ഫിസിക്കൽ AI-യുടെ മുന്നേറ്റം ഒരു വലിയ തടസ്സത്തിൽ എത്തിനിൽക്കുന്നു: നമുക്ക് ഉയർന്ന കൃത്യതയുള്ള (high-fidelity), യഥാർത്ഥ ലോകത്തെ പരിശീലന ഡാറ്റയുടെ അഭാവമുണ്ട്. ഇന്റർനെറ്റിലെ ടെക്സ്റ്റുകൾ ശേഖരിച്ചുകൊണ്ടാണ് Large Language Models വളർന്നത്; എന്നാൽ റോബോട്ടിക്സിന് ഇതിലും എത്രയോ ചിലവേറിയ ഒരു സമീപനം ആവശ്യമാണ്.

റോബോട്ടിക്സിലെ ഡാറ്റയുടെ ലഭ്യതക്കുറവ്

ഹ്യൂമനോയിഡ്, വെയർഹൗസ് റോബോട്ടുകൾക്ക് മനുഷ്യന്റെ ചടുലതയോട് (dexterity) കിടപിടിക്കാൻ നിലവിലുള്ളതിനേക്കാൾ വലിയ തോതിലുള്ള ഡാറ്റ ആവശ്യമാണ്. Encord-ന്റെ റോബോട്ട് ലേണിംഗ് വിഭാഗം മേധാവിത്വവും OpenAI-യുടെ റോബോട്ട് ലാബിലെ മുൻ ജീവനക്കാരനുമായ വിനീത് വേൽമുരുകൻ പറയുന്നത്, ഒരു വലിയ മുന്നേറ്റത്തിന് യൂട്യൂബിലെ മുഴുവൻ വീഡിയോ ശേഖരത്തിന്റെ അഞ്ചിലധികം മടങ്ങ് വലിപ്പമുള്ള ഒരു ഡാറ്റാസെറ്റ് ആവശ്യമാണെന്നാണ്.

ടെക്സ്റ്റുകൾ ധാരാളമായി ലഭ്യമാണ്, അവ ശേഖരിക്കാൻ ചിലവുമില്ല. എന്നാൽ ഫിസിക്കൽ ഡാറ്റ നിർമ്മിച്ചെടുക്കേണ്ടതുണ്ട്. വീഡിയോകളിൽ നിന്ന് മാത്രം പരിശീലനം നൽകുന്നത് സങ്കീർണ്ണമായ പ്രവർത്തനങ്ങൾക്ക് (complex manipulation) ആവശ്യമായ കൃത്യത നൽകുന്നതിൽ പലപ്പോഴും പരാജയപ്പെടുന്നു. അതിനാൽ, മോഡൽ ആർക്കിടെക്ചറിൽ മാറ്റങ്ങൾ വരുത്തുന്നതിന് പകരം, ഉയർന്ന നിലവാരമുള്ളതും അനോട്ടേറ്റ് ചെയ്തതുമായ (annotated) ഫിസിക്കൽ ഡാറ്റ നിർമ്മിക്കുക എന്ന കൂടുതൽ പ്രയാസകരമായ പ്രശ്നത്തിലേക്ക് വ്യവസായം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു.

വീഡിയോകൾക്കപ്പുറം: മസ്തിഷ്ക തരംഗങ്ങളും പേശി സിഗ്നലുകളും ഉപയോഗിക്കുന്നു

റോബോട്ടുകൾക്ക് കൂടുതൽ വ്യക്തമായ സാഹചര്യം (context) നൽകുന്നതിനായി Encord പോലുള്ള സ്റ്റാർട്ടപ്പുകൾ പുതിയ ഡാറ്റാ രീതികൾ പരീക്ഷിച്ചുവരുന്നു. ജർമ്മൻ ന്യൂറോ സയൻസ് സ്റ്റാർട്ടപ്പായ Zander Labs-മായി ചേർന്ന് നടത്തുന്ന പരീക്ഷണത്തിൽ, ഓപ്പറേറ്റർമാർക്കായി Encord ബ്രെയിൻ-വേവ് ഹെഡ്‌സെറ്റുകൾ നൽകുന്നു. നാഡീപ്രവർത്തനങ്ങൾ (neural activity) അളക്കുന്നതിലൂടെ, റോബോട്ടിന്റെ ഉദ്ദേശ്യം, പിശകുകൾ, അത്ഭുതം എന്നിവ മനസ്സിലാക്കാൻ ഗവേഷകർ പ്രതീക്ഷിക്കുന്നു.

Zander-ലെ ന്യൂറോ സയന്റിസ്റ്റായ ലൂക്കാസ് ഗെർക്കെ പറയുന്നത്, മസ്തിഷ്ക പ്രവർത്തനം നിരീക്ഷിക്കുന്നതിലൂടെ ഒരു കഠിനമായ ജോലി ചെയ്യുമ്പോൾ ഏത് സമയത്താണ് റോബോട്ട് അതിന്റെ ഏറ്റവും ശക്തമായ കമ്പ്യൂട്ടേഷണൽ മോഡലുകൾ ഉപയോഗിക്കേണ്ടതെന്ന് മോഡൽ നിർമ്മാതാക്കൾക്ക് കൃത്യമായി മനസ്സിലാക്കാൻ സാധിക്കുമെന്നാണ്.

Encord താഴെ പറയുന്നവയും പര്യവേക്ഷണം ചെയ്യുന്നു:

  • Electromyography (EMG): മുൻകൈയിൽ ഘടിപ്പിക്കുന്ന സെൻസറുകൾ പേശികളിലെ വൈദ്യുത സിഗ്നലുകൾ ശേഖരിക്കുന്നു. ഇത് തലയിൽ ഘടിപ്പിക്കുന്ന ക്യാമറകൾക്ക് കണ്ടെത്താൻ കഴിയാത്ത കൈ ചലനങ്ങളുടെ ഒരു 3-D മാപ്പ് നിർമ്മിക്കുന്നു.
  • Leader-Follower Rigs: ഒരു റോബോട്ടിക് കൈ മനുഷ്യന്റെ ചലനങ്ങൾ അനുകരിക്കുന്നു. ദ്രാവകങ്ങൾ ഒഴിക്കുകയോ പോക്കർ ചിപ്പുകൾ അടുക്കി വെക്കുകയോ പോലുള്ള കൃത്യമായ പ്രവൃത്തികൾ ഇതിലൂടെ പകർത്താം.
  • Dense Annotation: "വലതുകൈ ബോൾട്ട് മുറുക്കുന്നു" എന്നിങ്ങനെയുള്ള ലേബലുകൾ. പ്രത്യേക ജോലികൾക്കായി പരിശീലനം നൽകുന്നതിൽ, സാധാരണ വീഡിയോകളേക്കാൾ 100 മടങ്ങ് മൂല്യമുള്ളതാണ് ഇത്തരത്തിലുള്ള ഡെൻസ് അനോട്ടേഷൻ എന്ന് വേൽമുരുകൻ കണക്കാക്കുന്നു.

ഫിസിക്കൽ AI-യുടെ സാമ്പത്തിക യാഥാർത്ഥ്യം

ഡിജിറ്റൽ-ഫസ്റ്റ് AI-യിൽ നിന്ന് ഫിസിക്കൽ AI-ലേക്ക് മാറുന്നത് മെഷീൻ ലേണിംഗിന്റെ സാമ്പത്തിക ഘടനയെ തന്നെ മാറ്റുന്നു. വെബ്സൈറ്റുകളിൽ നിന്ന് വിവരങ്ങൾ ശേഖരിക്കുന്നതിലൂടെ LLM ലാബുകൾ വളരെ കുറഞ്ഞ ചിലവിൽ മോഡലുകൾ നിർമ്മിച്ചു. എന്നാൽ റോബോട്ട് പരിശീലന ഡാറ്റ നിർമ്മിക്കാൻ ഹാർഡ്‌വെയർ, മനുഷ്യ ഓപ്പറേറ്റർമാർ, കഠിനമായ അനോട്ടേഷൻ എന്നിവ ആവശ്യമാണ്. ഉയർന്ന നിലവാരമുള്ള ഡാറ്റ അതിന്റെ മൂല്യത്തേക്കാൾ 20 മടങ്ങ് കുറഞ്ഞ ചിലവിൽ ലഭ്യമാക്കാൻ Encord ലക്ഷ്യമിടുന്നുണ്ടെങ്കിലും, വലിയ റോബോട്ട് ഫ്ലീറ്റുകൾക്കായി ഇത് കോടിക്കണക്കിന് ഡോളർ ചെലവുള്ള പ്രോജക്റ്റുകളായി മാറുന്നു.

ഇഥർനെറ്റ് കേബിളുകൾ കണക്ട് ചെയ്യുന്നത് മുതൽ സാധനങ്ങൾ എടുത്ത് പാക്ക് ചെയ്യുന്നത് വരെയുള്ള സ്വയം പ്രവർത്തിക്കുന്ന പ്രവർത്തനങ്ങളിൽ (autonomous manipulation), വലിയ അളവിലുള്ളതും കൃത്യമായി അനോട്ടേറ്റ് ചെയ്തതുമായ ഡാറ്റാസെറ്റുകൾ ആദ്യം നിർമ്മിക്കുന്ന കമ്പനികൾ ആധിപത്യം സ്ഥാപിക്കും. വീഡിയോകൾ മാത്രം ഉപയോഗിക്കുന്ന രീതി പിന്തുടരുന്നവർക്ക്, മനുഷ്യശരീരത്തിൽ നിന്നും മസ്തിഷ്കത്തിൽ നിന്നും കൂടുതൽ വിവരങ്ങൾ ശേഖരിക്കുന്ന എതിരാളികൾക്ക് മുന്നിൽ പിന്നിലായിപ്പോകാൻ സാധ്യതയുണ്ട്.

പ്രധാന കാര്യങ്ങൾ

  • ഡാറ്റ നിർമ്മാണം vs ശേഖരണം: ഇന്റർനെറ്റിലെ ഡാറ്റ ശേഖരിക്കുന്ന LLM-കളിൽ നിന്ന് വ്യത്യസ്തമായി, ഫിസിക്കൽ AI-ക്ക് ഉയർന്ന കൃത്യതയുള്ള ഡാറ്റാസെറ്റുകൾ ചെലവേറിയ രീതിയിൽ നേരിട്ട് നിർമ്മിച്ചെടുക്കേണ്ടതുണ്ട്.
  • ന്യൂറോളജിക്കൽ രീതികൾ: മസ്തിഷ്ക തരംഗങ്ങളും EMG-യും ഉപയോഗിക്കുന്നത് വഴി വീഡിയോയെക്കാൾ ഫലപ്രദമായി മനുഷ്യന്റെ ഉദ്ദേശ്യം, പിശകുകൾ, കൈകളുടെ 3-D ചലനങ്ങൾ എന്നിവ മനസ്സിലാക്കാൻ റോബോട്ടുകൾക്ക് സാധിക്കുന്നു.
  • വലിപ്പത്തിന്റെ വെല്ലുവിളി: റോബോട്ടിക്സ് മോഡലുകൾക്ക് യൂട്യൂബ് ആർക്കൈവിനേക്കാൾ വലിയ ഡാറ്റാസെറ്റ് ആവശ്യമാണ്; ഡാറ്റ നിർമ്മാണമാണ് ഇപ്പോൾ പ്രധാന ബിസിനസ് മേഖല.

ഫിസിക്കൽ AI-യ്ക്കായുള്ള ഉയർന്ന കൃത്യതയുള്ള പരിശീലന ഡാറ്റ ശേഖരിക്കുന്നതിനായി, ഓപ്പറേറ്റർമാർക്ക് ബ്രെയിൻ-വേവ് ഹെഡ്‌സെറ്റുകളും മുൻകൈയിൽ ഘടിപ്പിക്കുന്ന EMG സെൻസറുകളും നൽകിക്കൊണ്ട് ജർമ്മൻ ന്യൂറോ സയൻസ് സ്റ്റാർട്ടപ്പായ Zander Labs-മായി ചേർന്ന് Encord ഒരു പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള പ്രവർത്തനം ആരംഭിച്ചു. യൂട്യൂബിലെ ആകെ വീഡിയോകളുടെ അഞ്ചിലധികം മടങ്ങ് വലിപ്പമുള്ള ഒരു ഡാറ്റാസെറ്റ് നിർമ്മിക്കുക എന്നതാണ് ഈ പങ്കാളിത്തത്തിന്റെ ലക്ഷ്യം. റോബോട്ടുകൾക്ക് മനുഷ്യനെപ്പോലെ ചടുലത കൈവരിക്കാൻ ഇത്രയും വലിയ അളവിലുള്ള ഡാറ്റ ആവശ്യമാണെന്നും ഇത് റോബോട്ടിക്സ് പഠനരീതിയെ തന്നെ മാറ്റിമറിക്കുമെന്നും ഗവേഷകർ പറയുന്നു.

എന്തുകൊണ്ടാണ് റോബോട്ടിക്സ് ഡാറ്റ ഒരു തടസ്സമാകുന്നത്

ഓപ്പൺ വെബ് ശേഖരിച്ചുകൊണ്ടാണ് Large Language Models വളർന്നത്; അവിടെ വിവരങ്ങൾ ധാരാളമായി കുറഞ്ഞ ചിലവിൽ ലഭ്യമായിരുന്നു. എന്നാൽ ഇതിന് വിപരീതമായി, ഫിസിക്കൽ AI-ക്ക് നിർമ്മിച്ചെടുക്കേണ്ട ഡാറ്റ ആവശ്യമാണ്. ഓരോ പിടുത്തവും (grasp), തിരിവും (twist), ഒഴിക്കലും (pour) റെക്കോർഡ് ചെയ്യുകയും അനോട്ടേറ്റ് ചെയ്യുകയും അവയ്ക്ക് പിന്നിലെ ബലവും ഉദ്ദേശ്യവും രേഖപ്പെടുത്തുകയും വേണം. സങ്കീർണ്ണമായ പ്രവർത്തനങ്ങൾക്ക് ആവശ്യമായ സൂക്ഷ്മമായ സൂചനകൾ സാധാരണ വീഡിയോകളിൽ പലപ്പോഴും ലഭിക്കില്ല, ഇത് ഇന്നത്തെ മോഡലുകളും ഫാക്ടറികൾ, വെയർഹൗസുകൾ, വീടുകൾ എന്നിവയുടെ ആവശ്യകതകളും തമ്മിലുള്ള ഒരു വിടവ് സൃഷ്ടിക്കുന്നു.

Encord-ന്റെ റോബോട്ട് ലേണിംഗ് വിഭാഗം മേധാവിത്വവും മുൻ OpenAI റോബോട്ട് ലാബ് വിദഗ്ധനുമായ വിനീത് വേൽമുരുകൻ പറയുന്നത്, യൂട്യൂബിലെ വീഡിയോ ശേഖരത്തിന്റെ അഞ്ചിലധികം മടങ്ങ് വലിപ്പമുള്ള ഒരു ഡാറ്റാസെറ്റ് നിലവിൽ വരുന്നത് വരെ ഈ മേഖല മുന്നോട്ട് പോകില്ല എന്നാണ്. പ്രശ്നം ഇനി മോഡൽ ആർക്കിടെക്ചറല്ല; മറിച്ച് ഡാറ്റ എങ്ങനെ നിർമ്മിച്ചെടുക്കാം എന്നതാണ്.

മസ്തിഷ്ക തരംഗങ്ങളും പേശി സിഗ്നലുകളും ചേർക്കുന്നു

ദൃശ്യരേഖകളിലേക്ക് (visual record) ശാരീരിക സിഗ്നലുകൾ (physiological signals) കൂടി ഉൾപ്പെടുത്തിക്കൊണ്ട് ആ വിടവ് നികത്താനാണ് Encord-Zander പൈലറ്റ് ശ്രമിക്കുന്നത്. ഓപ്പറേറ്റർമാർ ഇലക്ട്രോ എൻസെഫലോഗ്രാഫി (EEG) – അതായത് മസ്തിഷ്കത്തിന്റെ വൈദ്യുത പ്രവർത്തനം – വായിക്കുന്ന ഹെഡ്‌സെറ്റുകൾ ധരിക്കുന്നു, അതേസമയം മുൻകൈയിലെ (forearm) EMG സെൻസറുകൾ പേശികളിലെ പ്രേരണകൾ (muscle impulses) രേഖപ്പെടുത്തുന്നു. ഉദ്ദേശ്യം (intent), അത്ഭുതം അല്ലെങ്കിൽ പിശക് എന്നിങ്ങനെയുള്ള മാനസികാവസ്ഥകൾ മനസ്സിലാക്കുക എന്നതും, വീഡിയോയ്ക്ക് മാത്രം പകർത്താൻ കഴിയാത്ത കൈ ചലനങ്ങളുടെ ഒരു ത്രിമാന മാപ്പിലേക്ക് (three-dimensional map) പേശികളുടെ പ്രവർത്തനം മാറ്റുക എന്നതുമാണ് ഇതിന്റെ ലക്ഷ്യം.

ഒരു മനുഷ്യൻ ഒരു പ്രയാസകരമായ ഉപദൗത്യം (sub-task) എപ്പോൾ പ്രതീക്ഷിക്കുന്നു എന്ന് അറിയുന്നത്, ഒരു റോബോട്ടിന് അതിന്റെ ഏറ്റവും ശക്തമായ കമ്പ്യൂട്ടേഷണൽ മോഡലുകൾ ശരിയായ സമയത്ത് ഉപയോഗിക്കാൻ സഹായിക്കുമെന്ന് Zander-ലെ ന്യൂറോ സയന്റിസ്റ്റായ ലൂക്കാസ് ഗെർക്കെ വിശദീകരിക്കുന്നു.

ന്യൂറോ-ഡാറ്റയ്ക്ക് പുറമെ, Encord ചില അനുബന്ധ സാങ്കേതിക വിദ്യകളും പരീക്ഷിക്കുന്നുണ്ട്:

  • Electromyography (EMG): മുൻകൈയിലെ സെൻസറുകൾ പേശികളുടെ പ്രവർത്തനത്തിന്റെ തത്സമയ വിവരങ്ങൾ നൽകുന്നു, ഇത് തലയിൽ ഘടിപ്പിക്കുന്ന ക്യാമറകൾക്ക് പലപ്പോഴും നഷ്ടപ്പെടുന്ന വിരലുകളുടെ ചലനപാതകൾ (finger trajectories) കൃത്യമായി പുനർനിർമ്മിക്കാൻ സഹായിക്കുന്നു.
  • Leader-follower rigs: ഒരു ജോഡി റോബോട്ടിക് കൈകൾ ഒന്നിച്ച് പ്രവർത്തിക്കുന്നു, അതിൽ ഒന്ന് മനുഷ്യ ഓപ്പറേറ്ററുടെ ചലനങ്ങളെ അനുകരിക്കുന്നു. ദ്രാവകങ്ങൾ ഒഴിക്കുക, ചിപ്സുകൾ അടുക്കി വെക്കുക എന്നിങ്ങനെയുള്ള മില്ലിമീറ്റർ അളവിലുള്ള പിശകുകൾ പോലും പ്രശ്നമാകുന്ന സൂക്ഷ്മമായ ജോലികൾ ഇതിലൂടെ പകർത്താൻ സാധിക്കുന്നു.
  • Dense annotation: ഉയർന്ന തലത്തിലുള്ള പ്രവർത്തനങ്ങൾ മാത്രം അടയാളപ്പെടുത്തുന്നതിന് പകരം, “വലതുകൈ ബോൾട്ട് മുറുക്കുന്നു” എന്നിങ്ങനെയുള്ള സൂക്ഷ്മമായ വിവരണങ്ങൾ Velmurugan-ന്റെ ടീം ചേർക്കുന്നു. സാധാരണ ego-centric വീഡിയോയെക്കാൾ ഏകദേശം 100 മടങ്ങ് മൂല്യമുള്ളതാണ് ഒരു പ്രത്യേക മാനിപുലേഷൻ സ്കിൽ (manipulation skill) പരിശീലിപ്പിക്കുന്നതിന് ഈ വിവരങ്ങൾ എന്ന് അദ്ദേഹം കണക്കാക്കുന്നു.

ഡാറ്റാ നിർമ്മാണത്തിന്റെ സാമ്പത്തിക വശങ്ങൾ

ഫിസിക്കൽ AI (Physical AI) മെഷീൻ ലേണിംഗിന്റെ സാമ്പത്തിക കണക്കുകൂട്ടലുകളെ മാറ്റുന്നു. ഇന്റർനെറ്റിൽ നിന്ന് അനന്തമായ ടെക്സ്റ്റ് ലഭ്യമായതിനാൽ LLM ലാബുകൾ ഏതാണ്ട് പൂജ്യം മാർജിനൽ ചിലവിൽ മോഡലുകൾ നിർമ്മിച്ചു. എന്നാൽ റോബോട്ട് പരിശീലനത്തിനുള്ള ഡാറ്റ നിർമ്മിക്കാൻ ഹാർഡ്‌വെയർ, മനുഷ്യ ഓപ്പറേറ്റർമാർ, കഠിനമായ അനോട്ടേഷൻ (annotation) എന്നിവ ആവശ്യമാണ്. ഉപഭോക്താക്കൾക്ക് നൽകുന്ന മൂല്യത്തേക്കാൾ 20 മടങ്ങ് കൂടുതൽ ചെലവ് കുറഞ്ഞതാക്കി ഉയർന്ന നിലവാരമുള്ള ഡാറ്റയെ മാറ്റുക എന്നതാണ് Encord-ന്റെ ആഭ്യന്തര ലക്ഷ്യം. എങ്കിലും, ഈ കഠിനമായ കാര്യക്ഷമത പോലും വലിയ തോതിലുള്ള റോബോട്ട് ഫ്ലീറ്റുകൾക്കായി (robot fleets) കോടിക്കണക്കിന് ഡോളറിന്റെ പ്രോജക്റ്റുകളായി മാറുന്നു.

കാര്യങ്ങൾ വ്യക്തമാണ്: വൻതോതിലുള്ളതും സമഗ്രമായ അനോട്ടേഷനുകളുള്ളതുമായ ഡാറ്റാസെറ്റുകൾ ആദ്യം നിർമ്മിക്കാൻ കഴിയുന്ന കമ്പനികൾ ഓട്ടോണമസ് മാനിപുലേഷൻ (autonomous manipulation) വിപണിയിൽ ആധിപത്യം സ്ഥാപിക്കും—അത് ഡാറ്റാ സെന്ററിലെ ഇഥർനെറ്റ് കേബിളുകൾ ഘടിപ്പിക്കുന്നത് ആകട്ടെ അല്ലെങ്കിൽ ഒരു ഡിസ്ട്രിബ്യൂഷൻ സെന്ററിൽ സാധനങ്ങൾ പാക്ക് ചെയ്യുന്നത് ആകട്ടെ. വീഡിയോ മാത്രം ഉപയോഗിക്കുന്ന രീതി പിന്തുടരുന്നവർ, എതിരാളികൾ മനുഷ്യശരീരത്തിൽ നിന്നും മസ്തിഷ്കത്തിൽ നിന്നും കൂടുതൽ വിവരങ്ങൾ ശേഖരിക്കുമ്പോഴേക്കും പിന്നിലായിപ്പോകാൻ സാധ്യതയുണ്ട്.

എതിർവാദങ്ങളും തുറന്ന ചോദ്യങ്ങളും

ന്യൂറോ-സിഗ്നലുകളാണ് വിട്ടുപോയ ഭാഗമെന്ന് എല്ലാവരും വിശ്വസിക്കുന്നില്ല. വീഡിയോയും ഫോഴ്‌സ്-ടോർക്ക് സെൻസറുകളും (force-torque sensors) ഉപയോഗിക്കുമ്പോൾ തന്നെ പല വ്യാവസായിക ജോലികൾക്കും മികച്ച പ്രകടനം ലഭിക്കുന്നുണ്ടെന്നും, അതിനാൽ ഹാർഡ്‌വെയറിന്റെ സങ്കീർണ്ണത അതിന്റെ ഗുണത്തേക്കാൾ ദോഷം ചെയ്തേക്കാം എന്നും വിമർശകർ വാദിക്കുന്നു. സ്കെയിലബിലിറ്റി (Scalability) മറ്റൊരു ആശങ്കയാണ്: ആയിരക്കണക്കിന് ഓപ്പറേറ്റർമാർക്ക് EEG ഹെഡ്‌സെറ്റുകളും EMG റിഗുകളും നൽകുന്നത് ചെറുകിട നിർമ്മാതാക്കൾക്ക് താങ്ങാനാവില്ലായിരിക്കാം.

ഡാറ്റാ ജനറേഷൻ പൈപ്പ്‌ലൈൻ ഇപ്പോഴും കഠിനമായ അധ്വാനം ആവശ്യപ്പെടുന്ന ഒന്നാണ്. ലീഡർ-ഫോളോവർ റിഗുകൾ ഉണ്ടെങ്കിൽ പോലും, ഒരു യഥാർത്ഥ ജനറൽ റോബോട്ടിന് ആവശ്യമായ വൈവിധ്യമാർന്ന ജോലികൾ പകർത്താൻ ഒന്നിലധികം ലാബുകളിലും ഫാക്ടറികളിലും നിരന്തരവും ഏകോപിതവുമായ പരിശ്രമം ആവശ്യമായി വരും. ഈ ചെറിയ പ്രകടന വർദ്ധനവ് (incremental performance gains) നൽകുന്ന ഗുണം തുടക്കത്തിലുള്ള നിക്ഷേപത്തിന് തുല്യമാണോ എന്ന് വിപണി തീരുമാനിക്കേണ്ടി വരും.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • ഡാറ്റാ വോളിയം മൈൽസ്റ്റോണുകൾ: യൂട്യൂബിന്റെ അഞ്ചിലൊന്ന് വലിപ്പമുള്ള ഡാറ്റാസെറ്റ് ഉണ്ടെന്ന Encord-ന്റെ അവകാശവാദം ഒരു പ്രധാന മാനദണ്ഡമായിരിക്കും. ഇത് വെളിപ്പെടുമ്പോൾ, മറ്റ് കമ്പനികൾക്ക് അത് എത്തിപ്പിടിക്കാനോ മറികടക്കാനോ ഉള്ള വ്യക്തമായ ലക്ഷ്യം ലഭിക്കും.
  • ഹാർഡ്‌വെയർ സ്വീകാര്യത: ഡാറ്റാ ശേഖരണ സംവിധാനങ്ങളിൽ EEG, EMG ഉപകരണങ്ങൾ എത്ര വേഗത്തിൽ സാധാരണമാകുന്നു എന്നത് ഈ രീതി പരീക്ഷണാടിസ്ഥാനത്തിലുള്ള പൈലറ്റുകൾക്ക് അപ്പുറം വ്യാപിപ്പിക്കാൻ കഴിയുമോ എന്ന് സൂചിപ്പിക്കും.
  • ചെലവ് മാനദണ്ഡങ്ങൾ: വാഗ്ദാനം ചെയ്ത 20 മടങ്ങ് ചെലവ് കുറഞ്ഞ ഗുണം Encord തെളിയിക്കാൻ കഴിഞ്ഞാൽ, മോഡൽ രൂപകൽപ്പനയേക്കാൾ “data manufacturing”-ൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന പുതിയ കമ്പനികളുടെ ഒരു തരംഗം ഉണ്ടാകാം.
  • പ്രകടനത്തിലെ വ്യത്യാസങ്ങൾ (Performance gaps)