2024-ൽ സ്ഥാപിതമായ റോബോട്ടിക്സ് സ്റ്റാർട്ടപ്പായ Generalist, ഏകദേശം 200 മില്യൺ ഡോളർ സമാഹരിച്ചതിനെത്തുടർന്ന് അതിന്റെ മൂല്യം 3 ബില്യൺ ഡോളറിലെത്തിച്ച പുതിയ ഫണ്ടിംഗ് റൗണ്ട് പ്രഖ്യാപിച്ചു. 8VC നേതൃത്വം നൽകിയ ഈ മൂലധന വർദ്ധനവ്, ആകെ സീരീസ് ബി (Series B) തുക 600 മില്യൺ ഡോളറിലെത്തിച്ചു. ഏതാനും സെക്കൻഡുകൾ ദൈർഘ്യമുള്ള വീഡിയോകളിൽ നിന്ന് പുതിയ ജോലികൾ പഠിക്കാൻ കഴിയുന്ന റോബോട്ടുകളിലേക്കുള്ള പാത നിക്ഷേപകർ കാണുന്നു എന്നതിന്റെ സൂചനയാണിത്.

ഫണ്ടിംഗ് കുതിപ്പും നിക്ഷേപകരുടെ നിരയും

റെഗുലേറ്ററി ഫയലിംഗുകൾ പ്രകാരം, ജൂണിൽ Radical Ventures നേതൃത്വം നൽകിയ 400 മില്യൺ ഡോളറിന്റെ റൗണ്ടോടെ ആരംഭിച്ച സീരീസ് ബി (Series B), ഈ 200 മില്യൺ ഡോളറിന്റെ കുതിപ്പിലൂടെ വിപുലീകരിക്കപ്പെട്ടു. Nvidia, Union Square Ventures, Bezos Expeditions, AI രംഗത്തെ മുൻനിര വ്യക്തിയായ Fei-Fei Li എന്നിവരെ Generalist-ന്റെ നിക്ഷേപക പട്ടികയിലേക്ക് ഈ റൗണ്ട് ചേർക്കുന്നു. പല റോബോട്ട് പ്ലാറ്റ്‌ഫോമുകൾക്കും ഒരൊറ്റ AI "തലച്ചോറ്" (brain) ഉണ്ടാവുകയാണെങ്കിൽ ഫാക്ടറികൾ, വെയർഹൗസുകൾ, സേവന മേഖലകൾ എന്നിവയിലുടനീളം ഓട്ടോമേഷന്റെ പുതിയ തരംഗമുണ്ടാക്കാൻ സാധിക്കുമെന്ന വിശ്വാസമാണ് ഇവരുടെ പങ്കാളിത്തം അടിവരയിടുന്നത്.

Gen 1.5: അതിവേഗ ഡെമോകളിൽ നിന്നുള്ള പഠനം

Generalist-ന്റെ ഏറ്റവും വലിയ നേട്ടം അതിന്റെ Gen 1.5 ഫൗണ്ടേഷൻ മോഡലാണ്. ഓരോ ചലനവും പ്രത്യേകം നിർമ്മിക്കുന്നതിന് പകരം, ഒരു വീഡിയോ ക്ലിപ്പ് (പലപ്പോഴും മൂന്ന് മുതൽ പന്ത്രണ്ട് സെക്കൻഡ് മാത്രം ദൈർഘ്യമുള്ളത്) കണ്ട് ആ ജോലി ആവർത്തിക്കാൻ ഈ മോഡൽ റോബോട്ടിനെ അനുവദിക്കുന്നു. ഇത് ഇമിറ്റേഷൻ ലേണിംഗ് (imitation learning) എന്ന രീതിയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: ദൃശ്യങ്ങളിൽ നിന്നുള്ള ചലന സൂചനകൾ, വസ്തുക്കളുമായുള്ള ഇടപെടലുകൾ, സമയക്രമം എന്നിവ AI വേർതിരിച്ചെടുക്കുകയും അവ റോബോട്ടിന്റെ ആക്ചുവേറ്ററുകൾക്കുള്ള (actuators) കൺട്രോൾ കമാൻഡുകളായി മാറ്റുകയും ചെയ്യുന്നു. സിദ്ധാന്തപരമായി പറഞ്ഞാൽ, ചെറിയ വീഡിയോകൾ കാണിച്ചുകൊടുക്കുന്നതിലൂടെ ഒരാഴ്ചയിൽ ഡസൻ കണക്കിന് പുതിയ കഴിവുകൾ ഒരു റോബോട്ടിന് പഠിച്ചെടുക്കാൻ കഴിയും. ഇത് മാറിക്കൊണ്ടിരിക്കുന്ന സാഹചര്യങ്ങളിൽ ഓട്ടോമേഷൻ നടപ്പിലാക്കാൻ ആവശ്യമായ സമയവും വൈദഗ്ധ്യവും ഗണ്യമായി കുറയ്ക്കുന്നു.

നിക്ഷേപകർ ലക്ഷ്യമിടുന്ന “ChatGPT നിമിഷം”

ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ സോഫ്റ്റ്‌വെയറിന് നൽകിയ വിപ്ലവം ഹാർഡ്‌വെയറിനും നൽകുന്നതിനായുള്ള മത്സരത്തിൽ Generalist സജീവമാണ്. Physical Intelligence, SoftBank പിന്തുണയുള്ള Skild AI തുടങ്ങിയ എതിരാളികൾ ഇതിനകം തന്നെ വലിയ മൂല്യനിർണ്ണയങ്ങൾ കൈവരിച്ചിട്ടുണ്ട്, ഇത് റോബോട്ടിക്സിലെ ഒരു വിശാലമായ “ChatGPT moment” എന്ന ആശയത്തിന് കരുത്ത് പകരുന്നു. ഇതിന്റെ അടിസ്ഥാന തത്വം ലളിതമാണ്: കുറഞ്ഞ ഡാറ്റ ഉപയോഗിച്ച് ക്രമീകരിക്കാൻ കഴിയുന്ന (fine-tuned) ഒരു ബഹുമുഖമായ പ്രീ-ട്രെയിൻഡ് മോഡൽ ഉണ്ടെങ്കിൽ, കൺട്രോൾ സ്റ്റാക്കുകൾ ആദ്യം മുതൽ നിർമ്മിക്കാതെ തന്നെ കമ്പനികൾക്ക് റോബോട്ടിക് കഴിവുകൾ കൂട്ടിച്ചേർക്കാൻ സാധിക്കും.

ഫിസിക്കൽ ഡാറ്റയുടെ കുറവും സംശയങ്ങളും

ഈ ആവേശം പ്രായോഗികമായ ഒരു തടസ്സത്തെ നേരിടുന്നുണ്ട്. ലാർജ് ലാംഗ്വേജ് മോഡലുകൾ ഇന്റർനെറ്റിലെ അനന്തമായ ടെക്സ്റ്റുകൾ ഉപയോഗിച്ച് വളരുമ്പോൾ, റോബോട്ടുകൾക്ക് പരിശീലന ഡാറ്റ നിർമ്മിക്കാൻ ഭൗതികമായ ഇടപെടലുകൾ (physical interaction) ആവശ്യമാണ്. സെൻസറുകൾ ഉപയോഗിച്ച് ബലം (forces), സമ്പർക്കം (contacts), 3-D ജ്യാമിതി എന്നിവ പകർത്തിയെടുക്കേണ്ടതുണ്ട്, കൂടാതെ ഓരോ പുതിയ സാഹചര്യത്തിനും പുതിയ ഡാറ്റ ശേഖരണം ആവശ്യമായി വന്നേക്കാം. ഉയർന്ന നിലവാരമുള്ളതും വൈവിധ്യമാർന്നതുമായ ഫിസിക്കൽ ഡാറ്റാസെറ്റുകളുടെ അഭാവം യഥാർത്ഥ സാർവത്രിക റോബോട്ട് ബുദ്ധി (universal robot intelligence) വാണിജ്യപരമായ ഉപയോഗത്തിലേക്ക് എത്താൻ വർഷങ്ങൾ എടുത്തേക്കാം എന്ന് ചില വിദഗ്ധർ മുന്നറിയിപ്പ് നൽകുന്നു. യഥാർത്ഥ ലോകത്തെ ഡെമോകളുടെ നിരന്തരമായ ലഭ്യതയില്ലെങ്കിൽ, Gen 1.5 പോലുള്ള ഒരു ഫ്ലെക്സിബിൾ മോഡലിന് പോലും താൻ കണ്ട സാഹചര്യങ്ങൾക്കപ്പുറം പ്രവർത്തിക്കാൻ പ്രയാസമുണ്ടാകാം.

ഇനി ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • വിന്യാസ പരീക്ഷണങ്ങൾ (Deployment trials): Generalist-ന്റെ അടുത്ത പരീക്ഷണങ്ങൾ—ലോജിസ്റ്റിക്സ് സെന്ററുകളിലായാലും നിർമ്മാണ ശാലകളിലായാലും—Gen 1.5 ലാബ് ഡെമോകളിൽ നിന്ന് യഥാർത്ഥ ലോകത്തെ സങ്കീർണ്ണമായ സാഹചര്യങ്ങളിലേക്ക് എത്രത്തോളം വിജയകരമായി മാറ്റാൻ കഴിയുമെന്ന് വെളിപ്പെടുത്തും.
  • ഡാറ്റാ പൈപ്പ്‌ലൈൻ വികസനം (Data pipeline development): ഓട്ടോമേറ്റഡ് ഡാറ്റാ ക്യാപ്‌ചർ രീതികളിലെ (ഉദാഹരണത്തിന്, മോഡലിന് ഡാറ്റ നൽകുന്ന ക്യാമറകളുടെ കൂട്ടങ്ങൾ) പുരോഗതി ഫിസിക്കൽ ഡാറ്റയുടെ കുറവ് പരിഹരിക്കാൻ സഹായിച്ചേക്കാം.
  • മത്സര നീക്കങ്ങൾ (Competitive moves): ആദ്യത്തെ വ്യാപകമായി ഉപയോഗിക്കാൻ കഴിയുന്ന റോബോട്ട് ഫൗണ്ടേഷൻ മോഡലിനായുള്ള മത്സരം ഇപ്പോഴും തുടക്കത്തിലായതിനാൽ, എതിരാളികളുടെ ഫണ്ടിംഗ് റൗണ്ടുകളും പങ്കാളിത്ത അറിയിപ്പുകളും ശ്രദ്ധിക്കുക.

ചുരുക്കത്തിൽ: Generalist-ന്റെ 3 ബില്യൺ ഡോളർ മൂല്യം സൂചിപ്പിക്കുന്നത് ഒരു സിംഗിൾ AI മോഡലിന് ഇന്നത്തെ ചാറ്റ്ബോട്ടുകളെപ്പോലെ റോബോട്ടുകളെയും മാറ്റങ്ങൾക്കനുസരിച്ച് പ്രവർത്തിപ്പിക്കാൻ കഴിയുമെന്ന ശക്തമായ വിശ്വാസമാണ്. എന്നാൽ, ചെറിയ വീഡിയോ ക്ലിപ്പുകളെ വിശ്വസനീയമായ യഥാർത്ഥ ലോക ചലനങ്ങളാക്കി മാറ്റുക എന്ന എഞ്ചിനീയറിംഗ് വെല്ലുവിളിയാണ് ഈ വാഗ്ദാനങ്ങൾ ദൈനംദിന ഓട്ടോമേഷനായി മാറണോ എന്ന് തീരുമാനിക്കുന്നത്.