Xiaomi-Robotics-1 સાબિત કરે છે કે રોબોટિક્સમાં ડેટાનું પ્રમાણ મોડેલના કદ કરતાં વધુ અસરકારક છે

Xiaomi એ Xiaomi-Robotics-1 રજૂ કર્યું છે, જે એક ક્રાંતિકારી ફાઉન્ડેશન મોડેલ છે જે રોબોટિક તાલીમનું અભિગમ કમ્પ્યુટ પાવર વધારવાથી બદલીને વિશાળ ડેટા સ્કેલિંગ તરફ લઈ જાય છે. ડેટા સંગ્રહની એક અનોખી પદ્ધતિનો ઉપયોગ કરીને, આ મોડેલ અજાણ્યા વાતાવરણ અને જટિલ મેનીપ્યુલેશન કાર્યોમાં અભૂતપૂર્વ અનુકૂલનક્ષમતા દર્શાવે છે.

હેન્ડહેલ્ડ ગ્રિપર્સ દ્વારા ડેટા બોટલનેક (Data Bottleneck) તોડવું

રોબોટિક્સમાં મુખ્ય પડકાર હંમેશા "ડેટા બોટલનેક" રહ્યો છે—મોંઘા અને સ્થિર રોબોટિક આર્મ્સ વગર ઉચ્ચ ગુણવત્તાવાળા ઇન્ટરેક્શન ડેટાનું વિશાળ પ્રમાણ એકત્રિત કરવાની મુશ્કેલી. Xiaomi એ કેમેરાથી સજ્જ પોર્ટેબલ, હેન્ડહેલ્ડ ગ્રિપર્સનો ઉપયોગ કરીને આ સમસ્યાનો ઉકેલ લાવ્યો છે.

રોબોટ્સને પ્રોગ્રામ કરવાને બદલે, માનવ ઓપરેટરોએ રસોડા, ઓફિસ અને ફેક્ટરીઓ સહિત 1,700 થી વધુ વિવિધ વાતાવરણમાં મેનીપ્યુલેશન કાર્યો રેકોર્ડ કરવા માટે આ હેન્ડહેલ્ડ ઉપકરણોનો ઉપયોગ કર્યો. આ અભિગમથી આશ્ચર્યજનક રીતે 1,00,000 કલાકના મોશન રેકોર્ડિંગ્સ પ્રાપ્ત થયા. લેબલિંગની સમસ્યા ઉકેલવા માટે, Xiaomi એ દરેક મોશન સેગમેન્ટ માટે આપમેળે ટેક્સ્ટ વર્ણન જનરેટ કરવા માટે AI મોડેલનો ઉપયોગ કર્યો, જેનાથી માત્ર બે અઠવાડિયામાં સમગ્ર ડેટાસેટનું લેબલિંગ પૂર્ણ થયું.

સ્કેલિંગ લો (Scaling Law): કમ્પ્યુટ કરતાં ડેટા વધુ મહત્વનો

Xiaomi-Robotics-1 ના સંશોધનનું મુખ્ય ટેકનિકલ તારણ એ છે કે માત્ર મોડેલનું કદ અથવા કમ્પ્યુટ વધારવા કરતાં વધુ તાલીમ ડેટા આપવાથી કામગીરીમાં નોંધપાત્ર સુધારો થાય છે. જોકે મોટા મોડેલ્સ અનુમાનની ભૂલો ઘટાડે છે, પરંતુ તાલીમ ડેટાનું પ્રમાણ વધતા અજાણ્યા વાતાવરણમાં રોબોટનો સફળતા દર 25% થી વધીને 75% થઈ ગયો.

આ કમ્પ્યુટર વિઝનમાં જોવા મળતા ટ્રેન્ડ્સ જેવું જ છે, જ્યાં પેરામીટરની સંખ્યા વધારવા કરતાં ડેટા ઉમેરવાથી વધુ મૂલ્ય મળે છે. Xiaomi માટે, આનો અર્થ એ છે કે જનરલ પર્પઝ રોબોટ AI તરફનો માર્ગ માત્ર મોટા ન્યુરલ નેટવર્ક બનાવવાને બદલે ડેટાસેટ્સની વિવિધતા અને સ્કેલ પર આધારિત છે.

અજોડ અનુકૂલનક્ષમતા અને બેન્ચમાર્ક પરફોર્મન્સ

Xiaomi-Robotics-1 બોલાવેલા અથવા લખેલા કમાન્ડ્સનું પાલન કરવા અને ન્યૂનતમ ફાઇન-ટ્યુનિંગ સાથે નવા કાર્યોમાં અનુકૂલિત થવા માટે ડિઝાઇન કરવામાં આવ્યું છે. પરીક્ષણમાં, મોડેલને કપડાં લોડ કરવા, પ્રિન્ટરમાં કાગળ નાખવો અને સૂટકેસ પેક કરવા જેવા જટિલ કાર્યો સોંપવામાં આવ્યા હતા.

પરિણામો નિર્ણાયક હતા:

• ઝડપી અનુકૂલન: 10 કલાકથી પણ ઓછી ટાસ્ક-સ્પેસિફિક તાલીમ સાથે, મોડેલે 75% સફળતા દર હાંસલ કર્યો, જે સ્પર્ધક Physical Intelligence કરતા ઘણો ચઢિયાતો છે, જે માત્ર 40% સુધી પહોંચી શક્યું હતું.
• બેન્ચમાર્ક પર પ્રભુત્વ: મોડેલ RoboCasa365 લીડરબોર્ડમાં મોટા અંતરથી આગળ છે, ખાસ કરીને અદ્રશ્ય (unseen) સંયુક્ત કાર્યોમાં.
• RoboDojo પરફોર્મન્સ: Xiaomi-Robotics-1 એ RoboDojo બેન્ચમાર્ક પર રનર-અપ કરતા અંદાજે 58% વધુ સ્કોર કર્યો.

મોડેલે કાગળ જેવા નરમ અને વળ easily થઈ શકે તેવા (deformable) પદાર્થોને હેન્ડલ કરવામાં પણ ખાસ ક્ષમતા દર્શાવી—જે ઐતિહાસિક રીતે રિજિડ (rigid) રોબોટિક સિસ્ટમ્સ માટે મુશ્કેલ ક્ષેત્ર રહ્યું છે.

રોબોટિક્સ ઉદ્યોગ માટે એક નવી દિશા

Xiaomi નો અભિગમ અન્ય ઉદ્યોગના દિગ્ગજો સાથેના સંધિસ્તંભ પર છે. જ્યારે Nvidia સિન્થેટિક ડેટા જનરેશન દ્વારા રોબોટિક્સ ડેટા સમસ્યાને કમ્પ્યુટ સમસ્યામાં બદલવાનો પ્રયાસ કરી રહ્યું છે, અને BAAI નું Orca મોડેલ અનલેબલ કરેલા વીડિયોમાંથી શીખવાનો પ્રયાસ કરે છે, ત્યારે Xiaomi ઓટોમેટેડ, મોટા પાયે લેબલ કરેલા મોશન ડેટા પર વધુ ભાર મૂકી રહ્યું છે.

જેમ જેમ Xiaomi GitHub અને Hugging Face પર મોડેલ અને કોડ રિલીઝ કરવાની તૈયારી કરી રહ્યું છે, તેમ ઉદ્યોગ તેને ઝીણવટપૂર્વક જોઈ રહ્યો છે. આ વિકાસ સૂચવે છે કે રોબોટિક્સનું આગામી ક્ષેત્ર સૌથી શક્તિશાળી ચિપ્સ ધરાવનારાઓ દ્વારા નહીં, પરંતુ સૌથી વૈવિધ્યસભર અને સારી રીતે લેબલ કરેલા મોશન ડેટાસેટ્સ ધરાવનારાઓ દ્વારા જીતવામાં આવશે.

મુખ્ય તારણો

• ડેટા-કેન્દ્રી સ્કેલિંગ: મોડેલનું કદ અથવા કમ્પ્યુટ વધારવા કરતાં તાલીમ ડેટાનું પ્રમાણ વધારવું રોબોટિક સફળતાના દરમાં વધુ અસરકારક સાબિત થયું.
• નવીન સંગ્રહ પદ્ધતિ: હેન્ડહેલ્ડ ગ્રિપર્સ દ્વારા Xiaomi એ સમર્પિત રોબોટ્સની જરૂરિયાત વિના 1,700 વાતાવરણમાં 1,00,000 કલાકનો મોશન ડેટા એકત્રિત કર્યો.
• ઉચ્ચ જનરલાઇઝેશન: મોડેલ 10 કલાકથી પણ ઓછી વધારાની તાલીમ સાથે નવા કાર્યો પર 75% સફળતા દર હાંસલ કરી શકે છે.