ফেই-ফেই লি এবং ইউনঝু লি সম্প্রতি একটি a16z পডকাস্টে জানিয়েছেন যে, World Labs একটি “real-to-sim-to-real” পাইপলাইন চালু করছে যা রোবটদের কোনো বাস্তব মেঝেতে পা রাখার আগেই উচ্চ-নির্ভুলতা সম্পন্ন ডিজিটাল টুইন (digital twins)-এর মাধ্যমে স্থানিক কাজ (spatial tasks) শিখতে সাহায্য করে। এই পদ্ধতিটি রোবট প্রশিক্ষণের ডেটা সংগ্রহের খরচ এবং ঝুঁকি কমিয়ে দেয়, যা একটি বড় বাধা হিসেবে অনেক অটোমেশন প্রকল্পকে ল্যাবরেটরিতে আটকে রেখেছিল।
রোবটদের কেন শুধু ভাষার চেয়ে বেশি কিছু প্রয়োজন
লার্জ ল্যাঙ্গুয়েজ মডেলগুলো টেক্সটের জন্য পুরো ইন্টারনেট থেকে তথ্য সংগ্রহ করতে পারে, কিন্তু একটি রোবট কেবল ভিডিও দেখে যা দেখছে তা হুবহু নকল করতে পারে না। একটি গুদামঘর বা হোটেলের ঘর পরিষ্কার করার জন্য রোবটকে ত্রিমাত্রিক জ্যামিতি (three-dimensional geometry), উপরিভাগের বৈশিষ্ট্য (surface properties) এবং ধাক্কা দেওয়া, তোলা ও স্তূপ করার মতো পদার্থবিজ্ঞানের (physics) নিয়ম বুঝতে হবে। এগুলোই হলো “স্থানিক বুদ্ধিমত্তা” (spatial intelligence)-এর উপাদান, যা বাস্তব জগতে বড় পরিসরে সংগ্রহ করা কঠিন।
ডেটার প্রতিবন্ধকতা (The data bottleneck)
বাস্তব জগতের রোবট ডেটা সংগ্রহ করা ধীরগতিসম্পন্ন, ব্যয়বহুল এবং কখনও কখনও বিপজ্জনক। একটি ছোট দুর্ঘটনা হার্ডওয়্যারের ক্ষতি করতে পারে, উৎপাদন লাইন বন্ধ করে দিতে পারে বা এমনকি একজন মানব কর্মীকে আহত করতে পারে। এই কারণে, বেশিরভাগ রোবোটিক্স টিম ছোট এবং হাতে তৈরি ডেটাসেটের ওপর নির্ভর করে, যা দৈনন্দিন পরিবেশের বৈচিত্র্য তুলে ধরতে পারে না।
World Labs সমন্বিত ডিজিটাল বিশ্ব তৈরির মাধ্যমে এই প্রতিবন্ধকতা কাটিয়ে উঠছে। তাদের SceniX সিস্টেম একটি ভৌত স্থানকে এমন একটি সিমুলেশনে ম্যাপ করে যা জ্যামিতি (দেয়াল ও বস্তুর আকৃতি), চেহারা (টেক্সচার, রঙ, আলো) এবং পদার্থবিজ্ঞান (বস্তু নাড়ালে কীভাবে নড়াচড়া করে) বজায় রাখে। রোবটটি সেই ভার্চুয়াল কপিতে অনুশীলন করে এবং পরবর্তীতে সেই একই পলিসিগুলো বাস্তব পরিবেশে প্রয়োগ করা হয়।
ভিডিও মডেলগুলো যথেষ্ট নয়
কিছু গবেষক মনে করেন যে উচ্চ-রেজোলিউশনের ভিডিও জেনারেটরগুলো ভৌত সিমুলেশনের বিকল্প হিসেবে কাজ করতে পারে। সেই মডেলগুলো একটি রোবটের দৃষ্টিভঙ্গি থেকে বিশ্বাসযোগ্য ফ্রেম তৈরি করতে পারে, কিন্তু সেগুলোতে ধারাবাহিক পদার্থবিজ্ঞানের (consistent physics) অভাব রয়েছে। যদি একটি সিমুলেটেড ভিডিওতে দেখা যায় যে একটি ধাক্কা দেওয়ার পর কাপটি অদৃশ্য হয়ে গেল, তবে সেই ফুটেজ দেখে প্রশিক্ষিত একটি রোবট ভুল কার্যকারণ সম্পর্ক (cause-and-effect relationship) শিখে ফেলবে। World Labs-এর পাইপলাইন এমন বিশ্বের ওপর জোর দেয় যা সময়, স্থান এবং মিথস্ক্রিয়ার (interaction) মাধ্যমে সুসংগত থাকে, যা নিশ্চিত করে যে রোবটের “মাসল মেমরি” (muscle memory) বাস্তব জগতের পদার্থবিজ্ঞানের সাথে সামঞ্জস্যপূর্ণ।
আধা-কাঠামোগত স্থানকে লক্ষ্য করা (Targeting semi-structured spaces)
এই দলটি এমন কোনো হিউম্যানয়েড সহকারীর লক্ষ্য নিয়ে কাজ করছে না যারা আগামীকালই লিভিং রুমে ঘুরে বেড়াবে। পরিবর্তে, তারা আধা-কাঠামোগত পরিবেশের (semi-structured environments) ওপর মনোযোগ দিচ্ছে যেখানে লেআউট বা বিন্যাস যথেষ্ট অনুমানযোগ্য যাতে একটি ডিজিটাল টুইন নির্ভুল হতে পারে, আবার যথেষ্ট বৈচিত্র্যময় যাতে প্রকৃত স্থানিক যুক্তির (spatial reasoning) প্রয়োজন হয়। উদাহরণস্বরূপ:
- গুদামঘর যেখানে শেলফ এবং প্যালেটে পণ্য রাখা থাকে
- রেস্তোরাঁ যেখানে টেবিল, চেয়ার এবং চলাফেরা করা কর্মী থাকে
- হোটেল যেখানে করিডোর, রুম এবং সার্ভিস কার্ট থাকে
- শিল্প এলাকা যেখানে যন্ত্রপাতি, কনভেয়ার এবং সুরক্ষা ব্যারিয়ার থাকে
এগুলো এমন জায়গা যেখানে ব্যবসায়িক প্রতিষ্ঠানগুলো ইতিমধ্যেই অটোমেশনের জন্য অনুরোধ করছে। পডকাস্টে উদ্ধৃত একটি সাম্প্রতিক জরিপে দেখা গেছে যে, অনুরোধ করা রোবট কাজের এক-তৃতীয়াংশই হলো পরিষ্কার করা—যা একটি পুনরাবৃত্তিমূলক এবং অপ্রীতিকর কাজ যা মানুষ যন্ত্রের হাতে তুলে দিতে আগ্রহী।
সাফল্যের রূপরেখা (What success looks)
World Labs-এর রোডম্যাপ আগামী দুই বছরে নির্দিষ্ট শিল্পে এই পাইপলাইনটি প্রমাণ করার ওপর নির্ভর করছে। যদি একটি রোবট একটি সিমুলেটেড গুদামঘরে বারবার একটি প্যালেট সরাতে পারে এবং তারপর পুনরায় প্রশিক্ষণ ছাড়াই একটি বাস্তব কারখানায় একই কাজ করতে পারে, তবে মডেলটি প্রমাণ করবে যে “নির্ভরযোগ্য সিমুলেশন নির্ভরযোগ্য রোবট তৈরি করে।” এই নির্ভরযোগ্যতা বড় বড় চুক্তি নিশ্চিত করতে পারে এবং ডিজিটাল টুইন তৈরির প্রাথমিক বিনিয়োগকে যৌক্তিক করতে পারে।
পরবর্তীতে যা লক্ষ্য রাখতে হবে
- ইন্ডাস্ট্রি পাইলট (Industry pilots) – গুদামঘর বা হোটেলগুলোতে প্রথম কয়েকটি প্রয়োগ প্রকাশ করবে যে এই পাইপলাইনটি বাস্তব কর্মক্ষেত্রের জটিল পরিস্থিতিগুলো (messy edge cases) সামলাতে পারে কি না।
মূল ধারণাটি সহজ: রোবটদের মঞ্চে ওঠার আগে একটি নিখুঁত রিহার্সাল স্পেস বা মহড়া দেওয়ার জায়গা দেওয়া। যদি World Labs সেই মহড়াকে ধারাবাহিক পারফরম্যান্সে রূপান্তর করতে পারে, তবে রোবোটিক্সের সবচেয়ে কঠিন সমস্যা—যন্ত্রকে বাস্তব জগতের বুঝতে এবং কাজ করতে শেখানো—অবশেষে একটি ব্যবহারিক সমাধান পেতে পারে।