Physical AI ਦੀ ਸੀਮਾ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੀ ਹੈ: ਸਾਡੇ ਕੋਲ ਉੱਚ-ਸ਼ੁੱਧਤਾ (high-fidelity), ਅਸਲ-ਦੁਨੀਆ ਦੇ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀ ਘਾਟ ਹੈ। Large Language Models ਇੰਟਰਨੈਟ ਦੇ ਟੈਕਸਟ ਨੂੰ ਸਕ੍ਰੇਪ (scrape) ਕਰਕੇ ਵਧੇ; ਰੋਬੋਟਿਕਸ ਨੂੰ ਇਸ ਤੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਮਹਿੰਗੇ ਤਰੀਕੇ ਦੀ ਲੋੜ ਹੈ।

ਰੋਬੋਟਿਕਸ ਵਿੱਚ ਡੇਟਾ ਦੀ ਘਾਟ ਦੀ ਸਮੱਸਿਆ

Humanoid ਅਤੇ ਵੇਅਰਹਾਊਸ ਰੋਬੋਟਾਂ ਨੂੰ ਮਨੁੱਖੀ ਚੁਸਤੀ (dexterity) ਦੇ ਬਰਾਬਰ ਹੋਣ ਲਈ, ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਡੇਟਾ ਪੈਮਾਨੇ ਦੀ ਲੋੜ ਹੈ ਜੋ ਅਜੇ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। Encord ਦੇ ਰੋਬੋਟ ਲਰਨਿੰਗ ਹੈੱਡ ਅਤੇ OpenAI ਦੇ ਰੋਬੋਟ ਲੈਬ ਦੇ ਵੈਟਰਨ, Vineeth Velmurugan ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਇਸ ਖੇਤਰ ਵਿੱਚ ਵੱਡੀ ਸਫਲਤਾ ਲਈ YouTube ਦੇ ਪੂਰੇ ਵੀਡੀਓ ਕੋਰਪਸ (corpus) ਤੋਂ ਲਗਭਗ ਪੰਜ ਗੁਣਾ ਵੱਡੇ ਡੇਟਾਸੈੱਟ ਦੀ ਲੋੜ ਹੈ।

ਟੈਕਸਟ ਭਰਪੂਰ ਮਾਤਰਾ ਵਿੱਚ ਉਪਲਬਧ ਹੈ ਅਤੇ ਇਸਨੂੰ ਸਕ੍ਰੇਪ ਕਰਨਾ ਮੁਫਤ ਹੈ। ਭੌਤਿਕ ਡੇਟਾ (Physical data) ਨੂੰ ਤਿਆਰ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਸਿਰਫ਼ ਵੀਡੀਓ ਤੋਂ ਟ੍ਰੇਨਿੰਗ ਲੈਣ ਨਾਲ ਅਕਸਰ ਉਹ ਸ਼ੁੱਧਤਾ ਨਹੀਂ ਮਿਲਦੀ ਜੋ ਗੁੰਝਲਦਾਰ ਹਰਕਤਾਂ (complex manipulation) ਲਈ ਲੋੜੀਂਦੀ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ, ਉਦਯੋਗ ਹੁਣ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਸੁਧਾਰ ਕਰਨ ਦੀ ਬਜਾਏ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ, ਐਨੋਟੇਟਡ (annotated) ਭੌਤਿਕ ਡੇਟਾ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਔਖੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਵੱਲ ਵਧ ਗਿਆ ਹੈ।

ਵੀਡੀਓ ਤੋਂ ਪਰੇ: ਬ੍ਰੇਨ ਵੇਵਜ਼ ਅਤੇ ਮਾਸਪੇਸ਼ੀ ਦੇ ਸੰਕੇਤਾਂ ਦੀ ਵਰਤੋਂ

Encord ਵਰਗੇ ਸਟਾਰਟਅੱਪ ਰੋਬੋਟਾਂ ਨੂੰ ਡੂੰਘਾ ਸੰਦਰਭ (context) ਦੇਣ ਲਈ ਨਵੇਂ ਡੇਟਾ ਮੋਡੈਲਿਟੀਜ਼ (modalities) ਦੀ ਜਾਂਚ ਕਰ ਰਹੇ ਹਨ। German ਨਿਊਰੋਸਾਇੰਸ ਸਟਾਰਟਅੱਪ Zander Labs ਦੇ ਨਾਲ ਇੱਕ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ, Encord ਆਪਰੇਟਰਾਂ ਨੂੰ ਬ੍ਰੇਨ-ਵੇਵ ਹੈੱਡਸੈੱਟਾਂ ਨਾਲ ਲੈਸ ਕਰਦਾ ਹੈ। ਨਿਊਰਲ ਗਤੀਵਿਧੀ ਨੂੰ ਮਾਪ ਕੇ, ਖੋਜਕਰਤਾ ਇਰਾਦੇ (intent), ਗਲਤੀ ਅਤੇ ਹੈਰਾਨੀ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ।

Zander ਦੇ ਨਿਊਰੋਸਾਇੰਟਿਸਟ, Lucas Gehrke ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਦਿਮਾਗੀ ਗਤੀਵਿਧੀ ਨੂੰ ਟ੍ਰੈਕ ਕਰਨ ਨਾਲ ਮਾਡਲ ਬਣਾਉਣ ਵਾਲਿਆਂ ਨੂੰ ਇਹ ਪਤਾ ਲੱਗ ਜਾਂਦਾ ਹੈ ਕਿ ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਕਿਸ ਸਮੇਂ ਕਿਸੇ ਔਖੇ ਕੰਮ ਲਈ ਆਪਣੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।

Encord ਇਹਨਾਂ ਚੀਜ਼ਾਂ ਦੀ ਵੀ ਖੋਜ ਕਰ ਰਿਹਾ ਹੈ:

  • Electromyography (EMG): ਮੁੱਢੜੇ (forearm) 'ਤੇ ਲੱਗੇ ਸੈਂਸਰ ਮਾਸਪੇਸ਼ੀਆਂ ਵਿੱਚ ਬਿਜਲੀ ਦੇ ਸੰਕੇਤਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਹੱਥ ਦੀਆਂ ਹਰਕਤਾਂ ਦਾ ਇੱਕ 3-D ਨਕਸ਼ਾ ਤਿਆਰ ਹੁੰਦਾ ਹੈ ਜੋ ਸਿਰ 'ਤੇ ਲੱਗੇ ਕੈਮਰਿਆਂ ਤੋਂ ਅਕਸਰ ਰਹਿ ਜਾਂਦਾ ਹੈ।
  • Leader-Follower Rigs: ਜੋੜੇ ਵਾਲੇ ਰੋਬੋਟਿਕ ਹੱਥ ਜਿੱਥੇ ਇੱਕ ਮਨੁੱਖੀ ਆਪਰੇਟਰ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, ਅਤੇ ਤਰਲ ਪਦਾਰਥ ਪਾਉਣ ਜਾਂ ਪੋਕਰ ਚਿੱਪਸ ਨੂੰ ਇੱਕ ਦੇ ਉੱਪਰ ਇੱਕ ਰੱਖਣ ਵਰਗੀਆਂ ਸਹੀ ਹਰਕਤਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ।
  • Dense Annotation: ਲੇਬਲ ਜਿਵੇਂ ਕਿ “ਸੱਜਾ ਹੱਥ ਬੋਲਟ ਨੂੰ ਟਾਈਟ ਕਰ ਰਿਹਾ ਹੈ।” Velmurugan ਦਾ ਅਨੁਮਾਨ ਹੈ ਕਿ ਖਾਸ ਕੰਮਾਂ ਦੀ ਟ੍ਰੇਨਿੰਗ ਲਈ ਇਹ ਡੈਂਸ ਐਨੋਟੇਸ਼ਨ (dense annotation) ਕੱਚੇ (raw) ego ਵੀਡੀਓ ਨਾਲੋਂ 100 ਗੁਣਾ ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੈ।

Physical AI ਦੀ ਆਰਥਿਕ ਅਸਲੀਅਤ

ਡਿਜੀਟਲ-ਪਹਿਲਾਂ AI ਤੋਂ Physical AI ਵੱਲ ਵਧਣਾ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਆਰਥਿਕਤਾ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। LLM ਲੈਬਾਂ ਨੇ ਵੈੱਬ ਤੋਂ ਡੇਟਾ ਲੈ ਕੇ ਲਗਭਗ-ਜ਼ੀਰੋ ਮਾਰਜਨਲ ਲਾਗਤ 'ਤੇ ਮਾਡਲ ਬਣਾਏ। ਰੋਬੋਟ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਤਿਆਰ ਕਰਨ ਲਈ ਹਾਰਡਵੇਅਰ, ਮਨੁੱਖੀ ਆਪਰੇਟਰਾਂ ਅਤੇ ਬਹੁਤ ਹੀ ਬਾਰੀਕੀ ਨਾਲ ਐਨੋਟੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। Encord ਦਾ ਉਦੇਸ਼ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਇਸਦੀ ਦਿੱਤੀ ਗਈ ਕੀਮਤ ਨਾਲੋਂ 20 ਗੁਣਾ ਵਧੇਰੇ ਕਿਫਾਇਤੀ ਬਣਾਉਣਾ ਹੈ, ਫਿਰ ਵੀ ਇਹ ਵੱਡੇ ਰੋਬੋਟ ਫਲੀਟਾਂ ਲਈ ਕਰੋੜਾਂ ਡਾਲਰਾਂ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ।

ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਪਹਿਲਾਂ ਵਿਸ਼ਾਲ ਅਤੇ ਭਰਪੂਰ ਐਨੋਟੇਟਡ ਡੇਟਾਸੈੱਟ ਤਿਆਰ ਕਰਨਗੀਆਂ, ਉਹ ਆਟੋਨੋਮਸ ਮੈਨੀਪੂਲੇਸ਼ਨ (autonomous manipulation) ਵਿੱਚ ਦਬਦਬਾ ਰੱਖਣਗੀਆਂ—Ethernet ਕੇਬਲ ਲਗਾਉਣ ਤੋਂ ਲੈ ਕੇ ਵਸਤੂਆਂ ਨੂੰ ਚੁੱਕਣ ਅਤੇ ਪੈਕ ਕਰਨ ਤੱਕ। ਜੋ ਕੰਪਨੀਆਂ ਸਿਰਫ਼ ਵੀਡੀਓ ਪਾਈਪਲਾਈਨਾਂ 'ਤੇ ਟਿਕੇ ਰਹਿਣਗੀਆਂ, ਉਹ ਪਛੜ ਜਾਣ ਦਾ ਖ਼ਤਰਾ ਮੁੱਲਣਗੀਆਂ ਕਿਉਂਕਿ ਮੁਕਾਬਲੇਬਾਜ਼ ਮਨੁੱਖੀ ਸਰੀਰ ਅਤੇ ਦਿਮਾਗ ਤੋਂ ਵਧੇਰੇ ਅਮੀਰ ਸੰਕੇਤ ਇਕੱਠੇ ਕਰ ਰਹੇ ਹਨ।

ਮੁੱਖ ਨੁਕਤੇ

  • ਡਾਟਾ ਨਿਰਮਾਣ ਬਨਾਮ ਇਕੱਠਾ ਕਰਨਾ: LLMs ਦੇ ਉਲਟ, ਜੋ ਮੌਜੂਦਾ ਇੰਟਰਨੈਟ ਡੇਟਾ ਨੂੰ ਸਕ੍ਰੇਪ ਕਰਦੇ ਹਨ, Physical AI ਨੂੰ ਉੱਚ-ਸ਼ੁੱਧਤਾ ਵਾਲੇ ਡੇਟਾਸੈੱਟਾਂ ਦੇ ਮ

ਦਿਮਾਗੀ ਤਰੰਗਾਂ ਅਤੇ ਮਾਸਪੇਸ਼ੀ ਸੰਕੇਤਾਂ ਨੂੰ ਜੋੜਨਾ

Encord-Zander ਪਾਇਲਟ ਵਿਜ਼ੂਅਲ ਰਿਕਾਰਡ ਵਿੱਚ ਸਰੀਰਕ ਸੰਕੇਤਾਂ (physiological signals) ਨੂੰ ਜੋੜ ਕੇ ਉਸ ਖਾਲੀਪਣ ਨੂੰ ਭਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ। ਆਪਰੇਟਰ ਅਜਿਹੇ ਹੈੱਡਸੈੱਟ ਪਹਿਨਦੇ ਹਨ ਜੋ ਇਲੈਕਟ੍ਰੋਐਨਸੈਫਲੋਗ੍ਰਾਫੀ (EEG) – ਦਿਮਾਗ ਦੀ ਬਿਜਲਈ ਗਤੀਵਿਧੀ – ਨੂੰ ਪੜ੍ਹਦੇ ਹਨ, ਜਦੋਂ ਕਿ ਅੱਗੇ ਵਾਲੇ ਹੱਥ (forearm) 'ਤੇ ਲੱਗੇ EMG ਸੈਂਸਰ ਮਾਸਪੇਸ਼ੀ ਸੰਕੇਤਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਦੇ ਹਨ। ਇਸਦਾ ਉਦੇਸ਼ ਇਰਾਦਾ, ਹੈਰਾਨੀ ਜਾਂ ਗਲਤੀ ਵਰਗੀਆਂ ਮਾਨਸਿਕ ਅਵਸਥਾਵਾਂ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣਾ ਅਤੇ ਕੱਚੀ ਮਾਸਪੇਸ਼ੀ ਗਤੀਵਿਧੀ ਨੂੰ ਹੱਥ ਦੀ ਹਰਕਤ ਦੇ ਤਿੰਨ-ਆਯਾਮੀ (three-dimensional) ਨਕਸ਼ੇ ਵਿੱਚ ਬਦਲਣਾ ਹੈ, ਜੋ ਸਿਰਫ਼ ਵੀਡੀਓ ਰਾਹੀਂ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

Zander ਦੇ ਇੱਕ ਨਿਊਰੋਸਾਇੰਟਿਸਟ, ਲੂਕਸ ਗੇਰਕੇ (Lucas Gehrke) ਸਮਝਾਉਂਦੇ ਹਨ ਕਿ ਇਹ ਜਾਣਨਾ ਕਿ ਕੋਈ ਇਨਸਾਨ ਕਦੋਂ ਕਿਸੇ ਮੁਸ਼ਕਲ ਸਬ-ਟਾਸਕ ਦੀ ਉਮੀਦ ਕਰ ਰਿਹਾ ਹੈ, ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਸਹੀ ਸਮੇਂ 'ਤੇ ਆਪਣੇ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।

ਨਿਊਰੋ-ਡਾਟਾ ਤੋਂ ਇਲਾਵਾ, Encord ਕੁਝ ਪੂਰਕ ਤਕਨੀਕਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ:

  • Electromyography (EMG): ਅੱਗੇ ਵਾਲੇ ਹੱਥ (forearm) 'ਤੇ ਲੱਗੇ ਸੈਂਸਰ ਮਾਸਪੇਸ਼ੀ ਦੀ ਸਰਗਰਮੀ ਦਾ ਲਾਈਵ ਰੀਡ-ਆਊਟ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਂਗਲਾਂ ਦੇ ਰਸਤੇ (trajectories) ਦਾ ਸਹੀ ਪੁਨਰ ਨਿਰਮਾਣ ਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਸਿਰ 'ਤੇ ਲੱਗੇ ਕੈਮਰਿਆਂ ਤੋਂ ਅਕਸਰ ਰਹਿ ਜਾਂਦਾ ਹੈ।
  • Leader-follower rigs: ਰੋਬੋਟਿਕ ਬਾਹਾਂ ਦੀ ਇੱਕ ਜੋੜੀ ਇਕੱਠੇ ਕੰਮ ਕਰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚੋਂ ਇੱਕ ਇਨਸਾਨੀ ਆਪਰੇਟਰ ਦੀਆਂ ਹਰਕਤਾਂ ਦੀ ਨਕਲ ਕਰਦੀ ਹੈ। ਇਹ ਬਾਰੀਕ ਕੰਮਾਂ—ਜਿਵੇਂ ਤਰਲ ਪਦਾਰਥ ਪਾਉਣਾ, ਚਿਪਸ ਨੂੰ ਇੱਕ ਦੇ ਉੱਪਰ ਇੱਕ ਰੱਖਣਾ—ਨੂੰ ਕੈਪਚਰ ਕਰਦਾ ਹੈ, ਜਿੱਥੇ ਮਿਲੀਮੀਟਰ ਪੱਧਰ ਦੀਆਂ ਗਲਤੀਆਂ ਵੀ ਮਾਇਨੇ ਰੱਖਦੀਆਂ ਹਨ।
  • Dense annotation: ਸਿਰਫ਼ ਉੱਚ-ਪੱਧਰੀ ਕਾਰਵਾਈਆਂ ਨੂੰ ਲੇਬਲ ਕਰਨ ਦੀ ਬਜਾਏ, ਵੇਲਮੁਰੂਗਨ (Velmurugan) ਦੀ ਟੀਮ ਬਾਰੀਕ ਵੇਰਵੇ ਜੋੜਦੀ ਹੈ ਜਿਵੇਂ ਕਿ “ਸੱਜਾ ਹੱਥ ਬੋਲਟ ਨੂੰ ਕੱਸਦਾ ਹੈ।” ਉਹ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ ਕਿ ਇਹ ਵੇਰਵਾ ਸਿਰਫ਼ ego-centric ਵੀਡੀਓ ਦੇ ਮੁਕਾਬਲੇ ਇੱਕ ਖਾਸ ਮੈਨੀਪੂਲੇਸ਼ਨ ਹੁਨਰ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਲਗਭਗ 100 × ਜ਼ਿਆਦਾ ਕੀਮਤੀ ਹੈ।

ਡਾਟਾ ਨਿਰਮਾਣ ਦੀ ਅਰਥ ਸ਼ਾਸਤਰ (Economics)

Physical AI ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਵਿੱਤੀ ਹਿਸਾਬ-ਕਿਤਾਬ ਨੂੰ ਬਦਲ ਰਿਹਾ ਹੈ। LLM ਲੈਬਾਂ ਨੇ ਲਗਭਗ ਜ਼ੀਰੋ ਮਾਰਜਨਲ ਲਾਗਤ 'ਤੇ ਮਾਡਲ ਬਣਾਏ ਕਿਉਂਕਿ ਇੰਟਰਨੈੱਟ ਅੰਤਹੀਣ ਟੈਕਸਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਰੋਬੋਟ ਸਿਖਲਾਈ ਡਾਟਾ ਤਿਆਰ ਕਰਨ ਲਈ ਹਾਰਡਵੇਅਰ, ਮਨੁੱਖੀ ਆਪਰੇਟਰਾਂ ਅਤੇ ਬਹੁਤ ਮਿਹਨਤ ਵਾਲੀ ਐਨੋਟੇਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। Encord ਦਾ ਅੰਦਰੂਨੀ ਟੀਚਾ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡਾਟਾ ਨੂੰ ਗਾਹਕਾਂ ਨੂੰ ਦਿੱਤੀ ਜਾਣ ਵਾਲੀ ਕੀਮਤ ਨਾਲੋਂ 20 × ਵਧੇਰੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਬਣਾਉਣਾ ਹੈ, ਪਰ ਉਹ ਹਮਲਾਵਰ ਕੁਸ਼ਲਤਾ ਵੀ ਵੱਡੇ ਪੱਧਰ ਦੇ ਰੋਬੋਟ ਫਲੀਟਾਂ ਲਈ ਕਰੋੜਾਂ ਡਾਲਰਾਂ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ।

ਦਾਅਵਾਂ ਸਪੱਸ਼ਟ ਹਨ: ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਪਹਿਲਾਂ ਵਿਸ਼ਾਲ, ਭਰਪੂਰ ਐਨੋਟੇਟਡ ਡੇਟਾਸੈਟ ਤਿਆਰ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਉਹ ਆਟੋਨੋਮਸ ਮੈਨੀਪੂਲੇਸ਼ਨ ਦੇ ਉਭਰ ਰਹੇ ਬਾਜ਼ਾਰ 'ਤੇ ਹਾਵੀ ਹੋਣਗੀਆਂ—ਚਾਹੇ ਇਸਦਾ ਮਤਲਬ ਡਾਟਾ-ਸੈਂਟਰ ਫਲੋਰ 'ਤੇ Ethernet ਕੇਬਲ ਲਗਾਉਣਾ ਹੋਵੇ ਜਾਂ ਡਿਸਟਰੀਬਿਊਸ਼ਨ ਸੈਂਟਰ ਵਿੱਚ ਵਸਤੂਆਂ ਨੂੰ ਚੁੱਕਣਾ ਅਤੇ ਪੈਕ ਕਰਨਾ ਹੋਵੇ। ਜੋ ਕੰਪਨੀਆਂ ਸਿਰਫ਼ ਵੀਡੀਓ ਪਾਈਪਲਾਈਨਾਂ 'ਤੇ ਨਿਰਭਰ ਰਹਿਣਗੀਆਂ, ਉਹ ਪਿੱਛੇ ਰਹਿ ਜਾਣ ਦਾ ਖਤਰਾ ਮੁੱਲ ਲੈਂਦੀਆਂ ਹਨ ਕਿਉਂਕਿ ਮੁਕਾਬਲੇਬਾਜ਼ ਮਨੁੱਖੀ ਸਰੀਰ ਅਤੇ ਦਿਮਾਗ ਤੋਂ ਵਧੇਰੇ ਅਮੀਰ ਸੰਕੇਤ ਕੱਢ ਰਹੇ ਹਨ।

ਵਿਰੋਧੀ ਵਿਚਾਰ ਅਤੇ ਖੁੱਲ੍ਹੇ ਸਵਾਲ

ਹਰ ਕੋਈ ਇਸ ਗੱਲ ਤੋਂ ਸਹਿਮਤ ਨਹੀਂ ਹੈ ਕਿ ਨਿਊਰੋ-ਸੰਕੇਤ ਹੀ ਉਹ ਗੁੰਮ ਹੋਈ ਕੜੀ ਹਨ। ਆਲੋਚਕਾਂ ਦਾ ਤਰਕ ਹੈ ਕਿ ਵਧਿਆ ਹੋਇਆ ਹਾਰਡਵੇਅਰ ਦੀ ਜਟਿਲਤਾ ਲਾਭਾਂ ਨਾਲੋਂ ਵੱਧ ਸਕਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਵੀਡੀਓ ਅਤੇ ਫੋਰਸ-ਟਾਰਕ ਸੈਂਸਰ ਪਹਿਲਾਂ ਹੀ ਕਈ ਉਦਯੋਗਿਕ ਕੰਮਾਂ ਲਈ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ। ਪੈਮਾਨੇ (Scalability) ਦੀ ਸਮੱਸਿਆ ਇੱਕ ਹੋਰ ਚਿੰਤਾ ਹੈ: ਹਜ਼ਾਰਾਂ ਆਪਰੇਟਰਾਂ ਨੂੰ EEG ਹੈੱਡਸੈੱਟ ਅਤੇ EMG ਰਿਗਾਂ ਨਾਲ ਲੈਸ ਕਰਨਾ ਛੋਟੇ ਨਿਰਮਾਤਾਵਾਂ ਲਈ ਮਹਿੰਗਾ ਸਾਬਤ ਹੋ ਸਕਦਾ ਹੈ।

ਡਾਟਾ-ਜਨਰੇਸ਼ਨ ਪਾਈਪਲਾਈਨ ਅਜੇ ਵੀ ਮਿਹਨਤ ਵਾਲੀ ਹੈ। ਲੀਡਰ-ਫਾਲੋਅਰ ਰਿਗਾਂ ਦੇ ਨਾਲ ਵੀ, ਇੱਕ ਸੱਚਮੁੱਚ ਆਮ ਰੋਬੋਟ ਲਈ ਲੋੜੀਂਦੇ ਕੰਮਾਂ ਦੀ ਵਿਸ਼ਾਲਤਾ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਲਈ ਕਈ ਲੈਬਾਂ ਅਤੇ ਫੈਕਟਰੀਆਂ ਵਿੱਚ ਲਗਾਤਾਰ, ਤਾਲਮੇਲ ਵਾਲੇ ਯਤਨਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ। ਬਾਜ਼ਾਰ ਨੂੰ ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਹੋਵੇਗਾ ਕਿ ਕੀ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਹੋਣ ਵਾਲਾ ਥੋੜ੍ਹਾ ਜਿਹਾ ਵਾਧਾ ਸ਼ੁਰੂਆਤੀ ਨਿਵੇਸ਼ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਡਾਟਾ ਵਾਲੀਅਮ ਮਾਈਲਸਟੋਨ: Encord ਦਾ YouTube ਦੇ ਆਕਾਰ ਤੋਂ ਪੰਜ ਗੁਣਾ ਵੱਡੇ ਡੇਟਾਸੈਟ ਦਾ ਦਾਅਵਾ ਇੱਕ ਠੋਸ ਮੀਲ ਪੱਥਰ ਹੋਵੇਗਾ। ਜਦੋਂ ਇਹ ਪ੍ਰਗਟ ਕੀਤਾ ਜਾਵੇਗਾ, ਤਾਂ ਹੋਰ ਖਿਡਾਰੀਆਂ ਕੋਲ ਮਿਲਾਨ ਕਰਨ ਜਾਂ ਉਸ ਤੋਂ ਅੱਗੇ ਜਾਣ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਟੀਚਾ ਹੋਵੇਗਾ।
  • ਹਾਰਡਵੇਅਰ ਅਪਣਾਉਣ ਦੀ ਦਰ: ਜਿਸ ਰਫ਼ਤਾਰ ਨਾਲ EEG ਅਤੇ EMG ਯੰਤਰ ਡਾਟਾ-ਕਲੈਕਸ਼ਨ ਰਿਗਾਂ ਵਿੱਚ ਮਿਆਰੀ ਬਣਦੇ ਹਨ, ਉਹ ਇਹ ਦੱਸੇਗਾ ਕਿ ਕੀ ਇਹ ਪਹੁੰਚ ਪ੍ਰਯੋਗਿਕ ਪਾਇਲਟਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਸਕਦੀ ਹੈ।
  • ਲਾਗਤ ਮੈਟ੍ਰਿਕਸ: ਜੇਕਰ Encord ਸਾਬਤ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਵਾਅਦਾ ਕੀਤੇ 20-ਗੁਣਾ ਲਾਗਤ ਲਾਭ ਨੂੰ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਇਹ ਮਾਡਲ ਡਿਜ਼ਾਈਨ ਦੀ ਬਜਾਏ "ਡਾਟਾ ਨਿਰਮਾਣ" 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਨਵੇਂ ਖਿਡਾਰੀਆਂ ਦੀ ਇੱਕ ਲਹਿਰ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ।
  • ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਅੰਤਰ