Fei-Fei Li आणि Yunzhu Li यांनी अलीकडे एका a16z पॉडकास्टमध्ये सांगितले की, World Labs एक "real-to-sim-to-real" पाइपलाइन सादर करत आहे, ज्यामुळे रोबोट्स प्रत्यक्ष जमिनीवर उतरण्यापूर्वी उच्च-गुणवत्तेच्या डिजिटल ट्विन्समध्ये (digital twins) अवकाशीय कार्ये (spatial tasks) शिकू शकतात. हा दृष्टिकोन रोबोट ट्रेनिंग डेटा गोळा करण्याचा खर्च आणि जोखीम कमी करतो, जो एक असा अडथळा आहे ज्यामुळे अनेक ऑटोमेशन प्रकल्प प्रयोगशाळेपुरतेच मर्यादित राहिले आहेत.

रोबोट्सना केवळ भाषेपेक्षा अधिक कशाची गरज आहे

लार्ज लँग्वेज मॉडेल्स (Large language models) संपूर्ण इंटरनेटवरील मजकूर गोळा करू शकतात, परंतु रोबोट केवळ व्हिडिओ पाहून त्यात जे दिसते त्याची नक्कल करू शकत नाही. वेअरहाऊसमध्ये फिरण्यासाठी किंवा हॉटेलची खोली साफ करण्यासाठी, रोबोटला त्रिमितीय भूमिती (three-dimensional geometry), पृष्ठभागाचे गुणधर्म आणि ढकलणे, उचलणे आणि रचणे (pushing, lifting and stacking) यांसारख्या भौतिकशास्त्राची समज असणे आवश्यक आहे. हे सर्व "स्पेशियल इंटेलिजन्स" (spatial intelligence) चे घटक आहेत आणि ते वास्तविक जगात मोठ्या प्रमाणावर टिपणे कठीण असते.

डेटाचा अडथळा (The data bottleneck)

वास्तविक जगातील रोबोट डेटा गोळा करणे संथ, महागडे आणि कधीकधी धोकादायक असते. एका लहान चुकीमुळे हार्डवेअरचे नुकसान होऊ शकते, उत्पादन प्रक्रिया थांबवू शकते किंवा मानवी कामगाराला इजा पोहोचवू शकते. यामुळेच, बहुतेक रोबोटिक्स टीम्स लहान, हाताने तयार केलेल्या डेटासेटवर अवलंबून असतात, जे दैनंदिन वातावरणांमधील विविधता कव्हर करू शकत नाहीत.

World Labs त्यांच्या अलाइन केलेल्या डिजिटल जगांच्या निर्मितीद्वारे हा अडथळा दूर करत आहे. त्यांची SceniX सिस्टम भौतिक जागेचे सिम्युलेशनमध्ये रूपांतर करते, जे भूमिती (भिंती आणि वस्तूंचा आकार), स्वरूप (टेक्सचर, रंग, प्रकाश) आणि भौतिकशास्त्र (वस्तू ढकलल्यावर त्या कशा हालचाल करतात) जतन करते. रोबोट त्या व्हर्च्युअल प्रतिमेमध्ये सराव करतो आणि नंतर तेच पॉलिसीज (policies) वास्तविक सेटिंगमध्ये वापरले जातात.

व्हिडिओ मॉडेल्स पुरेसे नाहीत

काही संशोधकांचे असे मत आहे की हाय-रिझोल्यूशन व्हिडिओ जनरेटर्स भौतिक सिम्युलेशनची जागा घेऊ शकतात. ही मॉडेल्स रोबोटच्या दृष्टिकोनातून संभाव्य फ्रेम्स तयार करू शकतात, परंतु त्यांच्याकडे सुसंगत भौतिकशास्त्र (consistent physics) नसते. जर सिम्युलेटेड व्हिडिओमध्ये एखादा कप ढकलल्यानंतर गायब होत असेल, तर त्या फुटेजवर प्रशिक्षित झालेला रोबोट चुकीचा कार्यकारणभाव (cause-and-effect relationship) शिकेल. World Labs ची पाइपलाइन अशा जगावर भर देते जे काळ, अवकाश आणि परस्परसंवादाच्या दरम्यान सुसंगत राहते, ज्यामुळे रोबोटची "मसल मेमरी" (muscle memory) वास्तविक जगाच्या भौतिकशास्त्राशी जुळते याची खात्री मिळते.

अर्ध-रचित जागांना (Semi-structured spaces) लक्ष्य करणे

ही टीम उद्या लिव्हिंग रूममध्ये फिरणाऱ्या मानवी आकाराच्या (humanoid) सहाय्यकांसाठी काम करत नाहीये. त्याऐवजी, ते अशा अर्ध-रचित वातावरणावर लक्ष केंद्रित करत आहेत जिथे मांडणी (layout) डिजिटल ट्विन अचूक राहण्याइतपत अंदाजित आहे, परंतु वास्तविक अवकाशीय तर्क (spatial reasoning) आवश्यक ठरेल इतकी वैविध्यपूर्ण आहे. उदाहरणे:

  • वेअरहाऊस जिथे वस्तू शेल्फ आणि पॅलेट्सवर ठेवल्या जातात
  • रेस्टॉरंट्स जिथे टेबल, खुर्च्या आणि फिरणारे कर्मचारी असतात
  • हॉटेल्स जिथे कॉरिडॉर, खोल्या आणि सर्व्हिस कार्ट्स असतात
  • औद्योगिक ठिकाणे जिथे मशिनरी, कन्व्हेयर्स आणि सुरक्षा अडथळे असतात

ही अशी ठिकाणे आहेत जिथे व्यवसाय आधीच ऑटोमेशनची मागणी करत आहेत. पॉडकास्टमध्ये नमूद केलेल्या एका अलीकडील सर्वेक्षणातून असे दिसून आले आहे की, विनंती केलेल्या रोबोट कामांपैकी एक तृतीयांश कामांमध्ये साफसफाईचा समावेश आहे—जे पुनरावृत्ती होणारे आणि कंटाळवाणे काम आहे जे मानवांना यंत्रांकडे सोपवायला आवडेल.

यशाचे स्वरूप कसे असेल

World Labs चा रोडमॅप पुढील दोन वर्षांत विशिष्ट उद्योगांमध्ये ही पाइपलाइन सिद्ध करण्यावर अवलंबून आहे. जर एखादा रोबोट सिम्युलेटेड वेअरहाऊसमध्ये वारंवार पॅलेट हलवू शकला आणि त्यानंतर पुन्हा ट्रेनिंग न घेता वास्तविक सुविधेत तेच करू शकला, तर मॉडेलने "विश्वासार्ह सिम्युलेशनमुळे विश्वासार्ह रोबोट्स मिळतात" हे सिद्ध केले आहे. ही विश्वासार्हता मोठ्या करारांना वाव देऊ शकते आणि डिजिटल ट्विन निर्मितीमधील सुरुवातीच्या गुंतवणुकीचे समर्थन करू शकते.

पुढे काय पाहायचे

  • इंडस्ट्री पायलट (Industry pilots) – वेअरहाऊस किंवा हॉटेल्समधील पहिल्या काही तैनातीमुळे (deployments) ही पाइपलाइन प्रत्यक्ष कामाच्या ठिकाणी येणाऱ्या गुंतागुंतीच्या समस्या हाताळू शकते की नाही, हे स्पष्ट होईल.

मूळ कल्पना साधी आहे: रोबोट्सना प्रत्यक्ष मंचावर येण्यापूर्वी एक परिपूर्ण सराव अवकाश (rehearsal space) द्या. जर World Labs त्या सरावाचे रूपांतर सातत्यपूर्ण कामगिरीमध्ये करू शकले, तर रोबोटिक्समधील सर्वात कठीण समस्या—यंत्रांना भौतिक जगातील गोष्टी समजून घेण्यास आणि त्यानुसार कृती करण्यास शिकवणे—यावर अखेर व्यावहारिक उपाय मिळू शकेल.