Xiaomi-Robotics-1 ರೊಬೊಟಿಕ್ಸ್‌ನಲ್ಲಿ ಮಾಡೆಲ್ ಗಾತ್ರಕ್ಕಿಂತ ಡೇಟಾ ಪ್ರಮಾಣವೇ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸಾಬೀತುಪಡಿಸಿದೆ

Xiaomi ತನ್ನ Xiaomi-Robotics-1 ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ. ಇದು ರೊಬೊಟಿಕ್ ತರಬೇತಿಯ ಮಾದರಿಯನ್ನು (paradigm) ಕಂಪ್ಯೂಟ್ ಪವರ್ ಹೆಚ್ಚಿಸುವುದರಿಂದ ಬೃಹತ್ ಡೇಟಾ ಸ್ಕೇಲಿಂಗ್‌ಗೆ ಬದಲಾಯಿಸುವ ಒಂದು ಕ್ರಾಂತಿಕಾರಿ ಫೌಂಡೇಶನ್ ಮಾಡೆಲ್ ಆಗಿದೆ. ವಿಶಿಷ್ಟವಾದ ಡೇಟಾ ಸಂಗ್ರಹಣಾ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಳ್ಳುವ ಮೂಲಕ, ಈ ಮಾಡೆಲ್ ಅಪರಿಚಿತ ಪರಿಸರಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಮ್ಯಾನಿಪ್ಯುಲೇಶನ್ ಕಾರ್ಯಗಳಲ್ಲಿ ಅಭೂತಪೂರ್ವ ಹೊಂದಾಣಿಕೆಯನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.

ಹ್ಯಾಂಡ್‌ಹೆಲ್ಡ್ ಗ್ರಿಪ್ಪರ್‌ಗಳ ಮೂಲಕ ಡೇಟಾ ಬಾಟಲ್‌ನೆಕ್ ಅನ್ನು ಮುರಿಯುವುದು

ರೊಬೊಟಿಕ್ಸ್‌ನಲ್ಲಿನ ಪ್ರಮುಖ ಸವಾಲು ಯಾವಾಗಲೂ "ಡೇಟಾ ಬಾಟಲ್‌ನೆಕ್" ಆಗಿರುತ್ತದೆ—ಅಂದರೆ ದುಬಾರಿ ಮತ್ತು ಸ್ಥಿರವಾದ ರೊಬೋಟ್ ಆರ್ಮ್‌ಗಳಿಲ್ಲದೆ ಹೆಚ್ಚಿನ ಪ್ರಮಾಣದ ಗುಣಮಟ್ಟದ ಇಂಟರಾಕ್ಷನ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಕಷ್ಟ. ಕ್ಯಾಮೆರಾಗಳನ್ನು ಹೊಂದಿರುವ ಪೋರ್ಟಬಲ್, ಹ್ಯಾಂಡ್‌ಹೆಲ್ಡ್ ಗ್ರಿಪ್ಪರ್‌ಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ Xiaomi ಇದನ್ನು ಬದಿಗೆ ಸರಿಸಿದೆ.

ರೊಬೋಟ್‌ಗಳನ್ನು ಪ್ರೋಗ್ರಾಂ ಮಾಡುವ ಬದಲು, ಮಾನವ ನಿರ್ವಾಹಕರು ಅಡುಗೆಮನೆಗಳು, ಕಚೇರಿಗಳು ಮತ್ತು ಕಾರ್ಖಾನೆಗಳು ಸೇರಿದಂತೆ 1,700 ಕ್ಕೂ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಪರಿಸರಗಳಲ್ಲಿ ಮ್ಯಾನಿಪ್ಯುಲೇಶನ್ ಕಾರ್ಯಗಳನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಲು ಈ ಹ್ಯಾಂಡ್‌ಹೆಲ್ಡ್ ಸಾಧನಗಳನ್ನು ಬಳಸಿದರು. ಈ ವಿಧಾನವು 1,00,000 ಗಂಟೆಗಳಷ್ಟು ಅಗಾಧವಾದ ಮೋಷನ್ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳನ್ನು ನೀಡಿತು. ಲೇಬಲಿಂಗ್ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು, Xiaomi ಪ್ರತಿ ಮೋಷನ್ ಸೆಗ್ಮೆಂಟ್‌ಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪಠ್ಯ ವಿವರಣೆಗಳನ್ನು ರಚಿಸಲು AI ಮಾಡೆಲ್ ಅನ್ನು ಬಳಸಿತು, ಇದರಿಂದ ಕೇವಲ ಎರಡು ವಾರಗಳಲ್ಲಿ ಇಡೀ ಡೇಟಾಸೆಟ್‌ನ ಲೇಬಲಿಂಗ್ ಪೂರ್ಣಗೊಂಡಿತು.

ಸ್ಕೇಲಿಂಗ್ ಲಾ: ಕಂಪ್ಯೂಟ್ ಗಿಂತ ಡೇಟಾ ಮುಖ್ಯ

Xiaomi-Robotics-1 ಸಂಶೋಧನೆಯ ಪ್ರಮುಖ ತಾಂತ್ರಿಕ ಒಳನೋಟವೆಂದರೆ, ಕೇವಲ ಮಾಡೆಲ್ ಗಾತ್ರ ಅಥವಾ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ತರಬೇತಿ ಡೇಟಾವು ಗಮನಾರ್ಹವಾದ ಕಾರ್ಯಕ್ಷಮತೆಯ ಲಾಭವನ್ನು ನೀಡುತ್ತದೆ ಎಂಬುದು. ದೊಡ್ಡ ಮಾಡೆಲ್‌ಗಳು ಮುನ್ಸೂಚನೆ ತಪ್ಪುಗಳನ್ನು (prediction errors) ಕಡಿಮೆ ಮಾಡಿದರೂ ಸಹ, ತರಬೇತಿ ಡೇಟಾದ ಪ್ರಮಾಣ ಹೆಚ್ಚಾದಂತೆ ಅಪರಿಚಿತ ಪರಿಸರಗಳಲ್ಲಿ ರೊಬೋಟ್‌ನ ಯಶಸ್ಸಿನ ದರವು 25% ರಿಂದ 75% ಕ್ಕೆ ಏರಿತು.

ಇದು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್‌ನಲ್ಲಿ ಕಂಡುಬರುವ ಪ್ರವೃತ್ತಿಯನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ಯಾರಾಮೀಟರ್ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುವುದಕ್ಕಿಂತ ಡೇಟಾವನ್ನು ಸೇರಿಸುವುದು ಹೆಚ್ಚು ಮೌಲ್ಯವನ್ನು ನೀಡುತ್ತದೆ. Xiaomi ಗೆ, ಇದರರ್ಥ ಜನರಲ್ ಪರ್ಪಸ್ ರೊಬೋಟ್ AI (General Purpose Robot AI) ಕಡೆಗಿನ ಹಾದಿಯು ಕೇವಲ ದೊಡ್ಡ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುವುದರಲ್ಲಿಲ್ಲ, ಬದಲಾಗಿ ಡೇಟಾಸೆಟ್‌ಗಳ ವೈವಿಧ್ಯತೆ ಮತ್ತು ಸ್ಕೇಲ್‌ನಲ್ಲಿ ಅಡಗಿದೆ.

ಅಪ್ರತಿಮ ಹೊಂದಾಣಿಕೆ ಮತ್ತು ಬೆಂಚ್‌ಮಾರ್ಕ್ ಕಾರ್ಯಕ್ಷಮತೆ

Xiaomi-Robotics-1 ಅನ್ನು ಹೇಳಿದ ಅಥವಾ ಬರೆದ ಆದೇಶಗಳನ್ನು ಅನುಸರಿಸಲು ಮತ್ತು ಕನಿಷ್ಠ ಫೈನ್-ಟ್ಯೂನಿಂಗ್‌ನೊಂದಿಗೆ ಹೊಸ ಕಾರ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಈ ಮಾಡೆಲ್‌ಗೆ ಬಟ್ಟೆಗಳನ್ನು ಲೋಡ್ ಮಾಡುವುದು, ಪ್ರಿಂಟರ್‌ಗೆ ಪೇಪರ್ ಹಾಕುವುದು ಮತ್ತು ಸೂಟ್‌ಕೇಸ್‌ಗಳನ್ನು ಪ್ಯಾಕ್ ಮಾಡುವುದು ಅಂತಹ ಸಂಕೀರ್ಣ ಕಾರ್ಯಗಳನ್ನು ನೀಡಲಾಗಿತ್ತು.

ಫಲಿತಾಂಶಗಳು ಸ್ಪಷ್ಟವಾಗಿದ್ದವು:

• ವೇಗದ ಹೊಂದಾಣಿಕೆ: 10 ಗಂಟೆಗಳಿಗಿಂತ ಕಡಿಮೆ ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ತರಬೇತಿಯೊಂದಿಗೆ, ಮಾಡೆಲ್ 75% ಯಶಸ್ಸಿನ ದರವನ್ನು ಸಾಧಿಸಿತು, ಇದು ಕೇವಲ 40% ತಲುಪಿದ ಪ್ರತಿಸ್ಪರ್ಧಿ Physical Intelligence ಗಿಂತ ಗಮನಾರ್ಹವಾಗಿ ಉತ್ತಮವಾಗಿದೆ.
• ಬೆಂಚ್‌ಮಾರ್ಕ್ ಪ್ರಾಬಲ್ಯ: ಈ ಮಾಡೆಲ್ RoboCasa365 ಲೀಡರ್‌ಬೋರ್ಡ್‌ನಲ್ಲಿ ದೊಡ್ಡ ಅಂತರದೊಂದಿಗೆ ಮುಂಚೂಣಿಯಲ್ಲಿದೆ, ವಿಶೇಷವಾಗಿ ನೋಡಿರದ ಸಂಯುಕ್ತ ಕಾರ್ಯಗಳಲ್ಲಿ (unseen composite tasks).
• RoboDojo ಕಾರ್ಯಕ್ಷಮತೆ: RoboDojo ಬೆಂಚ್‌ಮಾರ್ಕ್‌ನಲ್ಲಿ Xiaomi-Robotics-1 ಎರಡನೇ ಸ್ಥಾನದಲ್ಲಿದ್ದವರಿಗಿಂತ ಸುಮಾರು 58% ಹೆಚ್ಚು ಅಂಕಗಳನ್ನು ಗಳಿಸಿದೆ.

ಕಾಗದದಂತಹ ಮೃದುವಾದ, ವಿರೂಪಗೊಳ್ಳುವ (deformable) ವಸ್ತುಗಳನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ ಈ ಮಾಡೆಲ್ ವಿಶೇಷ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿದೆ—ಇದು ಐತಿಹಾಸಿಕವಾಗಿ ಬಿಗಿಯಾದ (rigid) ರೊಬೋಟಿಕ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಕಷ್ಟಕರವಾದ ಕ್ಷೇತ್ರವಾಗಿದೆ.

ರೊಬೊಟಿಕ್ಸ್ ಉದ್ಯಮಕ್ಕೆ ಹೊಸ ದಿಕ್ಕು

Xiaomi ನ ವಿಧಾನವು ಇತರ ಉದ್ಯಮದ ದೈತ್ಯರೊಂದಿಗೆ ಒಂದು ಸಂದಿಗ್ಧತೆಯಲ್ಲಿ ನಿಂತಿದೆ. Nvidia ಸಿಂಥೆಟಿಕ್ ಡೇಟಾ ಜನರೇಷನ್ ಮೂಲಕ ರೊಬೊಟಿಕ್ಸ್ ಡೇಟಾ ಸಮಸ್ಯೆಯನ್ನು ಕಂಪ್ಯೂಟ್ ಸಮಸ್ಯೆಯನ್ನಾಗಿ ಮಾಡಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೆ, ಮತ್ತು BAAI ನ Orca ಮಾಡೆಲ್ ಲೇಬಲ್ ಮಾಡದ ವೀಡಿಯೊಗಳಿಂದ ಕಲಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದರೆ, Xiaomi ಸ್ವಯಂಚಾಲಿತ, ಬೃಹತ್ ಪ್ರಮಾಣದ ಲೇಬಲ್ ಮಾಡಿದ ಮೋಷನ್ ಡೇಟಾ ಮೇಲೆ ಹೆಚ್ಚಿನ ಗಮನ ಹರಿಸುತ್ತಿದೆ.

Xiaomi ತನ್ನ ಮಾಡೆಲ್ ಮತ್ತು ಕೋಡ್ ಅನ್ನು GitHub ಮತ್ತು Hugging Face ನಲ್ಲಿ ಬಿಡುಗಡೆ ಮಾಡಲು ಸಿದ್ಧವಾಗುತ್ತಿರುವಂತೆ, ಉದ್ಯಮವು ಇದನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಗಮನಿಸುತ್ತಿದೆ. ರೊಬೊಟಿಕ್ಸ್‌ನ ಮುಂದಿನ ಮೈಲಿಗಲ್ಲು ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಚಿಪ್‌ಗಳನ್ನು ಹೊಂದಿರುವವರಿಂದಲ್ಲ, ಬದಲಾಗಿ ಅತ್ಯಂತ ವೈವಿಧ್ಯಮಯ ಮತ್ತು ಉತ್ತಮವಾಗಿ ಲೇಬಲ್ ಮಾಡಿದ ಮೋಷನ್ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಹೊಂದಿರುವವರಿಂದಲೇ ಲಭ್ಯವಾಗಲಿದೆ ಎಂದು ಈ ಬೆಳವಣಿಗೆ ಸೂಚಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಡೇಟಾ-ಕೇಂದ್ರಿತ ಸ್ಕೇಲಿಂಗ್: ಮಾಡೆಲ್ ಗಾತ್ರ ಅಥವಾ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಹೆಚ್ಚಿಸುವುದಕ್ಕಿಂತ ತರಬೇತಿ ಡೇಟಾ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುವುದು ರೊಬೋಟಿಕ್ ಯಶಸ್ಸಿನ ದರಗಳಿಗೆ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸಾಬೀತಾಗಿದೆ.
• ನವೀನ ಸಂಗ್ರಹಣೆ: ಹ್ಯಾಂಡ್‌ಹೆಲ್ಡ್ ಗ್ರಿಪ್ಪರ್‌ಗಳು ಮೀಸಲಾದ ರೊಬೋಟ್‌ಗಳ ಅಗತ್ಯವಿಲ್ಲದೆ 1,700 ಪರಿಸರಗಳಲ್ಲಿ 1,00,000 ಗಂಟೆಗಳ ಮೋಷನ್ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು Xiaomi ಗೆ ಅನುವು ಮಾಡಿಕೊಟ್ಟವು.
• ಉನ್ನತ ಸಾಮಾನ್ಯೀಕರಣ (High Generalization): ಈ ಮಾಡೆಲ್ 10 ಗಂಟೆಗಳಿಗಿಂತ ಕಡಿಮೆ ಹೆಚ್ಚುವರಿ ತರಬೇತಿಯೊಂದಿಗೆ ಹೊಸ ಕಾರ್ಯಗಳಲ್ಲಿ 75% ಯಶಸ್ಸಿನ ದರವನ್ನು ಸಾಧಿಸಬಲ್ಲದು.