ডিজিটাল-অনলি AI-এর যুগ বিবর্তিত হচ্ছে কারণ স্টার্টআপগুলো সফটওয়্যার বুদ্ধিমত্তা এবং শারীরিক কার্যকারিতার মধ্যে ব্যবধান ঘোচানোর চেষ্টা করছে। Meta AI-এর প্রাক্তন গবেষকদের দ্বারা প্রতিষ্ঠিত নতুন উদ্যোগ Perceptron, ফ্রন্টিয়ার ভিশন মডেল তৈরির মাধ্যমে এই অগ্রযাত্রার নেতৃত্ব দিচ্ছে, যা মেশিনকে বাস্তব জগতের সাথে চলাফেরা এবং মিথস্ক্রিয়া করতে সাহায্য করার জন্য ডিজাইন করা হয়েছে।

বাইনারি ভেঙে ফেলা: জেনারেলিস্ট বনাম ন্যারো মডেল

বছরের পর বছর ধরে, ইন্ডাস্ট্রিয়াল অটোমেশন একটি প্রযুক্তিগত অচলাবস্থায় আটকে আছে। ডেভেলপারদের সাধারণত বিশাল, জেনারেলিস্ট ফাউন্ডেশন মডেল (যেগুলোর প্রতিটি ইনস্ট্যান্সের জন্য ব্যয়বহুল, ডেডিকেটেড ক্লাউড GPU প্রয়োজন) অথবা ন্যারো, বিশেষায়িত মডেলের (যা পারসেপশন বা কন্ট্রোল সামলাতে পারে, কিন্তু উভয়ই করতে পারে না) মধ্যে একটি বেছে নিতে হতো।

Perceptron-এর কো-ফাউন্ডার Armen Aghajanyan এবং Akshat Shrivastava—উভয়ই Meta-র Fundamental AI Research (FAIR) বিভাগের প্রাক্তন সদস্য—তাদের নতুন মডেল Isaac 0.5-এর মাধ্যমে এটি সমাধান করার চেষ্টা করছেন। একক, পুনরাবৃত্তিমূলক কাজের জন্য ডিজাইন করা বিদ্যমান সফটওয়্যারের বিপরীতে, Isaac 0.5 একটি জেনারেল-পারপাস মডেল। এটি রোবটদের "perceive, reason, and act" বা "উপলব্ধি করা, যুক্তি দেওয়া এবং কাজ করা"-র ক্ষমতা প্রদান করে, যা তাদের একটি নির্দিষ্ট মুভমেন্টের জন্য হার্ড-কোড না হয়ে বিভিন্ন পরিবেশের সাথে খাপ খাইয়ে নিতে সাহায্য করে।

ফিজিক্যাল ইন্টেলিজেন্সের মেকানিক্স

Perceptron-এর পদ্ধতির জটিলতা বুঝতে হলে একটি সাধারণ ওয়্যারহাউস টাস্ক বা গুদামঘরের কাজের দিকে তাকাতে হবে, যেমন প্যাকেজ বাছাই করা। একটি রোবট কেবল "একটি বক্স তুলে নিতে" পারে না; তাকে প্রথমে লেবেল পড়তে হবে, তার চারপাশ ম্যাপ করার জন্য স্পেশাল অ্যানালাইসিস করতে হবে, একটি সর্বোত্তম পিকিং অর্ডার নির্ধারণ করতে হবে এবং তার শারীরিক ট্র্যাজেক্টরি বা গতিপথ পরিকল্পনা করতে হবে।

Isaac 0.5 এই ধরণের মাল্টি-স্টেপ কগনিটিভ প্রসেস বা বহুমুখী জ্ঞানীয় প্রক্রিয়াগুলি পরিচালনা করার জন্য ডিজাইন করা হয়েছে। মডেলটিকে বিশাল পরিসরে প্রশিক্ষণ দেওয়া হয়েছে, যেখানে বিভিন্ন পরিবেশ এবং পরিস্থিতি শনাক্ত করার জন্য দশ লক্ষ ঘণ্টার সাধারণ ভিডিও ডেটা ব্যবহার করা হয়েছে। শারীরিক দক্ষতা অর্জনের জন্য, কোম্পানিটি "ego video" (পরিধানযোগ্য ক্যামেরার ফার্স্ট-পারসন ভিউ) এবং UMI ভিডিও (মানুষের পুনরাবৃত্তিমূলক কাজের রেকর্ডিং) ব্যবহার করেছে যাতে AI শিখতে পারে কীভাবে মুভমেন্ট বা নড়াচড়া একটি কাজ সম্পন্ন করার সাথে সম্পর্কিত। Shrivastava উল্লেখ করেছেন যে, এই ধরণের "algorithmic alchemy" অর্জনের জন্য কোম্পানিটি ইমেজ, টেক্সট, ভিডিও এবং রোবোটিক ট্র্যাজেক্টরি সম্বলিত পেটাবাইট-স্কেল ডেটাসেট তৈরি করেছে।

ওপেন-ওয়েট কৌশল এবং বাজার সম্প্রসারণ

স্বচ্ছতা এবং ডেভেলপারদের গ্রহণ করার প্রবণতাকে উৎসাহিত করতে, Perceptron তাদের Isaac 0.5 একটি ওপেন-ওয়েট মডেল হিসেবে প্রকাশ করছে। এটি গবেষক এবং ইঞ্জিনিয়ারদের এর প্যারামিটার এবং ট্রেনিং ম্যাটেরিয়াল পরীক্ষা করার সুযোগ দেয়, যা উচ্চ-ঝুঁকিপূর্ণ ইন্ডাস্ট্রিয়াল পরিবেশে AI ইন্টিগ্রেট করার জন্য একটি গুরুত্বপূর্ণ পদক্ষেপ, যেখানে পূর্বাভাসযোগ্যতা অত্যন্ত জরুরি।

Bessemer Venture Partners-এর নেতৃত্বে পরিচালিত ২১ মিলিয়ন ডলারের ফান্ডিং রাউন্ডের মাধ্যমে সমর্থিত, Perceptron নিজেকে বিভিন্ন সেক্টরের জন্য একটি ইন্টেলিজেন্স লেয়ার হিসেবে প্রতিষ্ঠিত করছে। যদিও প্রাথমিক ফোকাস লজিস্টিকস এবং ম্যানুফ্যাকচারিংয়ের ওপর, কোম্পানিটি নিরাপত্তা, মোবিলিটি এবং এমনকি মিডিয়া ও বিনোদনের ক্ষেত্রেও এর তাৎক্ষণিক প্রয়োগ দেখতে পাচ্ছে। একটি নমনীয় ইন্টেলিজেন্স লেয়ার প্রদানের মাধ্যমে, Perceptron বিশ্বব্যাপী শিল্পক্ষেত্রে ভিশন-গাইডেড রোবটগুলোর কার্যপদ্ধতি বদলে দিতে চায়।

মূল বিষয়সমূহ

  • ব্যবধান ঘোচানো: Isaac 0.5 একটি জেনারেল-পারপাস "perceive, reason, and act" ফ্রেমওয়ার্ক অফার করার মাধ্যমে রিসোর্স-ভারী জেনারেলিস্ট মডেল এবং সীমিত ন্যারো মডেলের মধ্যে বেছে নেওয়ার বাধ্যবাধকতা দূর করতে চায়।
  • বিশাল প্রশিক্ষণ স্কেল: রোবটদের জটিল স্পেশাল এবং ম্যানুয়াল কাজ শেখানোর জন্য মডেলটি ইগো-সেন্ট্রিক এবং UMI ভিডিওসহ দশ লক্ষ ঘণ্টার ভিডিও ডেটা ব্যবহার করে।
  • ওপেন-ওয়েট অ্যাক্সেসিবিলিটি: Isaac 0.5 ওপেন ওয়েট হিসেবে প্রকাশ করার মাধ্যমে, Perceptron ইন্ডাস্ট্রিয়াল ওয়ার্কফ্লোতে ফ্রন্টিয়ার ভিশন AI-এর গভীরতর পরিদর্শন এবং দ্রুত ইন্টিগ্রেশন সম্ভব করে তোলে।

Perceptron তাদের Isaac 0.5 উন্মোচন করেছে, যা একটি ওপেন-ওয়েট ভিশন মডেল এবং এটি রোবটদের একটি ইউনিফাইড “perceive-reason-act” মস্তিষ্ক দেওয়ার প্রতিশ্রুতি দেয়। স্টার্টআপটি Bessemer Venture Partners-এর নেতৃত্বে ২১ মিলিয়ন ডলার সংগ্রহ করেছে এবং লজিস্টিকস, ম্যানুফ্যাকচারিং এবং অন্যান্য ফিজিক্যাল-অটোমেশন মার্কেটের জন্য একটি ড্রপ-ইন ইন্টেলিজেন্স লেয়ার হিসেবে এই মডেলটিকে উপস্থাপন করছে।

কেন এই লঞ্চটি গুরুত্বপূর্ণ

ইন্ডাস্ট্রিয়াল রোবটগুলোকে দীর্ঘকাল ধরে একটি আপস বা ট্রেড-অফের মধ্যে থাকতে হয়েছে। একটি বিশাল, জেনারেল-পারপাস ফাউন্ডেশন মডেল ব্যবহার করলে আপনাকে ক্রমাগত ক্লাউড GPU অ্যাক্সেসের জন্য খরচ করতে হবে; আবার একটি ন্যারো, টাস্ক-স্পেসিফিক ভিশন সিস্টেম ব্যবহার করলে পরিবেশ পরিবর্তনের সাথে সাথে আপনি নমনীয়তা হারাবেন। Isaac 0.5-কে একটি মধ্যপন্থা হিসেবে বাজারজাত করা হচ্ছে—এমন একটি মডেল যা প্রতি-ইনস্ট্যান্স ক্লাউড কম্পিউটিংয়ের প্রয়োজন ছাড়াই পারসেপশন, প্ল্যানিং এবং কন্ট্রোল সামলাতে পারে।

আজকের রোবট মস্তিষ্কের সমস্যা

একটি সাধারণ ওয়্যারহাউস রোবট কেবল একটি বক্স ধরার কাজই করে না। একে একটি লেবেল পড়তে হয়, বিশৃঙ্খলার মধ্যে বস্তুটিকে খুঁজে বের করতে হয়, সেরা পিকিং সিকোয়েন্স (picking sequence) নির্ধারণ করতে হয় এবং সংঘর্ষ-মুক্ত আর্ম ট্র্যাজেক্টরি (arm trajectory) গণনা করতে হয়—তাও রিয়েল টাইমে। বিদ্যমান সমাধানগুলো সাধারণত এই ধাপগুলোকে আলাদা আলাদা সফটওয়্যার উপাদানে বিভক্ত করে: লেবেলের জন্য একটি লাইটওয়েট ডিটেক্টর, মোশনের জন্য একটি হ্যান্ডক্রাফটেড প্ল্যানার এবং এক্সিকিউশনের জন্য একটি রুল-বেসড কন্ট্রোলার। এই বিভাজন ইন্টিগ্রেশন ওভারহেড তৈরি করে এবং নতুন কোনো পণ্য, প্যাকেজিং স্টাইল বা লেআউট আসার ক্ষেত্রে রোবটের খাপ খাইয়ে নেওয়ার ক্ষমতাকে সীমিত করে দেয়।

যেভাবে Isaac 0.5 এই ব্যবধান ঘুচানোর চেষ্টা করছে

Perceptron-এর সহ-প্রতিষ্ঠাতা, Armen Aghajanyan এবং Akshat Shrivastava, উভয়ই প্রাক্তন Meta FAIR গবেষক, Isaac 0.5-কে একটি একক, এন্ড-টু-এন্ড (end-to-end) নেটওয়ার্ক হিসেবে তৈরি করেছেন। মডেলটিকে প্রায় দশ লক্ষ ঘণ্টার সাধারণ ভিডিও ডেটার ওপর প্রশিক্ষণ দেওয়া হয়েছে, যা বিভিন্ন ধরণের ইনডোর এবং আউটডোর দৃশ্য কভার করে। গুরুত্বপূর্ণভাবে, ট্রেনিং সেটে "ego video" – পরিধানযোগ্য ক্যামেরা থেকে ধারণ করা ফার্স্ট-পারসন ফুটেজ – এবং "UMI video," যা মানুষের পুনরাবৃত্তিমূলক কাজের রেকর্ডিং – অন্তর্ভুক্ত রয়েছে। রোবট-ট্র্যাজেক্টরি ডেটার সাথে ভিজ্যুয়াল স্ট্রিম নেটওয়ার্কে ইনপুট দেওয়ার মাধ্যমে, Perceptron দাবি করছে যে মডেলটি শিখে নেয় কীভাবে ভিজ্যুয়াল কিউ (visual cues) ভৌত মোশনে রূপান্তরিত হয়।

কোম্পানিটি বলছে যে তাদের ডেটাসেট পেটাবাইট স্কেলের ছবি, টেক্সট, ভিডিও এবং রোবোটিক ট্র্যাজেক্টরি জুড়ে বিস্তৃত। এই ব্যাপকতা Isaac 0.5-কে একটি আলাদা কন্ট্রোল মডিউল ছাড়াই নতুন কোনো বস্তু শনাক্ত করা, এর অ্যাফোর্ডেন্স (affordances - এটি কীভাবে ধরা যেতে পারে) অনুমান করা এবং একটি মোশন প্ল্যান তৈরি করার ক্ষমতা দেওয়ার জন্য ডিজাইন করা হয়েছে।

ওপেন-ওয়েট মডেল: স্বচ্ছতা ও ব্যবহারিকতার মেলবন্ধন

বেশিরভাগ বাণিজ্যিক AI অফারের মতো যা কেবল একটি API প্রদান করে, Perceptron Isaac 0.5-কে ওপেন ওয়েট (open weights) সহ প্রকাশ করছে। ইঞ্জিনিয়াররা প্যারামিটারগুলো পরীক্ষা করতে পারেন, নিজস্ব ডেটার ওপর নেটওয়ার্কটিকে ফাইন-টিউন করতে পারেন, অথবা সরাসরি এজ হার্ডওয়্যারে (edge hardware) মডেলটি এমবেড করতে পারেন।