Google DeepMind کا RT-2، Stanford-Toyota کا OpenVLA، NVIDIA کا GR00T، Hugging Face کا LeRobot اور Physical Intelligence کا Pi-Zero روبوٹس کو ایک ہی ماڈل میں بصری ان پٹ (visual input)، لسانی ہدایات اور موٹر ایکشنز کو جوڑنے کی صلاحیت فراہم کرتے ہیں۔ یہ صلاحیت ہاتھ سے کوڈ کیے گئے مراحل کے تسلسل کی جگہ "دیکھو اور کرو" (see-and-do) والے طرزِ عمل کو لاتی ہے، جو روبوٹکس کی تیز رفتار ترقی اور اس تک وسیع رسائی کا وعدہ کرتی ہے۔

ویژن-لینگویج-ایکشن کیوں اہم ہے

روبوٹکس کی زیادہ تر تاریخ میں، انجینئرز واضح اسکرپٹس لکھتے تھے جو روبوٹ کو ہر جوڑ کی حرکت (joint movement) کے بارے میں بتاتے تھے۔ Vision-Language-Action (VLA) ماڈلز کا نیا طبقہ روبوٹ کے ساتھ ایک بات چیت کرنے والے ایجنٹ (conversational agent) کی طرح برتاؤ کرتا ہے: ایک کیمرہ تصویر دکھاتا ہے، صارف کوئی درخواست بولتا یا ٹائپ کرتا ہے، اور ماڈل اسے پورا کرنے کے لیے ضروری موٹر کمانڈز فراہم کرتا ہے۔

موجودہ پانچ ماڈلز

  • RT-2 (Google DeepMind) – خام بصری اسٹریمز (raw visual streams) کو انسانی زبان سے جوڑتا ہے، جس سے روبوٹ یہ بیان کر سکتا ہے کہ وہ کیا دیکھ رہا ہے اور بولی گئی ہدایات پر عمل کر سکتا ہے۔
  • OpenVLA (Stanford + Toyota) – ایک اوپن سورس ریلیز جو کسی بھی ڈویلپر کو اس ماڈل کو اپنے ہارڈ ویئر میں استعمال کرنے کی اجازت دیتی ہے۔
  • GR00T (NVIDIA) – ہیومنائیڈ پلیٹ فارمز کے لیے بنایا گیا ہے، یہ منظر کا تجزیہ کرتا ہے اور لو-لیول موٹر کمانڈز تیار کرتا ہے۔
  • LeRobot (Hugging Face) – ڈیٹا ریپوزٹری اور ٹول سیٹ فراہم کرتا ہے جو روبوٹ ڈویلپرز کے لیے ماڈل کی ٹریننگ اور انٹیگریشن کو تیز کرتا ہے۔
  • Pi-Zero (Physical Intelligence) – یہ کہتا ہے کہ ایک ہی "دماغ" کو مختلف روبوٹک جسموں میں دوبارہ استعمال کیا جا سکتا ہے، جس سے مختلف ہارڈ ویئر کے لیے سافٹ ویئر اسٹیکس کو آسان بنایا جا سکتا ہے۔

ڈیٹا، سمولیشن اور ڈرفٹ (drift) کا مسئلہ

یہ پانچوں ماڈلز بڑے پیمانے پر ڈیٹا سیٹس پر انحصار کرتے ہیں، جن میں سے زیادہ تر سمولیٹڈ ماحول (simulated environments) سے حاصل کیے جاتے ہیں کیونکہ حقیقی دنیا سے ڈیٹا جمع کرنا مہنگا اور پرخطر ہوتا ہے۔ یہ انحصار ایک "sim-to-real" ڈرفٹ پیدا کرتا ہے: ورچوئل دنیاؤں میں سیکھے گئے رویے شور والے سینسرز (noisy sensors)، غیر مساوی روشنی یا غیر متوقع رکاوٹوں کا سامنا کرنے پر ناکام ہو سکتے ہیں۔