റോബോട്ടിക്സിൽ മോഡൽ വലുപ്പത്തേക്കാൾ ഡാറ്റയുടെ അളവ് മികച്ചതാണെന്ന് Xiaomi-Robotics-1 തെളിയിക്കുന്നു

റോബോട്ടിക് ട്രെയിനിംഗിന്റെ രീതിയെ കമ്പ്യൂട്ട് പവർ വർദ്ധിപ്പിക്കുന്നതിൽ നിന്ന് വൻതോതിലുള്ള ഡാറ്റാ സ്കെയിലിംഗിലേക്ക് മാറ്റുന്ന ഒരു വിപ്ലവകരമായ ഫൗണ്ടേഷൻ മോഡലായ Xiaomi-Robotics-1 Xiaomi പുറത്തിറക്കി. സവിശേഷമായ ഒരു ഡാറ്റാ ശേഖരണ രീതി ഉപയോഗിക്കുന്നതിലൂടെ, അപരിചിതമായ സാഹചര്യങ്ങളിലും സങ്കീർണ്ണമായ ജോലികളിലും അഭൂതപൂർവമായ പൊരുത്തപ്പെടാനുള്ള കഴിവ് ഈ മോഡൽ പ്രകടിപ്പിക്കുന്നു.

ഹാൻഡ്‌ഹെൽഡ് ഗ്രിപ്പറുകൾ ഉപയോഗിച്ച് ഡാറ്റാ തടസ്സങ്ങൾ മറികടക്കുന്നു

റോബോട്ടിക്സിലെ പ്രധാന വെല്ലുവിളി എപ്പോഴും "ഡാറ്റാ ബോട്ടിൽനെക്ക്" (data bottleneck) ആയിരുന്നു—അതായത്, വിലകൂടിയതും ഒരിടത്ത് ഉറപ്പിച്ചു വെച്ചിരിക്കുന്നതുമായ റോബോട്ടിക് കൈകൾ ഇല്ലാതെ വലിയ അളവിൽ ഉയർന്ന നിലവാരമുള്ള ഇന്ററാക്ഷൻ ഡാറ്റ ശേഖരിക്കുന്നതിലെ ബുദ്ധിമുട്ട്. ക്യാമറകൾ ഘടിപ്പിച്ച പോർട്ടബിൾ ഹാൻഡ്‌ഹെൽഡ് ഗ്രിപ്പറുകൾ ഉപയോഗിച്ചുകൊണ്ട് Xiaomi ഇതിനെ മറികടന്നു.

റോബോട്ടുകളെ പ്രോഗ്രാം ചെയ്യുന്നതിന് പകരം, മനുഷ്യ ഓപ്പറേറ്റർമാർ ഈ ഹാൻഡ്‌ഹെൽഡ് ഉപകരണങ്ങൾ ഉപയോഗിച്ച് അടുക്കളകൾ, ഓഫീസുകൾ, ഫാക്ടറികൾ എന്നിവയുൾപ്പെടെ 1,700-ലധികം വൈവിധ്യമാർന്ന സാഹചര്യങ്ങളിൽ ജോലികൾ റെക്കോർഡ് ചെയ്തു. ഈ രീതിയിലൂടെ 1,00,000 മണിക്കൂർ നീളുന്ന ചലന റെക്കോർഡിംഗുകൾ ലഭിച്ചു. ലേബലിംഗ് പ്രശ്നം പരിഹരിക്കുന്നതിനായി, ഓരോ ചലനത്തിനും ടെക്സ്റ്റ് വിവരണങ്ങൾ സ്വയമേവ നിർമ്മിക്കാൻ Xiaomi ഒരു AI മോഡൽ ഉപയോഗിച്ചു, ഇത് വെറും രണ്ട് ആഴ്ചയ്ക്കുള്ളിൽ മുഴുവൻ ഡാറ്റാസെറ്റും ലേബൽ ചെയ്യാൻ സഹായിച്ചു.

സ്കെയിലിംഗ് ലോ (Scaling Law): കമ്പ്യൂട്ടേക്കാൾ ഡാറ്റയ്ക്ക് മുൻഗണന

മോഡലിന്റെ വലുപ്പമോ കമ്പ്യൂട്ട് പവറോ വർദ്ധിപ്പിക്കുന്നതിനേക്കാൾ കൂടുതൽ ട്രെയിനിംഗ് ഡാറ്റ നൽകുന്നത് മികച്ച പ്രകടനം കാഴ്ചവെക്കാൻ സഹായിക്കുമെന്നതാണ് Xiaomi-Robotics-1 ഗവേഷണത്തിന്റെ പ്രധാന സാങ്കേതിക കണ്ടെത്തൽ. വലിയ മോഡലുകൾ പ്രവചന പിശകുകൾ കുറയ്ക്കുന്നുണ്ടെങ്കിലും, ട്രെയിനിംഗ് ഡാറ്റയുടെ അളവ് കൂടുമ്പോൾ അപരിചിതമായ സാഹചര്യങ്ങളിൽ റോബോട്ടിന്റെ വിജയശതമാനം 25%-ൽ നിന്ന് 75%-ലേക്ക് കുതിച്ചുയർന്നു.

കമ്പ്യൂട്ടർ വിഷനിൽ (computer vision) കാണപ്പെടുന്ന പ്രവണതകളെയാണിത് സൂചിപ്പിക്കുന്നത്; അവിടെ പാരാമീറ്ററുകളുടെ എണ്ണം കൂട്ടുന്നതിനേക്കാൾ ഡാറ്റ ചേർക്കുന്നത് കൂടുതൽ മൂല്യം നൽകുന്നു. Xiaomi-യെ സംബന്ധിച്ചിടത്തോളം, ജനറൽ പർപ്പസ് റോബോട്ട് AI (General Purpose Robot AI) എന്ന ലക്ഷ്യത്തിലേക്കുള്ള പാത വലിയ ന്യൂറൽ നെറ്റ്‌വർക്കുകൾ നിർമ്മിക്കുന്നതിനേക്കാൾ ഡാറ്റാസെറ്റുകളുടെ വൈവിധ്യത്തിലും വ്യാപ്തിയിലുമാണ് ഇരിക്കുന്നത്.

സമാനതകളില്ലാത്ത പൊരുത്തപ്പെടലും ബെഞ്ച്മാർക്ക് പ്രകടനവും

പറയുന്നതോ എഴുതുന്നതോ ആയ നിർദ്ദേശങ്ങൾ പാലിക്കാനും കുറഞ്ഞ ഫൈൻ ട്യൂണിംഗിലൂടെ പുതിയ ജോലികളുമായി പൊരുത്തപ്പെടാനും Xiaomi-Robotics-1 രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു. പരിശോധനയിൽ, അലക്ക് ലോഡ് ചെയ്യുക, പ്രിന്ററിലേക്ക് പേപ്പർ ഇടുക, സ്യൂട്ട്കേസുകൾ പാക്ക് ചെയ്യുക തുടങ്ങിയ സങ്കീർണ്ണമായ ജോലികൾ ഈ മോഡലിന് നൽകി.

ഫലങ്ങൾ വ്യക്തമായിരുന്നു:

  • ദ്രുതഗതിയിലുള്ള പൊരുത്തപ്പെടൽ: 10 മണിക്കൂറിൽ താഴെ മാത്രം പ്രത്യേക പരിശീലനം നൽകിയപ്പോൾ, മോഡൽ 75% വിജയശതമാനം കൈവരിച്ചു. ഇത് വെറും 40% മാത്രം നേടിയ എതിരാളിയായ Physical Intelligence-നെക്കാൾ വളരെ മികച്ചതാണ്.
  • ബെഞ്ച്മാർക്കിലെ ആധിപത്യം: പ്രത്യേകിച്ച് മുൻകൂട്ടി കാണാത്ത സങ്കീർണ്ണമായ ജോലികളിൽ (unseen composite tasks), ഈ മോഡൽ RoboCasa365 ലീഡർബോർഡിൽ വലിയ വ്യത്യാസത്തോടെ മുന്നിലാണ്.
  • RoboDojo പ്രകടനം: RoboDojo ബെഞ്ച്മാർക്കിൽ രണ്ടാമതായ മോഡലിനേക്കാൾ ഏകദേശം 58% ഉയർന്ന സ്കോർ Xiaomi-Robotics-1 നേടി.

പേപ്പർ പോലുള്ള മൃദുവായ വസ്തുക്കൾ കൈകാര്യം ചെയ്യുന്നതിലും ഈ മോഡൽ പ്രത്യേക കഴിവ് പ്രകടിപ്പിച്ചു—ഇത് സാധാരണയായി കടുപ്പമേറിയ റോബോട്ടിക് സംവിധാനങ്ങൾക്ക് പ്രയാസകരമായ ഒരു മേഖലയാണ്.

റോബോട്ടിക്സ് വ്യവസായത്തിന് ഒരു പുതിയ ദിശ

മറ്റ് വ്യവസായ ഭീമന്മാരിൽ നിന്ന് വ്യത്യസ്തമായ ഒരു പാതയിലാണ് Xiaomi സഞ്ചരിക്കുന്നത്. Nvidia സിന്തറ്റിക് ഡാറ്റാ ജനറേഷൻ വഴി റോബോട്ടിക്സ് ഡാറ്റാ പ്രശ്നത്തെ ഒരു കമ്പ്യൂട്ട് പ്രശ്നമാക്കി മാറ്റാൻ ശ്രമിക്കുമ്പോൾ, BAAI-യുടെ Orca മോഡൽ ലേബൽ ചെയ്യാത്ത വീഡിയോകളിൽ നിന്ന് പഠിക്കാൻ ശ്രമിക്കുന്നു; എന്നാൽ Xiaomi ഓട്ടോമേറ്റഡ് ആയ, വലിയ തോതിലുള്ള ലേബൽ ചെയ്ത മോഷൻ ഡാറ്റയ്ക്ക് കൂടുതൽ പ്രാധാന്യം നൽകുന്നു.

Xiaomi ഈ മോഡലും കോഡും GitHub, Hugging Face എന്നിവയിൽ റിലീസ് ചെയ്യാൻ തയ്യാറെടുക്കുമ്പോൾ വ്യവസായം ഉറ്റുനോക്കുകയാണ്. റോബോട്ടിക്സിന്റെ അടുത്ത ഘട്ടം ഏറ്റവും ശക്തമായ ചിപ്പുകളുള്ളവരിലൂടെയല്ല, മറിച്ച് ഏറ്റവും വൈവിധ്യമാർന്നതും കൃത്യമായി ലേബൽ ചെയ്തതുമായ മോഷൻ ഡാറ്റാസെറ്റുകൾ ഉള്ളവരിലൂടെയായിരിക്കും എന്നതിലേക്കാണ് ഈ വികാസം വിരൽ ചൂണ്ടുന്നത്.

പ്രധാന കാര്യങ്ങൾ

  • ഡാറ്റാ കേന്ദ്രീകൃത സ്കെയിലിംഗ്: മോഡലിന്റെ വലുപ്പമോ കമ്പ്യൂട്ടോ വർദ്ധിപ്പിക്കുന്നതിനേക്കാൾ റോബോട്ടിക് വിജയശതമാനം വർദ്ധിപ്പിക്കാൻ ട്രെയിനിംഗ് ഡാറ്റയുടെ അളവ് കൂട്ടുന്നതാണ് കൂടുതൽ ഫലപ്രദം എന്ന് തെളിയിക്കപ്പെട്ടു.
  • നൂതനമായ ശേഖരണം: ഹാൻഡ്‌ഹെൽഡ് ഗ്രിപ്പറുകൾ ഉപയോഗിച്ചതിലൂടെ പ്രത്യേക റോബോട്ടുകളുടെ സഹായമില്ലാതെ തന്നെ 1,700 സാഹചര്യങ്ങളിൽ നിന്ന് 1,00,000 മണിക്കൂർ മോഷൻ ഡാറ്റ ശേഖരിക്കാൻ Xiaomi-ക്ക് സാധിച്ചു.
  • ഉയർന്ന ജനറലൈസേഷൻ: 10 മണിക്കൂറിൽ താഴെ മാത്രം അധിക പരിശീലനം നൽകിയാൽ പുതിയ ജോലികളിലും 75% വിജയശതമാനം കൈവരിക്കാൻ ഈ മോഡലിന് കഴിയും.