderings" fase)
- Het Probleem: Robots gebruiken vaak speciale, vreemde talen die standaard coderings-AI's niet goed kennen. Bovendien, als de code fout is, kan de robot crashen.
- De Hulp van de FM: De stagiair leert deze speciale talen. Het kan code schrijven die past bij de specifieke behoeften van de robot en helpt controleren of de code veilig is voordat deze wordt gebruikt.
- Stop 4: Testen (De "Stress Test" fase)
- Het Probleem: Je kunt een echte auto niet duizend keer laten crashen om te zien of hij werkt. Simuleren is moeilijk omdat de simulatie vaak "nep" aanvoelt vergeleken met de werkelijkheid.
- De Hulp van de FM: De stagiair kan duizenden krankzinnige, realistische testscenario's genereren (zoals een plotselinge regenbui of een voetganger die de weg oprent). Het kan ook optreden als een "rechter" om te beslissen of de robot de test heeft gehaald of niet, zelfs wanneer er geen duidelijk antwoordmodel is.
- Stop 5: Debugging & Reparatie (De "Fix-het" fase)
- Het Probleem: Wanneer een robot kapot gaat, is het moeilijk te weten of het de code, de sensor of de batterij is. Repareren is duur en traag.
- De Hulp van de FM: De stagiair bekijkt de foutlogs, de sensordata en de code tegelijkertijd om het exacte probleem aan te wijzen. Het kan zelfs een "patch" (een fix) voorstellen en voorspellen of die fix zal werken zonder dat er een miljoen dure tests nodig zijn.
- Stop 6: Evolutie (De "Opgroeien" fase)
- Het Probleem: Robots moeten hun software in de loop van de tijd kunnen updaten zonder dat er iets breekt.
- De Hulp van de FM: De stagiair helpt de robot "op te groeien". Het kan voorspellen of een nieuwe update tot een crash zal leiden, helpen de "Digital Twin" van de robot bij te werken om overeen te komen met de nieuwe versie, en zelfs de robot helpen zichzelf te genezen als het een probleem detecteert tijdens de uitvoering.
3. De Zes Grote Hindernissen (Overkoepelende Uitdagingen)
Zelfs met een superstagiair zijn er zes grote muren die we moeten beklimmen voordat dit werkelijkheid wordt:
- Technisch: De stagiair "hallucineert" soms (verzint dingen). We moeten de stagiair leren om "ik weet het niet" te zeggen in plaats van te gokken, vooral wanneer veiligheid in het spel is.
- Veiligheid & Certificering: Als een robot iemand doodt, wie is er dan verantwoordelijk? We hebben nieuwe regels nodig om te bewijzen dat het werk van de stagiair veilig genoeg is voor ziekenhuizen of auto's.
- Geld & Middelen: Deze superstagiairs zijn duur om te trainen en te draaien. We moeten ze kleiner en goedkoper maken zodat ze op de computer van een robot passen.
- Mensen & Teams: Ingenieurs kunnen de stagiair te veel vertrouwen en stoppen met het controleren van het werk. We moeten teams leren hoe ze met de stagiair moeten werken, in plaats van het gewoon alles te laten doen.
- Ethiek & Privacy: De stagiair kan leren van privédata of bevooroordeeld zijn. We moeten ervoor zorgen dat het geen geheimen steelt of onrechtvaardige beslissingen neemt.
- Milieu: Het trainen van deze enorme modellen verbruikt veel elektriciteit. We moeten ze energie-efficiënter maken zodat ze de planeet niet schaden.
Samenvatting
Dit artikel is een oproep tot actie. Het zegt: "We hebben deze geweldige AI-tools (Foundation Models). Momenteel gebruiken we ze alleen om tekst te schrijven. Maar voor het bouwen van robots en slimme machines (CPS), moeten we hun ogen, oren en hersenen samen gebruiken. Hier is een kaart van alle problemen die we moeten oplossen om dat mogelijk te maken."
Het is geen afgewerkt product; het is een gids voor de volgende generatie onderzoekers om de toekomst van slimme, veilige en geautomatiseerde machines te bouwen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.