Fei-Fei Li ਅਤੇ Yunzhu Li ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਇੱਕ a16z ਪੋਡਕਾਸਟ ਵਿੱਚ ਦੱਸਿਆ ਕਿ World Labs ਇੱਕ "real-to-sim-to-real" ਪਾਈਪਲਾਈਨ ਲਾਂਚ ਕਰ ਰਿਹਾ ਹੈ ਜੋ ਰੋਬੋਟਾਂ ਨੂੰ ਕਿਸੇ ਭੌਤਿਕ ਫਰਸ਼ ਨੂੰ ਛੂਹਣ ਤੋਂ ਪਹਿਲਾਂ ਉੱਚ-ਗੁਣਵੱਤਾ ਵਾਲੇ ਡਿਜੀਟਲ ਟਵਿਨਜ਼ (digital twins) ਵਿੱਚ ਸਪੇਸ਼ੀਅਲ ਕੰਮਾਂ (spatial tasks) ਨੂੰ ਸਿੱਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਰੋਬੋਟ ਸਿਖਲਾਈ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਦੀ ਲਾਗਤ ਅਤੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹੀ ਰੁਕਾਵਟ ਹੈ ਜਿਸ ਨੇ ਕਈ ਆਟੋਮੇਸ਼ਨ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਲੈਬ ਤੱਕ ਹੀ ਸੀਮਤ ਰੱਖਿਆ ਹੈ।

ਰੋਬੋਟਾਂ ਨੂੰ ਭਾਸ਼ਾ ਤੋਂ ਵੱਧ ਕਿਸ ਚੀਜ਼ ਦੀ ਲੋੜ ਹੈ

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (Large language models) ਟੈਕਸਟ ਲਈ ਪੂਰੇ ਇੰਟਰਨੈਟ ਤੋਂ ਡੇਟਾ ਇਕੱਠਾ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ ਇੱਕ ਰੋਬੋਟ ਸਿਰਫ਼ ਵੀਡੀਓ ਦੇਖ ਕੇ ਜੋ ਦੇਖਦਾ ਹੈ ਉਸ ਦੀ ਨਕਲ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਚੱਲਣ ਜਾਂ ਹੋਟਲ ਦਾ ਕਮਰਾ ਸਾਫ਼ ਕਰਨ ਲਈ, ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਤਿੰਨ-ਆਯਾਮੀ ਜਿਓਮੈਟਰੀ (three-dimensional geometry), ਸਤਹ ਦੇ ਗੁਣਾਂ (surface properties), ਅਤੇ ਧੱਕਣ, ਚੁੱਕਣ ਅਤੇ ਸਟੈਕ ਕਰਨ ਦੇ ਭੌਤਿਕ ਵਿਗਿਆਨ (physics) ਨੂੰ ਸਮਝਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ "ਸਪੇਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ" (spatial intelligence) ਦੇ ਤੱਤ ਹਨ, ਅਤੇ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਇਨ੍ਹਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ।

ਡੇਟਾ ਦੀ ਰੁਕਾਵਟ

ਅਸਲ ਦੁਨੀਆ ਦਾ ਰੋਬੋਟ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੌਲੀ, ਮਹਿੰਗਾ ਅਤੇ ਕਦੇ-ਕਦੇ ਖ਼ਤਰਨਾਕ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਵੀ ਗਲਤੀ ਹਾਰਡਵੇਅਰ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੀ ਹੈ, ਉਤਪਾਦਨ ਲਾਈਨ ਨੂੰ ਰੋਕ ਸਕਦੀ ਹੈ, ਜਾਂ ਕਿਸੇ ਮਨੁੱਖੀ ਕਰਮਚਾਰੀ ਨੂੰ ਸੱਟ ਵੀ ਲਗਾ ਸਕਦੀ ਹੈ। ਇਸ ਕਾਰਨ, ਜ਼ਿਆਦਾਤਰ ਰੋਬੋਟਿਕਸ ਟੀਮਾਂ ਛੋਟੇ, ਹੱਥ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਡੇਟਾਸੈਟਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀਆਂ ਹਨ ਜੋ ਰੋਜ਼ਾਨਾ ਦੇ ਵਾਤਾਵਰਣਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੇ।

World Labs ਅਲਾਈਨਡ ਡਿਜੀਟਲ ਦੁਨੀਆ ਬਣਾ ਕੇ ਇਸ ਰੁਕਾਵਟ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਦਾ SceniX ਸਿਸਟਮ ਇੱਕ ਭੌਤਿਕ ਸਪੇਸ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਮੈਪ ਕਰਦਾ ਹੈ ਜੋ ਜਿਓਮੈਟਰੀ (ਦੀਵਾਰਾਂ ਅਤੇ ਵਸਤੂਆਂ ਦਾ ਆਕਾਰ), ਦਿੱਖ (ਟੈਕਸਟਚਰ, ਰੰਗ, ਰੌਸ਼ਨੀ) ਅਤੇ ਭੌਤਿਕ ਵਿਗਿਆਨ (ਵਸਤੂਆਂ ਨੂੰ ਧੱਕਣ 'ਤੇ ਉਹ ਕਿਵੇਂ ਹਿੱਲਦੀਆਂ ਹਨ) ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ। ਰੋਬੋਟ ਉਸ ਵਰਚੁਅਲ ਕਾਪੀ ਵਿੱਚ ਅਭਿਆਸ ਕਰਦਾ ਹੈ, ਫਿਰ ਉਹੀ ਨੀਤੀਆਂ (policies) ਅਸਲ ਸੈਟਿੰਗ ਵਿੱਚ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।

ਵੀਡੀਓ ਮਾਡਲ ਕਾਫ਼ੀ ਨਹੀਂ ਹਨ

ਕੁਝ ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਤਰਕ ਹੈ ਕਿ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲੇ ਵੀਡੀਓ ਜਨਰੇਟਰ ਭੌਤਿਕ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਥਾਂ ਲੈ ਸਕਦੇ ਹਨ। ਉਹ ਮਾਡਲ ਰੋਬੋਟ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੇ ਪ੍ਰਮਾਣਿਕ ਫਰੇਮ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ, ਪਰ ਉਹਨਾਂ ਵਿੱਚ ਸਥਿਰ ਭੌਤਿਕ ਵਿਗਿਆਨ (consistent physics) ਦੀ ਕਮੀ ਹੁੰਦੀ ਹੈ। ਜੇਕਰ ਇੱਕ ਸਿਮੂਲੇਟਡ ਵੀਡੀਓ ਵਿੱਚ ਧੱਕਣ ਤੋਂ ਬਾਅਦ ਕੱਪ ਗਾਇਬ ਹੋ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਸ ਫੁਟੇਜ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਰੋਬੋਟ ਗਲਤ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ (cause-and-effect) ਸਬੰਧ ਸਿੱਖ ਲਵੇਗਾ। World Labs ਦੀ ਪਾਈਪਲਾਈਨ ਅਜਿਹੀਆਂ ਦੁਨੀਆਵਾਂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ ਜੋ ਸਮੇਂ, ਸਪੇਸ ਅਤੇ ਆਪਸੀ ਕਿਰਿਆ (interaction) ਵਿੱਚ ਇਕਸਾਰ ਰਹਿੰਦੀਆਂ ਹਨ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀਆਂ ਹਨ ਕਿ ਰੋਬੋਟ ਦੀ "ਮਸਲ ਮੈਮੋਰੀ" (muscle memory) ਅਸਲ ਦੁਨੀਆ ਦੇ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ।

ਅਰਧ-ਸੰਚਾਲਿਤ ਸਪੇਸਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣਾ

ਟੀਮ ਦਾ ਉਦੇਸ਼ ਅਜਿਹੇ ਹਿਊਮਨੋਇਡ ਸਹਾਇਕ ਬਣਾਉਣਾ ਨਹੀਂ ਹੈ ਜੋ ਕੱਲ੍ਹ ਨੂੰ ਲਿਵਿੰਗ ਰੂਮ ਵਿੱਚ ਘੁੰਮਣਗੇ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਅਰਧ-ਸੰਚਾਲਿਤ ਵਾਤਾਵਰਣਾਂ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ ਜਿੱਥੇ ਲੇਆਉਟ ਇੰਨਾ ਅਨੁਮਾਨਯੋਗ ਹੈ ਕਿ ਡਿਜੀਟਲ ਟਵਿਨ ਸਹੀ ਹੋ ਸਕੇ, ਪਰ ਫਿਰ ਵੀ ਇੰਨਾ ਵੱਖਰਾ ਹੈ ਕਿ ਅਸਲ ਸਪੇਸ਼ੀਅਲ ਤਰਕ ਦੀ ਲੋੜ ਪਵੇ। ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

  • ਵੇਅਰਹਾਊਸ ਜਿੱਥੇ ਵਸਤੂਆਂ ਸ਼ੈਲਫਾਂ ਅਤੇ ਪੈਲੇਟਾਂ 'ਤੇ ਰੱਖੀਆਂ ਜਾਂਦੀਆਂ ਹਨ
  • ਰੈਸਟੋਰੈਂਟ ਜਿੱਥੇ ਮੇਜ਼, ਕੁਰਸੀਆਂ ਅਤੇ ਚਲਦੇ ਹੋਏ ਸਟਾਫ ਹੁੰਦੇ ਹਨ
  • ਹੋਟਲ ਜਿੱਥੇ ਕੋਰੀਡੋਰ, ਕਮਰੇ ਅਤੇ ਸਰਵਿਸ ਕਾਰਟ ਹੁੰਦੇ ਹਨ
  • ਉਦਯੋਗਿਕ ਸਾਈਟਾਂ ਜਿੱਥੇ ਮਸ਼ੀਨਰੀ, ਕਨਵੇਅਰ ਅਤੇ ਸੁਰੱਖਿਆ ਬੈਰੀਅਰ ਹੁੰਦੇ ਹਨ

ਇਹ ਉਹ ਥਾਵਾਂ ਹਨ ਜਿੱਥੇ ਕਾਰੋਬਾਰ ਪਹਿਲਾਂ ਹੀ ਆਟੋਮੇਸ਼ਨ ਦੀ ਮੰਗ ਕਰਦੇ ਹਨ। ਪੋਡਕਾਸਟ ਵਿੱਚ ਦੱਸੇ ਗਏ ਇੱਕ ਤਾਜ਼ਾ ਸਰਵੇਖਣ ਅਨੁਸਾਰ, ਮੰਗੀ ਗਈਆਂ ਰੋਬੋਟ ਟਾਸਕਾਂ ਵਿੱਚੋਂ ਇੱਕ ਤਿਹਾਈ ਵਿੱਚ ਸਫਾਈ ਸ਼ਾਮਲ ਹੈ—ਇੱਕ ਅਜਿਹਾ ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲਾ, ਅਣਪਸੰਦ ਕੰਮ ਜਿਸ ਨੂੰ ਮਨੁੱਖ ਮਸ਼ੀਨਾਂ ਨੂੰ ਸੌਂਪਣ ਲਈ ਉਤਸੁਕ ਹਨ।

ਸਫਲਤਾ ਕਿਹੋ ਜਿਹੀ ਦਿਖੇਗੀ

World Labs ਦਾ ਰੋਡਮੈਪ ਅਗਲੇ ਦੋ ਸਾਲਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਉਦਯੋਗਾਂ ਵਿੱਚ ਇਸ ਪਾਈਪਲਾਈਨ ਨੂੰ ਸਾਬਤ ਕਰਨ 'ਤੇ ਟਿਕਿਆ ਹੋਇਆ ਹੈ। ਜੇਕਰ ਇੱਕ ਰੋਬੋਟ ਸਿਮੂਲੇਟਡ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਵਾਰ-ਵਾਰ ਇੱਕ ਪੈਲੇਟ ਨੂੰ ਹਿਲਾ ਸਕਦਾ ਹੈ ਅਤੇ ਫਿਰ ਬਿਨਾਂ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇ ਅਸਲ ਸੁਵਿਧਾ ਵਿੱਚ ਉਹੀ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਤਾਂ ਮਾਡਲ ਨੇ ਇਹ ਸਾਬਤ ਕਰ ਦਿੱਤਾ ਹੈ ਕਿ "ਭਰੋਸੇਯੋਗ ਸਿਮੂਲੇਸ਼ਨ ਭਰੋਸੇਯੋਗ ਰੋਬੋਟਾਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ।" ਉਹ ਭਰੋਸੇਯੋਗਤਾ ਵੱਡੇ ਕੰਟਰੈਕਟਾਂ ਨੂੰ ਖੋਲ੍ਹ ਸਕਦੀ ਹੈ ਅਤੇ ਡਿਜੀਟਲ ਟਵਿਨ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ੁਰੂਆਤੀ ਨਿਵੇਸ਼ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾ ਸਕਦੀ ਹੈ।

ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ

  • ਉਦਯੋਗਿਕ ਪਾਇਲਟ (Industry pilots) – ਵੇਅਰਹਾਊਸਾਂ ਜਾਂ ਹੋਟਲਾਂ ਵਿੱਚ ਪਹਿਲੇ ਕੁਝ ਤੈਨਾਤੀਆਂ ਤੋਂ ਪਤਾ ਲੱਗੇਗਾ ਕਿ ਕੀ ਪਾਈਪਲਾਈਨ ਉਹਨਾਂ ਗੁੰਝਲਦਾਰ ਸਥਿਤੀਆਂ (edge cases) ਨੂੰ ਸੰਭਾਲ ਸਕਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਫਲੋਰ 'ਤੇ ਹੀ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ।

ਮੂਲ ਵਿਚਾਰ ਸਰਲ ਹੈ: ਰੋਬੋਟਾਂ ਨੂੰ ਸਟੇਜ 'ਤੇ ਆਉਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸੰਪੂਰਨ ਰਿਹਰਸਲ ਸਪੇਸ ਦਿਓ। ਜੇਕਰ World Labs ਉਸ ਰਿਹਰਸਲ ਨੂੰ ਨਿਰੰਤਰ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ, ਤਾਂ ਰੋਬੋਟਿਕਸ ਦੀ ਸਭ ਤੋਂ ਔਖੀ ਸਮੱਸਿਆ—ਮਸ਼ੀਨਾਂ ਨੂੰ ਭੌਤਿਕ ਦੁਨੀਆ ਨੂੰ ਸਮਝਣ ਅਤੇ ਉਸ ਵਿੱਚ ਕੰਮ ਕਰਨ ਲਈ ਸਿਖਾਉਣਾ—ਦਾ ਅੰਤ ਵਿੱਚ ਇੱਕ ਵਿਹਾਰਕ ਹੱਲ ਮਿਲ ਸਕਦਾ ਹੈ।