২০২৪ সালে প্রতিষ্ঠিত রোবোটিক্স স্টার্টআপ Generalist একটি নতুন ফান্ডিং রাউন্ডের ঘোষণা দিয়েছে, যা প্রায় ২০০ মিলিয়ন ডলার সংগ্রহের পর এর ভ্যালুয়েশন ৩ বিলিয়ন ডলারে উন্নীত করেছে। 8VC-এর নেতৃত্বে এই মূলধন বৃদ্ধি সিরিজ বি (Series B) তহবিলের মোট পরিমাণ ৬০০ মিলিয়ন ডলারে নিয়ে এসেছে এবং এটি ইঙ্গিত দেয় যে বিনিয়োগকারীরা এমন রোবটের একটি দ্রুত নিকটবর্তী পথ দেখছেন যা মাত্র কয়েক সেকেন্ডের ভিডিও দেখে নতুন কাজ শিখতে পারে।

তহবিলের জোয়ার এবং বিনিয়োগকারীদের তালিকা

রেগুলেটরি ফাইলিং থেকে দেখা যায় যে, এই ২০০ মিলিয়ন ডলারের ইনজেকশনটি সেই Series B রাউন্ডকে আরও বিস্তৃত করেছে যা জুন মাসে Radical Ventures-এর নেতৃত্বে ৪০০ মিলিয়ন ডলারের একটি রাউন্ডের মাধ্যমে শুরু হয়েছিল। এই রাউন্ডটি Generalist-এর বিনিয়োগকারী তালিকায় Nvidia, Union Square Ventures, Bezos Expeditions এবং AI বিশেষজ্ঞ Fei-Fei Li-এর মতো প্রভাবশালী নামগুলোকে যুক্ত করেছে। তাদের অংশগ্রহণ এই বিশ্বাসকে আরও জোরালো করে যে, অনেকগুলো রোবট প্ল্যাটফর্মের জন্য একটি একক AI “brain” বা মস্তিষ্ক কারখানা, গুদাম এবং পরিষেবা ক্ষেত্রগুলোতে অটোমেশনের একটি নতুন ঢেউ আনতে পারে।

Gen 1.5: অতি-সংক্ষিপ্ত ডেমো থেকে শেখা

Generalist-এর সবচেয়ে আলোচিত সাফল্য হলো এর Gen 1.5 ফাউন্ডেশন মডেল। প্রতিটি মুভমেন্ট বা গতিবিধি হাতে তৈরি করার পরিবর্তে, এই মডেলটি একটি রোবটকে একটি ভিডিও ক্লিপ—যা প্রায়শই মাত্র তিন থেকে বারো সেকেন্ডের হয়—দেখতে দেয় এবং তারপর প্রদর্শিত কাজটি পুনরাবৃত্তি করতে সাহায্য করে। এই পদ্ধতিটি ইমিটেশন লার্নিং (imitation learning)-এর ওপর ভিত্তি করে তৈরি: AI ভিজ্যুয়াল ইনপুট থেকে মোশন কিউ (motion cues), অবজেক্ট ইন্টারঅ্যাকশন এবং টাইমিং সংগ্রহ করে এবং সেগুলোকে রোবটের অ্যাকচুয়েটরগুলোর (actuators) জন্য কন্ট্রোল কমান্ডে রূপান্তরিত করে। তাত্ত্বিকভাবে, একটি রোবট কেবল ছোট ছোট রেকর্ডিং দেখার মাধ্যমে প্রতি সপ্তাহে ডজন ডজন নতুন দক্ষতা অর্জন করতে পারে, যা পরিবর্তনশীল পরিবেশে অটোমেশন স্থাপনের জন্য প্রয়োজনীয় সময় এবং দক্ষতার প্রয়োজনকে ব্যাপকভাবে হ্রাস করে।

বিনিয়োগকারীরা যে “ChatGPT moment”-এর সন্ধানে আছেন

Generalist সেই প্রতিযোগিতামূলক দৌড়ে অংশ নিচ্ছে যেখানে হার্ডওয়্যারে এমন একটি যুগান্তকারী পরিবর্তন আনার চেষ্টা করা হচ্ছে যা লার্জ ল্যাঙ্গুয়েজ মডেলগুলো সফটওয়্যারে এনেছিল। Physical Intelligence এবং SoftBank-এর সহায়তায় পরিচালিত Skild AI-এর মতো প্রতিদ্বন্দ্বীরা ইতিমধ্যেই ডাবল-ডিজিট বিলিয়ন ভ্যালুয়েশন অর্জন করেছে, যা রোবোটিক্সের জন্য একটি বৃহত্তর “ChatGPT moment”-এর ধারণাটিকে আরও শক্তিশালী করছে। এর মূল ধারণাটি সহজ: একটি বহুমুখী, প্রি-ট্রেইনড মডেল যা সামান্য ডেটা দিয়ে ফাইন-টিউন করা সম্ভব, তা কোম্পানিগুলোকে একদম শুরু থেকে কন্ট্রোল স্ট্যাক তৈরি না করেই রোবোটিক সক্ষমতা যুক্ত করতে সাহায্য করতে পারে।

ফিজিক্যাল ডেটা বা ভৌত তথ্যের সীমাবদ্ধতা এবং সংশয়বাদী কণ্ঠস্বর

এই উত্তেজনা একটি বাস্তব বাধার সম্মুখীন হচ্ছে। লার্জ ল্যাঙ্গুয়েজ মডেলগুলো ইন্টারনেটের অগণিত টেক্সট বা লেখার ওপর ভিত্তি করে বিকশিত হয়, কিন্তু রোবটদের ট্রেনিং ডেটা তৈরির জন্য ভৌত বা ফিজিক্যাল ইন্টারঅ্যাকশন প্রয়োজন। সেন্সরগুলোকে বল (force), স্পর্শ (contact) এবং 3-D জ্যামিতি ক্যাপচার করতে হয় এবং প্রতিটি নতুন পরিস্থিতির জন্য নতুন ডেটা সংগ্রহের প্রয়োজন হতে পারে। কিছু বিশেষজ্ঞ সতর্ক করেছেন যে, উচ্চ-মানের এবং বৈচিত্র্যময় ফিজিক্যাল ডেটাসেটের অভাব সত্যিকারের সার্বজনীন রোবট বুদ্ধিমত্তাকে বাণিজ্যিক ব্যবহারের উপযোগী হতে আরও কয়েক বছর দূরে রাখতে পারে। বাস্তব জগতের প্রদর্শনী বা ডেমোস্ট্রেশনের একটি নিরবচ্ছিন্ন প্রবাহ ছাড়া, Gen 1.5-এর মতো একটি নমনীয় মডেলও তার দেখা পরিবেশের বাইরে কাজ করতে হিমশিম খেতে পারে।

পরবর্তীতে যা লক্ষ্য রাখতে হবে

  • ডেপ্লয়মেন্ট ট্রায়াল: Generalist-এর পরবর্তী পাবলিক টেস্ট বেড—তা লজিস্টিক সেন্টার হোক বা ম্যানুফ্যাকচারিং লাইন—তা প্রকাশ করবে যে Gen 1.5 ল্যাব ডেমো থেকে কোলাহলপূর্ণ এবং অনিশ্চিত পরিবেশে কতটা কার্যকরভাবে কাজ করতে পারে।
  • ডেটা পাইপলাইন উন্নয়ন: স্বয়ংক্রিয় ডেটা ক্যাপচার (যেমন, মডেলকে ডেটা সরবরাহ করার জন্য ক্যামেরার বহর) এর অগ্রগতি ফিজিক্যাল-ডেটা বা ভৌত তথ্যের সীমাবদ্ধতা কমাতে পারে।
  • প্রতিযোগিতামূলক পদক্ষেপ: প্রতিদ্বন্দ্বীদের ফান্ডিং রাউন্ড এবং অংশীদারিত্বের ঘোষণাগুলো অনুসরণ করুন, কারণ প্রথম ব্যাপকভাবে গ্রহণযোগ্য রোবট ফাউন্ডেশন মডেলের জন্য এই প্রতিযোগিতাটি এখনও প্রাথমিক পর্যায়ে রয়েছে।

সারকথা: Generalist-এর ৩ বিলিয়ন ডলারের ভ্যালুয়েশন এই জোরালো বিশ্বাসকে প্রতিফলিত করে যে একটি একক AI মডেল রোবটগুলোকে আজকের চ্যাটবটগুলোর মতোই অভিযোজনযোগ্য করে তুলতে পারে, তবে এই পথটি নির্ভর করছে সংক্ষিপ্ত ভিডিও ক্লিপগুলোকে নির্ভরযোগ্য এবং বাস্তব জগতের মোশনে রূপান্তরিত করার ওপর—এটি একটি প্রকৌশলগত চ্যালেঞ্জ যা নির্ধারণ করবে এই প্রতিশ্রুতিটি দৈনন্দিন অটোমেশনে রূপান্তরিত হবে কি না।