Google DeepMind ने एक रोबोटिक्स प्रशिक्षण तकनीक का प्रदर्शन किया है जिसमें इसका जेमिनी 4 आर्गन मॉडल साधारण वीडियो देखकर एक भौतिक कार्य सीखता है, फिर सीखे गए व्यवहार को एक वास्तविक ह्यूमनॉइड रोबोट में स्थानांतरित करता है। रोबोटिक्स और ऑटोमेशन न्यूज़ के अनुसार, मॉडल के लॉन्च के साथ प्रकाशित डेमो में, एप्ट्रोनिक-निर्मित अपोलो ह्यूमनॉइड ने कॉर्नहोल बजाते हुए एक व्यक्ति के फुटेज को देखा - और फिर वास्तविक दुनिया के परीक्षण में लगातार सात शॉट लगाए।

कच्चे वीडियो से असली रोबोट तक For more context on this story, see our ongoing latest AI developments.

प्रदर्शन एकल आंतरिक परीक्षण पर केंद्रित था। आर्गन को एक मानव का कॉर्नहोल, पिछवाड़े का टॉस गेम खेलते हुए कच्चा वीडियो दिखाया गया था। मॉडल ने तब पर्यावरण का विश्लेषण किया, उसके स्थानिक निर्देशांक को मैप किया, और ह्यूमनॉइड प्लेटफॉर्म पर कार्य को पुन: पेश करने के लिए आवश्यक पूरे शरीर के संयुक्त आंदोलनों की गणना की।

अगला उल्लेखनीय कदम यह है: भौतिक विज्ञान सिमुलेशन को हाथ से बनाने के लिए इंजीनियरों पर निर्भर रहने के बजाय, आर्गन ने स्वायत्त रूप से सिमुलेशन कोड स्वयं तैयार किया। सीखा हुआ व्यवहार तब उस स्व-निर्मित सिमुलेशन से एप्ट्रोनिक के अपोलो ह्यूमनॉइड में स्थानांतरित कर दिया गया, जिसने इसे भौतिक दुनिया में निष्पादित किया।

Google DeepMind के अनुसार, अपोलो ने वास्तविक दुनिया के परीक्षण के दौरान सात सीधे शॉट लगाए - एक ऐसे कार्य के लिए एक साफ़ दौड़ जिसके लिए रोबोट को संतुलन, हाथ प्रक्षेपवक्र और रिलीज़ टाइमिंग का समन्वय करने की आवश्यकता होती है।

सप्ताहों के सिमुलेशन कार्य को घंटों में संपीडित किया गया

Google DeepMind इस दृष्टिकोण को "वीडियो-टू-सिम-टू-रियल" पाइपलाइन के रूप में वर्णित करता है, और पिच इंजीनियरिंग समय के बारे में उतनी ही है जितनी क्षमता के बारे में है।

रोबोटिक्स एंड ऑटोमेशन न्यूज़ के अनुसार, कंपनी ने कहा, "यह 'वीडियो-टू-सिम-टू-रियल' पाइपलाइन कुछ हफ्तों के मैनुअल सिमुलेशन मॉडलिंग को कुछ घंटों में संपीड़ित करती है, सामान्य वीडियो को रोबोटिक्स के लिए एक स्केलेबल, अनंत प्रशिक्षण मैदान में बदल देती है।"

परंपरागत रूप से, सिमुलेशन के माध्यम से एक रोबोट को एक नया शारीरिक कौशल सिखाने के लिए विशेषज्ञों को पर्यावरण, वस्तु भौतिकी और रोबोट के शरीर को हाथ से मॉडल करने की आवश्यकता होती है - प्रत्येक नए कार्य के लिए हफ्तों में मापी जाने वाली प्रक्रिया। यदि वीडियो उस मैन्युअल मॉडलिंग का स्थान ले सकता है, तो रोबोट को नए कौशल सिखाने की बाधा इंजीनियरिंग श्रम से हटकर प्रदर्शन फुटेज की उपलब्धता में बदल जाती है, जो इंटरनेट पर प्रभावी रूप से असीमित है।

क्या चीज़ वीडियो-टू-सिम-टू-रियल को अलग बनाती है

उद्योग में अधिकांश रोबोट सीखने की पाइपलाइनें दो मार्गों में से एक का उपयोग करती हैं: टेलीऑपरेशन, जहां मनुष्य मैन्युअल रूप से उन कार्यों को प्रदर्शित करते हैं जिनका रोबोट अनुकरण करता है, या सिमुलेशन प्रशिक्षण, जहां इंजीनियर हाथ से आभासी वातावरण बनाते हैं जिसमें नियंत्रण नीतियां तैनाती से पहले लाखों दोहराव का अभ्यास करती हैं। दोनों काम करते हैं, और दोनों का पैमाना खराब है - टेलीऑपरेशन प्रति कार्य श्रम-गहन है, और सिमुलेशन मॉडलिंग प्रति वातावरण श्रम-गहन है।

कॉर्नहोल डेमो का लक्ष्य दूसरी बाधा है। डीपमाइंड के परीक्षण के विवरण में, किसी भी इंजीनियर ने कॉर्नहोल वातावरण का निर्माण नहीं किया: आर्गन ने कच्चे वीडियो का उपभोग किया, दृश्य के स्थानिक लेआउट की व्याख्या की, थ्रो के लिए आवश्यक पूरे शरीर के संयुक्त प्रक्षेप पथ पर काम किया, और सिमुलेशन कोड स्वयं लिखा। वास्तव में, लूप में मानवीय भूमिका किसी को गेम खेलते हुए फिल्माने तक ही सीमित रह गई थी।

कॉर्नहोल एक जानबूझकर अच्छी तरह से चुना गया परीक्षण मामला है। यह मामूली लगता है, लेकिन एक ऊंचे लक्ष्य पर बीनबैग को उतारना ठीक उसी संयोजन की मांग करता है जो ह्यूमनॉइड रोबोट को कठिन लगता है: विंडअप के दौरान स्थिर पूरे शरीर का संतुलन, ठीक हाथ की गतिशीलता, समयबद्ध रिलीज, और एक ढीले प्रक्षेप्य के बैलिस्टिक के लिए सहनशीलता। वास्तविक दुनिया में लगातार सात सफलताओं से संकेत मिलता है कि हस्तांतरित नीति भाग्यशाली होने के बजाय मजबूत थी, हालांकि एक भी आंतरिक परीक्षण एक संकीर्ण साक्ष्य आधार है।

सन्निहित तर्क बेंचमार्क परिणाम

कॉर्नहोल डेमो के साथ-साथ, डीपमाइंड ने एम्बॉडीड रीजनिंग बेंचमार्क (ईआरक्यूए) पर आर्गन का परीक्षण किया, जो 3डी वातावरण में भौतिक और स्थानिक समस्याओं के बारे में तर्क करने की मॉडल की क्षमता को मापता है। कंपनी का कहना है कि आर्गन ने बेंचमार्क पर 87% का स्कोर हासिल किया है।

भौतिक और स्थानिक तर्क को व्यापक रूप से सीमांत भाषा मॉडल को उन प्रणालियों से अलग करने वाले अंतरालों में से एक के रूप में देखा जाता है जो भौतिक दुनिया में उपयोगी रूप से काम कर सकते हैं, यही कारण है कि ईआरक्यूए जैसे रोबोटिक्स बेंचमार्क ने प्रमुख प्रयोगशालाओं का ध्यान आकर्षित किया है।

व्यापक जेमिनी 4 आर्गन लॉन्च का हिस्सा

रोबोटिक्स का कार्य व्यापक लॉन्च में एक अनुप्रयोग है। Google जटिल इंजीनियरिंग, वैज्ञानिक, कोडिंग और व्यावसायिक कार्यों के उद्देश्य से जेमिनी 4 आर्गन को दृश्य-अर्थ संबंधी तर्क, भौतिक समझ और स्वायत्त कोड पीढ़ी के संयोजन वाले फ्रंटियर मॉडल के रूप में स्थापित कर रहा है। कंपनी का कहना है कि उसने पहले से ही बड़े सॉफ्टवेयर कोडबेस को अनुकूलित करने से लेकर क्वांटम कंप्यूटिंग, परमाणु संलयन और जीवन-विज्ञान अनुसंधान तक की परियोजनाओं पर आंतरिक रूप से मॉडल का उपयोग किया है।

मॉडल को Google के AI उत्पादों और जेमिनी एपीआई के माध्यम से उपलब्ध कराया जा रहा है, रोबोटिक्स प्रदर्शन को रोबोट ऑपरेटरों के लिए शिपिंग उत्पाद के बजाय मॉडल की भौतिक समझ के प्रमाण के रूप में प्रस्तुत किया गया है।

ह्यूमनॉइड इंडस्ट्री के लिए यह क्यों मायने रखता है

बढ़ते ह्यूमनॉइड रोबोट क्षेत्र के लिए - जहां एप्ट्रोनिक सबसे प्रमुख खिलाड़ियों में से एक है - परिणाम एक विशिष्ट निकट अवधि के मूल्य प्रस्ताव की ओर इशारा करते हैं: सामान्य प्रयोजन एआई मॉडल जो निष्क्रिय वीडियो को प्रशिक्षण योग्य सिमुलेशन में परिवर्तित कर सकते हैं, रोबोट को नए कार्यों को सिखाने की लागत को नाटकीय रूप से कम कर सकते हैं, जो आज के प्रभावशाली डेमो और बड़े पैमाने पर आर्थिक रूप से उपयोगी तैनाती के बीच मुख्य बाधा है।

डीपमाइंड की अपनी फ़्रेमिंग उसी बिंदु पर जोर देती है। कंपनी का कहना है कि प्रदर्शन से पता चलता है कि कैसे सामान्य प्रयोजन वाले मॉडल रोबोट को नए भौतिक कौशल सिखाने के लिए आवश्यक मैनुअल इंजीनियरिंग की मात्रा को कम कर सकते हैं।

सात कॉर्नहोल शॉट्स गोदाम में पैकेजों को स्थानांतरित नहीं करेंगे। लेकिन जिस पाइपलाइन ने उन्हें तैयार किया - एक वीडियो देखें, भौतिकी को समझें, सिमुलेशन लिखें, हार्डवेयर में स्थानांतरित करें - वह हिस्सा है जिसे रोबोटिक्स कंपनियां और उनके निवेशक देख रहे होंगे।

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →