Fei-Fei Li और Yunzhu Li ने हाल ही में एक a16z पॉडकास्ट में बताया कि World Labs एक "real-to-sim-to-real" पाइपलाइन पेश कर रहा है जो रोबोट्स को किसी भौतिक फर्श को छूने से पहले ही हाई-फिडेलिटी डिजिटल ट्विन्स (digital twins) में स्थानिक कार्यों (spatial tasks) को सीखने की अनुमति देता है। यह दृष्टिकोण रोबोट ट्रेनिंग डेटा इकट्ठा करने की लागत और जोखिम को कम करता है, जो एक ऐसी बाधा रही है जिसने कई ऑटोमेशन प्रोजेक्ट्स को लैब तक ही सीमित रखा है।

रोबोट्स को भाषा से अधिक की आवश्यकता क्यों है

लार्ज लैंग्वेज मॉडल्स पूरे इंटरनेट से टेक्स्ट निकाल सकते हैं, लेकिन एक रोबोट केवल वीडियो देखकर और जो वह देखता है उसकी नकल करके काम नहीं कर सकता। किसी वेयरहाउस में चलने या होटल के कमरे की सफाई करने के लिए, एक रोबोट को थ्री-डायमेंशनल ज्योमेट्री (three-dimensional geometry), सतह के गुणों (surface properties), और धक्का देने, उठाने और स्टैकिंग (stacking) के भौतिक विज्ञान (physics) को समझना होगा। ये "स्थानिक बुद्धिमत्ता" (spatial intelligence) के घटक हैं, और वास्तविक दुनिया में इन्हें बड़े पैमाने पर कैप्चर करना कठिन है।

डेटा की बाधा

वास्तविक दुनिया का रोबोट डेटा इकट्ठा करना धीमा, महंगा और कभी-कभी खतरनाक होता है। एक छोटी सी दुर्घटना हार्डवेयर को नुकसान पहुँचा सकती है, प्रोडक्शन लाइन को रोक सकती है, या किसी मानव कर्मचारी को घायल भी कर सकती है। इस कारण, अधिकांश रोबोटिक्स टीमें छोटे, हाथ से तैयार किए गए डेटासेट पर निर्भर रहती हैं जो रोजमर्रा के वातावरण की विविधता को कवर नहीं करते हैं।

World Labs संरेखित डिजिटल दुनिया (aligned digital worlds) बनाकर इस बाधा को दूर करता है। उनका SceniX सिस्टम एक भौतिक स्थान को एक सिमुलेशन में मैप करता है जो ज्योमेट्री (दीवारों और वस्तुओं का आकार), दिखावट (टेक्सचर, रंग, लाइटिंग) और भौतिकी (धक्का देने पर वस्तुएं कैसे चलती हैं) को सुरक्षित रखता है। रोबोट उस वर्चुअल कॉपी में अभ्यास करता है, और फिर वही नीतियां (policies) वास्तविक सेटिंग में लागू हो जाती हैं।

वीडियो मॉडल पर्याप्त नहीं हैं

कुछ शोधकर्ताओं का तर्क है कि हाई-रिज़ॉल्यूशन वीडियो जनरेटर भौतिक सिमुलेशन का विकल्प बन सकते हैं। वे मॉडल रोबोट के दृष्टिकोण के विश्वसनीय फ्रेम तो बना सकते हैं, लेकिन उनमें निरंतर भौतिकी (consistent physics) की कमी होती है। यदि एक सिम्युलेटेड वीडियो में धक्का देने के बाद कप गायब हो जाता है, तो उस फुटेज पर प्रशिक्षित रोबोट गलत कार्य-कारण संबंध (cause-and-effect relationship) सीख जाएगा। World Labs की पाइपलाइन ऐसे संसारों पर जोर देती है जो समय, स्थान और इंटरेक्शन के दौरान सुसंगत (coherent) बने रहें, जिससे यह सुनिश्चित हो सके कि रोबोट की "मसल मेमोरी" (muscle memory) वास्तविक दुनिया की भौतिकी से मेल खाती है।

सेमी-स्ट्रक्चर्ड स्पेस को लक्षित करना

टीम का लक्ष्य कल ही लिविंग रूम में घूमने वाले ह्यूमनॉइड असिस्टेंट बनाना नहीं है। इसके बजाय, वे सेमी-स्ट्रक्चर्ड वातावरण पर ध्यान केंद्रित करते हैं जहाँ लेआउट इतना अनुमानित (predictable) हो कि डिजिटल ट्विन सटीक हो सके, फिर भी इतना विविध हो कि वास्तविक स्थानिक तर्क (spatial reasoning) की आवश्यकता हो। उदाहरणों में शामिल हैं:

  • वेयरहाउस जहाँ सामान शेल्फ और पैलेट पर रखा जाता है
  • रेस्तरां जहाँ टेबल, कुर्सियाँ और चलता-फिरता स्टाफ होता है
  • होटल जहाँ गलियारे, कमरे और सर्विस कार्ट होते हैं
  • औद्योगिक स्थल जहाँ मशीनरी, कन्वेयर और सुरक्षा घेरे होते हैं

ये वे स्थान हैं जहाँ व्यवसाय पहले से ही ऑटोमेशन की मांग कर रहे हैं। पॉडकास्ट में उद्धृत एक हालिया सर्वेक्षण में पाया गया कि अनुरोधित रोबोट कार्यों का एक-तिहाई हिस्सा सफाई से संबंधित है—बार-बार होने वाला, अप्रिय काम जिसे इंसान मशीनों को सौंपने के लिए उत्सुक हैं।

सफलता कैसी दिखेगी

World Labs का रोडमैप अगले दो वर्षों में विशिष्ट उद्योगों में इस पाइपलाइन को साबित करने पर टिका है। यदि एक रोबोट सिम्युलेटेड वेयरहाउस में बार-बार एक पैलेट को हिला सकता है और फिर बिना रीट्रेनिंग के वास्तविक सुविधा में भी वही कर सकता है, तो मॉडल ने यह प्रदर्शित कर दिया है कि "विश्वसनीय सिमुलेशन से विश्वसनीय रोबोट मिलते हैं।" यह विश्वसनीयता बड़े अनुबंधों को खोल सकती है और डिजिटल ट्विन निर्माण में किए गए अग्रिम निवेश को उचित ठहरा सकती है।

आगे क्या देखें

  • Industry pilots – वेयरहाउस या होटलों में पहले कुछ डिप्लॉयमेंट यह प्रकट करेंगे कि क्या पाइपलाइन उन जटिल स्थितियों (edge cases) को संभाल सकती है जो केवल शॉप फ्लोर पर ही दिखाई देती हैं।

मूल विचार सरल है: रोबोट्स को मंच पर कदम रखने से पहले एक आदर्श रिहर्सल स्पेस दें। यदि World Labs उस रिहर्सल को निरंतर प्रदर्शन में बदल सकता है, तो रोबोटिक्स की सबसे कठिन समस्या—मशीनों को भौतिक दुनिया को समझने और उसमें कार्य करने के लिए सिखाना—का अंततः एक व्यावहारिक समाधान मिल सकता है।