গুগল ডিপমাইন্ড একটি রোবোটিক্স প্রশিক্ষণ কৌশল প্রদর্শন করেছে যেখানে এর জেমিনি 4 আর্গন মডেল সাধারণ ভিডিও দেখে একটি শারীরিক কাজ শেখে, তারপর শেখা আচরণটি একটি বাস্তব মানবিক রোবটে স্থানান্তর করে। মডেলের লঞ্চের পাশাপাশি প্রকাশিত ডেমোতে, অ্যাপট্রোনিক-নির্মিত অ্যাপোলো হিউম্যানয়েড একজন ব্যক্তির কর্নহোল বাজানোর ফুটেজ দেখেছে — এবং তারপরে রোবোটিক্স অ্যান্ড অটোমেশন নিউজ অনুসারে, বাস্তব-বিশ্বের ট্রায়ালে পরপর সাতটি শট ল্যান্ড করেছে।
কাঁচা ভিডিও থেকে আসল রোবট For more context on this story, see our ongoing breaking AI news.
বিক্ষোভটি একটি একক অভ্যন্তরীণ পরীক্ষাকে কেন্দ্র করে। আর্গনকে একটি মানুষের কর্নহোল খেলার কাঁচা ভিডিও দেখানো হয়েছিল, বাড়ির পিছনের দিকে টস খেলা। মডেলটি তারপর পরিবেশ বিশ্লেষণ করেছে, এর স্থানিক স্থানাঙ্ক ম্যাপ করেছে এবং হিউম্যানয়েড প্ল্যাটফর্মে টাস্কটি পুনরুত্পাদন করার জন্য প্রয়োজনীয় সমগ্র-শরীরের যৌথ আন্দোলনগুলি গণনা করেছে।
উল্লেখযোগ্য পদক্ষেপটি হল পরবর্তীতে: একটি পদার্থবিজ্ঞানের সিমুলেশন হাতে তৈরি করার জন্য ইঞ্জিনিয়ারদের উপর নির্ভর করার পরিবর্তে, আর্গন স্বায়ত্তশাসিতভাবে সিমুলেশন কোড তৈরি করেছে। শেখা আচরণটি সেই স্ব-উত্পাদিত সিমুলেশন থেকে অ্যাপট্রোনিকের অ্যাপোলো হিউম্যানয়েডে স্থানান্তরিত হয়েছিল, যা এটিকে ভৌত জগতে কার্যকর করেছিল।
গুগল ডিপমাইন্ডের মতে, অ্যাপোলো পরবর্তীতে বাস্তব-বিশ্বের ট্রায়ালের সময় সরাসরি সাতটি শট অবতরণ করে — এমন একটি কাজের জন্য একটি পরিষ্কার দৌড় যার জন্য রোবটকে ভারসাম্য, আর্ম ট্র্যাজেক্টরি এবং রিলিজ টাইমিং সমন্বয় করতে হয়।
সিমুলেশন কাজের সপ্তাহগুলি ঘন্টার মধ্যে সংকুচিত হয়
গুগল ডিপমাইন্ড পদ্ধতিটিকে "ভিডিও-টু-সিম-টু-রিয়েল" পাইপলাইন হিসাবে বর্ণনা করে এবং পিচটি ইঞ্জিনিয়ারিং সময় সম্পর্কে যতটা তা সক্ষমতা সম্পর্কে।
"এই 'ভিডিও-টু-সিম-টু-রিয়েল' পাইপলাইনটি কয়েক সপ্তাহের ম্যানুয়াল সিমুলেশন মডেলিংকে কয়েক ঘণ্টায় সংকুচিত করে, সাধারণ ভিডিওগুলিকে রোবোটিক্সের জন্য একটি স্কেলযোগ্য, অসীম প্রশিক্ষণ গ্রাউন্ডে রূপান্তরিত করে," সংস্থাটি বলেছে, রোবোটিক্স অ্যান্ড অটোমেশন নিউজ অনুসারে।
ঐতিহ্যগতভাবে, সিমুলেশনের মাধ্যমে একটি রোবটকে একটি নতুন শারীরিক দক্ষতা শেখানোর জন্য বিশেষজ্ঞদের পরিবেশ, বস্তুর পদার্থবিদ্যা, এবং রোবটের শরীরকে হাত দ্বারা মডেল করার প্রয়োজন হয় - একটি প্রক্রিয়া যা প্রতিটি নতুন কাজের জন্য কয়েক সপ্তাহে পরিমাপ করা হয়। ভিডিও যদি সেই ম্যানুয়াল মডেলিংয়ের বিকল্প করতে পারে, তাহলে রোবটদের নতুন দক্ষতা শেখানোর বাধা প্রকৌশল শ্রম থেকে প্রদর্শনের ফুটেজের প্রাপ্যতার দিকে চলে যায়, যা ইন্টারনেটে কার্যকরভাবে সীমাহীন।
কি ভিডিও-টু-সিম-থেকে-রিয়েলকে আলাদা করে তোলে
শিল্পে বেশিরভাগ রোবট শেখার পাইপলাইন দুটি রুটের একটি ব্যবহার করে: টেলিঅপারেশন, যেখানে মানুষ ম্যানুয়ালি কাজগুলি প্রদর্শন করে যা রোবট অনুকরণ করে, বা সিমুলেশন প্রশিক্ষণ, যেখানে প্রকৌশলীরা ভার্চুয়াল পরিবেশ তৈরি করে যেখানে নিয়ন্ত্রণ নীতিগুলি স্থাপনের আগে লক্ষ লক্ষ পুনরাবৃত্তি অনুশীলন করে। উভয় কাজ, এবং উভয় স্কেল খারাপভাবে — টেলিঅপারেশন প্রতি টাস্ক শ্রম-নিবিড়, এবং সিমুলেশন মডেলিং পরিবেশ প্রতি শ্রম-নিবিড়।
কর্নহোলের ডেমোটি দ্বিতীয় বাধাকে লক্ষ্য করে। ডিপমাইন্ড-এর পরীক্ষার বিবরণে, কোনও প্রকৌশলী কর্নহোল পরিবেশ তৈরি করেনি: আর্গন কাঁচা ভিডিও ব্যবহার করেছে, দৃশ্যের স্থানিক বিন্যাস ব্যাখ্যা করেছে, থ্রোতে প্রয়োজনীয় পুরো শরীরের যৌথ ট্র্যাজেক্টরি তৈরি করেছে এবং সিমুলেশন কোড নিজেই লিখেছে। লুপে মানুষের ভূমিকা, কার্যত, একবার গেম খেলতে থাকা কাউকে চিত্রিত করার মতো কমে গিয়েছিল।
কর্নহোল একটি ইচ্ছাকৃতভাবে নির্বাচিত পরীক্ষার ক্ষেত্রে। এটি তুচ্ছ মনে হয়, কিন্তু একটি উত্থাপিত লক্ষ্যে একটি বিনব্যাগ অবতরণ করার জন্য হুবহু হিউম্যানয়েড রোবটগুলির সংমিশ্রণটি কঠিন বলে মনে হয়: বায়ুচলাচলের সময় স্থিতিশীল পুরো শরীরের ভারসাম্য, সূক্ষ্ম হাতের গতিশীলতা, সময়মত মুক্তি এবং একটি আলগা প্রজেক্টাইলের ব্যালিস্টিকগুলির জন্য সহনশীলতা। বাস্তব বিশ্বে পরপর সাতটি সাফল্য নির্দেশ করে যে স্থানান্তরিত নীতি ভাগ্যবানের পরিবর্তে শক্তিশালী ছিল, যদিও একটি একক অভ্যন্তরীণ পরীক্ষা একটি সংকীর্ণ প্রমাণ ভিত্তি।
মূর্ত যুক্তিযুক্ত বেঞ্চমার্ক ফলাফল
কর্নহোল ডেমোর পাশাপাশি, ডিপমাইন্ড এমবডিড রিজনিং বেঞ্চমার্কে (ERQA) আর্গন পরীক্ষা করেছে, যা 3D পরিবেশে শারীরিক এবং স্থানিক সমস্যা সম্পর্কে যুক্তি করার মডেলের ক্ষমতা পরিমাপ করে। কোম্পানি বলেছে যে আর্গন বেঞ্চমার্কে 87% স্কোর অর্জন করেছে।
দৈহিক এবং স্থানিক যুক্তিকে ব্যপকভাবে এমন একটি ফাঁক হিসাবে দেখা হয় যেগুলি ভৌত জগতে কার্যকরভাবে কাজ করতে পারে এমন সিস্টেমগুলি থেকে সীমান্ত ভাষার মডেলগুলিকে আলাদা করে, এই কারণেই ERQA-এর মতো রোবোটিক্স বেঞ্চমার্কগুলি প্রধান ল্যাবগুলি থেকে ক্রমবর্ধমান মনোযোগ আকর্ষণ করেছে৷
বিস্তৃত জেমিনি 4 আর্গন লঞ্চের অংশ
রোবোটিক্স কাজ একটি বিস্তৃত লঞ্চ একটি অ্যাপ্লিকেশন. জটিল প্রকৌশল, বৈজ্ঞানিক, কোডিং, এবং ব্যবসায়িক কাজগুলির লক্ষ্যে Google, ভিজ্যুয়াল-অর্থবোধক যুক্তি, শারীরিক বোঝাপড়া এবং স্বায়ত্তশাসিত কোড জেনারেশনের সমন্বয়ে একটি ফ্রন্টিয়ার মডেল হিসাবে জেমিনি 4 আর্গনকে অবস্থান করছে। সংস্থাটি বলেছে যে এটি ইতিমধ্যেই মডেলটিকে অভ্যন্তরীণভাবে বৃহৎ সফ্টওয়্যার কোডবেস অপ্টিমাইজ করা থেকে কোয়ান্টাম কম্পিউটিং, পারমাণবিক ফিউশন এবং জীবন-বিজ্ঞান গবেষণার প্রকল্পগুলিতে ব্যবহার করেছে।
মডেলটি Google-এর AI পণ্য এবং Gemini API-এর মাধ্যমে উপলব্ধ করা হচ্ছে, রোবট অপারেটরদের জন্য শিপিং পণ্যের পরিবর্তে মডেলের শারীরিক বোঝাপড়ার প্রমাণ হিসাবে উপস্থাপিত রোবোটিক্স প্রদর্শনী সহ।
কেন এটি হিউম্যানয়েড শিল্পের জন্য গুরুত্বপূর্ণ
ক্রমবর্ধমান হিউম্যানয়েড রোবট সেক্টরের জন্য - যেখানে Apptronik সবচেয়ে বিশিষ্ট খেলোয়াড়দের মধ্যে একজন - ফলাফল একটি নির্দিষ্ট কাছাকাছি-মেয়াদী মূল্য প্রস্তাবের দিকে নির্দেশ করে: সাধারণ-উদ্দেশ্য AI মডেলগুলি যা প্যাসিভ ভিডিওকে প্রশিক্ষণযোগ্য সিমুলেশনে রূপান্তর করতে পারে তা নাটকীয়ভাবে রোবটকে নতুন কাজ শেখানোর খরচ কমাতে পারে, আজকের চিত্তাকর্ষক ডেমো এবং অর্থনৈতিকভাবে উপযোগী ডেমো স্কেলের মধ্যে মূল বাধা।
ডিপমাইন্ডের নিজস্ব ফ্রেমিং একই পয়েন্টে জোর দেয়। সংস্থাটি বলেছে, প্রদর্শনটি দেখায় যে কীভাবে সাধারণ-উদ্দেশ্য মডেলগুলি রোবটকে নতুন শারীরিক দক্ষতা শেখানোর জন্য প্রয়োজনীয় ম্যানুয়াল ইঞ্জিনিয়ারিংয়ের পরিমাণ হ্রাস করতে পারে।
সাত কর্নহোল শট একটি গুদামে প্যাকেজ সরানো হবে না. কিন্তু যে পাইপলাইনটি তাদের তৈরি করেছে — একটি ভিডিও দেখুন, পদার্থবিদ্যা বুঝুন, সিমুলেশন লিখুন, হার্ডওয়্যারে স্থানান্তর করুন — সেই অংশ যা রোবোটিক্স কোম্পানি এবং তাদের বিনিয়োগকারীরা দেখবে।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
