Xiaomi-Robotics-1 ਨੇ ਸਾਬਤ ਕੀਤਾ ਕਿ ਰੋਬੋਟਿਕਸ ਵਿੱਚ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਮਾਡਲ ਦੇ ਆਕਾਰ ਨਾਲੋਂ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ

Xiaomi ਨੇ Xiaomi-Robotics-1 ਪੇਸ਼ ਕੀਤਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਕ੍ਰਾਂਤੀਕਾਰੀ ਫਾਊਂਡੇਸ਼ਨ ਮਾਡਲ ਹੈ। ਇਹ ਰੋਬੋਟਿਕ ਸਿਖਲਾਈ ਦੇ ਪੈਰਾਡਾਈਮ ਨੂੰ ਕੰਪਿਊਟ ਪਾਵਰ ਵਧਾਉਣ ਦੀ ਬਜਾਏ ਵਿਸ਼ਾਲ ਡਾਟਾ ਸਕੈਲਿੰਗ ਵੱਲ ਮੋੜਦਾ ਹੈ। ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦੇ ਇੱਕ ਵਿਲੱਖਣ ਤਰੀਕੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਮਾਡਲ ਅਣਜਾਣ ਵਾਤਾਵਰਣਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਵਿੱਚ ਬੇਮਿਸਾਲ ਅਨੁਕੂਲਤਾ (adaptability) ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।

ਹੈਂਡਹੈਲਡ ਗ੍ਰਿਪਰਾਂ ਨਾਲ ਡਾਟਾ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਖਤਮ ਕਰਨਾ

ਰੋਬੋਟਿਕਸ ਵਿੱਚ ਮੁੱਖ ਚੁਣੌਤੀ ਹਮੇਸ਼ਾ "ਡਾਟਾ ਬੋਟਲਨੇਕ" (data bottleneck) ਰਹੀ ਹੈ—ਮਤਲਬ ਮਹਿੰਗੇ ਅਤੇ ਸਥਿਰ ਰੋਬੋਟਿਕ ਹੱਥਾਂ ਤੋਂ ਬਿਨਾਂ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਇੰਟਰੈਕਸ਼ਨ ਡਾਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਇਕੱਠੀ ਕਰਨ ਦੀ ਮੁਸ਼ਕਲ। Xiaomi ਨੇ ਕੈਮਰਿਆਂ ਨਾਲ ਲੈਸ ਪੋਰਟੇਬਲ, ਹੈਂਡਹੈਲਡ ਗ੍ਰਿਪਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਰੁਕਾਵਟ ਨੂੰ ਦੂਰ ਕੀਤਾ।

ਰੋਬੋਟਾਂ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਕਰਨ ਦੀ ਬਜਾਏ, ਮਨੁੱਖੀ ਆਪਰੇਟਰਾਂ ਨੇ ਰਸੋਈਆਂ, ਦਫ਼ਤਰਾਂ ਅਤੇ ਫੈਕਟਰੀਆਂ ਸਮੇਤ 1,700 ਤੋਂ ਵੱਧ ਵੱਖ-ਵੱਖ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਕੰਮਾਂ ਨੂੰ ਰਿਕਾਰਡ ਕਰਨ ਲਈ ਇਹਨਾਂ ਹੈਂਡਹੈਲਡ ਡਿਵਾਈਸਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਸ ਤਰੀਕੇ ਨਾਲ 1,00,000 ਘੰਟਿਆਂ ਦੀ ਮੋਸ਼ਨ ਰਿਕਾਰਡਿੰਗ ਪ੍ਰਾਪਤ ਹੋਈ। ਲੇਬਲਿੰਗ ਦੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, Xiaomi ਨੇ ਹਰ ਮੋਸ਼ਨ ਸੈਗਮੈਂਟ ਲਈ ਆਪਣੇ ਆਪ ਟੈਕਸਟ ਵੇਰਵੇ ਤਿਆਰ ਕਰਨ ਲਈ ਇੱਕ AI ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਜਿਸ ਨਾਲ ਪੂਰੇ ਡਾਟਾਸੈੱਟ ਦੀ ਲੇਬਲਿੰਗ ਸਿਰਫ਼ ਦੋ ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਪੂਰੀ ਹੋ ਗਈ।

ਸਕੈਲਿੰਗ ਲਾਅ: ਕੰਪਿਊਟ ਨਾਲੋਂ ਡਾਟਾ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ

Xiaomi-Robotics-1 ਖੋਜ ਦਾ ਮੁੱਖ ਤਕਨੀਕੀ ਨਤੀਜਾ ਇਹ ਹੈ ਕਿ ਸਿਰਫ਼ ਮਾਡਲ ਦੇ ਆਕਾਰ ਜਾਂ ਕੰਪਿਊਟ ਨੂੰ ਵਧਾਉਣ ਦੀ ਬਜਾਏ, ਵਧੇਰੇ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਨਾਲ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਕਾਫ਼ੀ ਵੱਧ ਸੁਧਾਰ ਹੁੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਵੱਡੇ ਮਾਡਲ ਭਵਿੱਖਬਾਣੀ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਘਟਾਉਂਦੇ ਹਨ, ਪਰ ਜਿਵੇਂ-ਜਿਵੇਂ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਵਧੀ, ਅਣਜਾਣ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਰੋਬੋਟ ਦੀ ਸਫਲਤਾ ਦੀ ਦਰ 25% ਤੋਂ ਵਧ ਕੇ 75% ਹੋ ਗਈ।

ਇਹ ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ ਵਿੱਚ ਦੇਖੇ ਗਏ ਰੁਝਾਨਾਂ ਦੇ ਸਮਾਨ ਹੈ, ਜਿੱਥੇ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ ਵਧਾਉਣ ਨਾਲੋਂ ਡਾਟਾ ਜੋੜਨਾ ਵਧੇਰੇ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। Xiaomi ਲਈ, ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਜਨਰਲ ਪਰਪਜ਼ ਰੋਬੋਟ AI ਦਾ ਰਾਹ ਸਿਰਫ਼ ਵੱਡੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਬਣਾਉਣ ਦੀ ਬਜਾਏ ਡਾਟਾਸੈੱਟਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਅਤੇ ਪੈਮਾਨੇ ਵਿੱਚ ਹੈ।

ਬੇਮਿਸਾਲ ਅਨੁਕੂਲਤਾ ਅਤੇ ਬੈਂਚਮਾਰਕ ਪ੍ਰਦਰਸ਼ਨ

Xiaomi-Robotics-1 ਨੂੰ ਬੋਲੀਆਂ ਜਾਂ ਲਿਖੀਆਂ ਹਦਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਅਤੇ ਘੱਟ ਤੋਂ ਘੱਟ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਨਾਲ ਨਵੇਂ ਕੰਮਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਟੈਸਟਿੰਗ ਦੌਰਾਨ, ਮਾਡਲ ਨੂੰ ਕੱਪੜੇ ਲੋਡ ਕਰਨ, ਪ੍ਰਿੰਟਰ ਵਿੱਚ ਕਾਗਜ਼ ਪਾਉਣ ਅਤੇ ਸੂਟਕੇਸ ਪੈਕ ਕਰਨ ਵਰਗੇ ਗੁੰਝਲਦਾਰ ਕੰਮ ਦਿੱਤੇ ਗਏ ਸਨ।

ਨਤੀਜੇ ਨਿਰਣਾਇਕ ਸਨ:

• ਤੇਜ਼ ਅਨੁਕੂਲਤਾ: 10 ਘੰਟੇ ਤੋਂ ਵੀ ਘੱਟ ਟਾਸਕ-ਵਿਸ਼ੇਸ਼ ਟ੍ਰੇਨਿੰਗ ਦੇ ਨਾਲ, ਮਾਡਲ ਨੇ 75% ਸਫਲਤਾ ਦਰ ਪ੍ਰਾਪਤ ਕੀਤੀ, ਜੋ ਕਿ ਮੁਕਾਬਲੇਬਾਜ਼ Physical Intelligence ਨਾਲੋਂ ਕਾਫ਼ੀ ਬਿਹਤਰ ਹੈ, ਜਿਸ ਨੇ ਸਿਰਫ਼ 40% ਪ੍ਰਾਪਤ ਕੀਤੀ ਸੀ।
• ਬੈਂਚਮਾਰਕ ਵਿੱਚ ਦਬਦਬਾ: ਮਾਡਲ RoboCasa365 ਲੀਡਰਬੋਰਡ ਵਿੱਚ ਵੱਡੇ ਫਰਕ ਨਾਲ ਅੱਗੇ ਹੈ, ਖਾਸ ਕਰਕੇ ਅਣਡਿੱਠੇ ਕੰਪੋਜ਼ਿਟ ਕੰਮਾਂ 'ਤੇ।
• RoboDojo ਪ੍ਰਦਰਸ਼ਨ: Xiaomi-Robotics-1 ਨੇ RoboDojo ਬੈਂਚਮਾਰਕ 'ਤੇ ਦੂਜੇ ਨੰਬਰ 'ਤੇ ਰਹਿਣ ਵਾਲੇ ਮਾਡਲ ਨਾਲੋਂ ਲਗਭਗ 58% ਵਧੇਰੇ ਸਕੋਰ ਕੀਤਾ।

ਮਾਡਲ ਨੇ ਕਾਗਜ਼ ਵਰਗੀਆਂ ਨਰਮ ਅਤੇ ਬਦਲਣਯੋਗ ਸਮੱਗਰੀਆਂ ਨੂੰ ਸੰਭਾਲਣ ਵਿੱਚ ਵੀ ਖਾਸ ਮਜ਼ਬੂਤੀ ਦਿਖਾਈ—ਜੋ ਕਿ ਰੋਬੋਟਿਕ ਸਿਸਟਮਾਂ ਲਈ ਇਤਿਹਾਸਕ ਤੌਰ 'ਤੇ ਇੱਕ ਮੁਸ਼ਕਲ ਖੇਤਰ ਰਿਹਾ ਹੈ।

ਰੋਬੋਟਿਕਸ ਉਦਯੋਗ ਲਈ ਇੱਕ ਨਵੀਂ ਦਿਸ਼ਾ

Xiaomi ਦਾ ਪਹੁੰਚ ਦੂਜੇ ਉਦਯੋਗਿਕ ਦਿੱਗਜਾਂ ਦੇ ਨਾਲ ਇੱਕ ਮੋੜ 'ਤੇ ਹੈ। ਜਿੱਥੇ Nvidia ਸਿੰਥੈਟਿਕ ਡਾਟਾ ਜਨਰੇਸ਼ਨ ਰਾਹੀਂ ਰੋਬੋਟਿਕਸ ਡਾਟਾ ਸਮੱਸਿਆ ਨੂੰ ਕੰਪਿਊਟ ਸਮੱਸਿਆ ਵਿੱਚ ਬਦਲਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ, ਅਤੇ BAAI ਦਾ Orca ਮਾਡਲ ਅਣ-ਲੇਬਲਡ ਵੀਡੀਓ ਤੋਂ ਸਿੱਖਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਉੱਥੇ ਹੀ Xiaomi ਸਵੈਚਾਲਿਤ, ਵੱਡੇ ਪੱਧਰ ਦੇ ਲੇਬਲਡ ਮੋਸ਼ਨ ਡਾਟਾ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਿਹਾ ਹੈ।

ਜਿਵੇਂ ਹੀ Xiaomi GitHub ਅਤੇ Hugging Face 'ਤੇ ਮਾਡਲ ਅਤੇ ਕੋਡ ਰਿਲੀਜ਼ ਕਰਨ ਦੀ ਤਿਆਰੀ ਕਰ ਰਿਹਾ ਹੈ, ਉਦਯੋਗ ਇਸ ਨੂੰ ਬੜੀ ਬਾਰੀਕੀ ਨਾਲ ਦੇਖ ਰਿਹਾ ਹੈ। ਇਹ ਵਿਕਾਸ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਰੋਬੋਟਿਕਸ ਦੀ ਅਗਲੀ ਸਰਹੱਦ ਉਹਨਾਂ ਦੁਆਰਾ ਜਿੱਤੀ ਜਾਵੇਗੀ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਵਧੀਆ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਲੇਬਲ ਕੀਤੇ ਗਏ ਮੋਸ਼ਨ ਡਾਟਾਸੈੱਟ ਹੋਣਗੇ, ਨਾ ਕਿ ਉਹਨਾਂ ਦੁਆਰਾ ਜਿਨ੍ਹਾਂ ਕੋਲ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਚਿਪਸ ਹਨ।

ਮੁੱਖ ਗੱਲਾਂ

• ਡਾਟਾ-ਕੇਂਦ੍ਰਿਤ ਸਕੈਲਿੰਗ: ਮਾਡਲ ਦੇ ਆਕਾਰ ਜਾਂ ਕੰਪਿਊਟ ਨੂੰ ਵਧਾਉਣ ਦੀ ਬਜਾਏ ਟ੍ਰੇਨਿੰਗ ਡਾਟਾ ਦੀ ਮਾਤਰਾ ਵਧਾਉਣਾ ਰੋਬੋਟਿਕ ਸਫਲਤਾ ਦਰਾਂ ਲਈ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋਇਆ।
• ਨਵੀਨਤਾਕਾਰੀ ਇਕੱਠਾ ਕਰਨਾ: ਹੈਂਡਹੈਲਡ ਗ੍ਰਿਪਰਾਂ ਨੇ Xiaomi ਨੂੰ ਸਮਰਪਿਤ ਰੋਬੋਟਾਂ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ 1,700 ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ 1,00,000 ਘੰਟਿਆਂ ਦਾ ਮੋਸ਼ਨ ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ।
• ਉੱਚ ਜਨਰਲਾਈਜ਼ੇਸ਼ਨ: ਮਾਡਲ 10 ਘੰਟੇ ਤੋਂ ਵੀ ਘੱਟ ਵਾਧੂ ਟ੍ਰੇਨਿੰਗ ਨਾਲ ਨਵੇਂ ਕੰਮਾਂ 'ਤੇ 75% ਸਫਲਤਾ ਦਰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ।