Google DeepMind ने रोबोटिक्स प्रशिक्षण तंत्राचे प्रात्यक्षिक केले आहे ज्यामध्ये त्याचे Gemini 4 Argon मॉडेल सामान्य व्हिडिओ पाहून शारीरिक कार्य शिकते, नंतर शिकलेले वर्तन वास्तविक मानवीय रोबोटमध्ये हस्तांतरित करते. मॉडेलच्या लाँचच्या सोबत प्रकाशित झालेल्या डेमोमध्ये, Apptronik-निर्मित Apollo humanoid ने कॉर्नहोल खेळत असलेल्या व्यक्तीचे फुटेज पाहिले — आणि त्यानंतर रोबोटिक्स अँड ऑटोमेशन न्यूजनुसार, वास्तविक-जागतिक चाचणीमध्ये सलग सात शॉट्स उतरवले.

रॉ व्हिडिओ पासून वास्तविक रोबोट पर्यंत For more context on this story, see our ongoing breaking AI news.

प्रात्यक्षिक एकाच अंतर्गत चाचणीवर केंद्रित होते. आर्गॉनला एक मानवी कॉर्नहोल, घरामागील नाणेफेक खेळतानाचा कच्चा व्हिडिओ दाखवण्यात आला. त्यानंतर मॉडेलने पर्यावरणाचे विश्लेषण केले, त्याचे स्थानिक निर्देशांक मॅप केले आणि ह्युमनॉइड प्लॅटफॉर्मवर कार्य पुनरुत्पादित करण्यासाठी आवश्यक असलेल्या संपूर्ण शरीराच्या संयुक्त हालचालींची गणना केली.

उल्लेखनीय पाऊल म्हणजे पुढे काय आले: भौतिकशास्त्राचे सिम्युलेशन हाताने तयार करण्यासाठी अभियंत्यांवर अवलंबून न राहता, आर्गॉनने स्वायत्तपणे सिम्युलेशन कोड स्वतः तयार केला. शिकलेले वर्तन नंतर त्या स्वयं-व्युत्पन्न सिम्युलेशनमधून ऍपट्रॉनिकच्या अपोलो ह्युमनॉइडमध्ये हस्तांतरित केले गेले, ज्याने ते भौतिक जगात कार्यान्वित केले.

Google DeepMind च्या म्हणण्यानुसार, अपोलोने त्यानंतर रिअल-वर्ल्ड ट्रायल दरम्यान सात सरळ शॉट्स उतरवले - एका टास्कसाठी क्लीन रन ज्यासाठी रोबोटला संतुलन, आर्म ट्रॅजेक्टोरी आणि रिलीझ टाइमिंग समन्वयित करणे आवश्यक आहे.

सिम्युलेशन कामाचे आठवडे तासांमध्ये संकुचित केले

Google DeepMind या दृष्टिकोनाचे वर्णन "व्हिडिओ-टू-सिम-टू-रिअल" पाइपलाइन म्हणून करते आणि खेळपट्टी अभियांत्रिकी वेळेबद्दल जितकी क्षमता आहे तितकीच आहे.

"ही 'व्हिडिओ-टू-सिम-टू-रिअल' पाइपलाइन काही आठवड्यांच्या मॅन्युअल सिम्युलेशन मॉडेलिंगला काही तासांमध्ये संकुचित करते, सामान्य व्हिडिओंना रोबोटिक्ससाठी स्केलेबल, अनंत प्रशिक्षण ग्राउंडमध्ये रूपांतरित करते," कंपनीने सांगितले, रोबोटिक्स आणि ऑटोमेशन न्यूजनुसार.

पारंपारिकपणे, सिम्युलेशनद्वारे रोबोटला नवीन शारीरिक कौशल्य शिकवण्यासाठी तज्ञांना पर्यावरण, वस्तू भौतिकशास्त्र आणि रोबोटचे शरीर हाताने मॉडेल करण्याची आवश्यकता असते - प्रत्येक नवीन कार्यासाठी आठवड्यांमध्ये मोजली जाणारी प्रक्रिया. व्हिडिओ त्या मॅन्युअल मॉडेलिंगला पर्याय देऊ शकत असल्यास, रोबोट्सना नवीन कौशल्ये शिकवण्याची अडचण अभियांत्रिकी श्रमापासून प्रात्यक्षिक फुटेजच्या उपलब्धतेकडे बदलते, जी इंटरनेटवर प्रभावीपणे अमर्यादित आहे.

काय व्हिडिओ-टू-सिम-टू-रिअल वेगळे बनवते

उद्योगातील बहुतेक रोबोट लर्निंग पाइपलाइन दोनपैकी एक मार्ग वापरतात: टेलिऑपरेशन, जिथे मानव स्वतः रोबोटचे अनुकरण करत असलेली कार्ये दाखवतात किंवा सिम्युलेशन प्रशिक्षण, जिथे अभियंते हाताने आभासी वातावरण तयार करतात ज्यामध्ये नियंत्रण धोरणे तैनात करण्यापूर्वी लाखो पुनरावृत्तीचा सराव करतात. दोघेही काम करतात आणि दोन्हीचे प्रमाण खराब आहे — टेलीऑपरेशन हे प्रति कार्य श्रम-केंद्रित आहे, आणि सिम्युलेशन मॉडेलिंग प्रति पर्यावरण श्रम-केंद्रित आहे.

कॉर्नहोल डेमो दुसऱ्या अडथळ्याच्या उद्देशाने आहे. चाचणीच्या DeepMind च्या खात्यात, कोणत्याही अभियंत्याने कॉर्नहोल वातावरण तयार केले नाही: आर्गॉनने कच्चा व्हिडिओ वापरला, दृश्याच्या अवकाशीय मांडणीचा अर्थ लावला, आवश्यक असलेल्या संपूर्ण शरीराच्या संयुक्त मार्गांवर काम केले आणि सिम्युलेशन कोड स्वतःच लिहिला. लूपमधील मानवी भूमिका, परिणामतः, गेम खेळत असलेल्या एखाद्याचे चित्रीकरण करण्याइतकी कमी झाली.

कॉर्नहोल हे जाणूनबुजून निवडलेले चाचणी केस आहे. हे क्षुल्लक दिसते, परंतु उंचावलेल्या टार्गेटवर बीनबॅग उतरवण्याकरता ह्युमनॉइड रोबोट्सचे संयोजन कठीण वाटते: विंडअप दरम्यान स्थिर संपूर्ण शरीर संतुलन, हाताची सूक्ष्म गतिशीलता, वेळेवर सोडणे आणि सैल प्रक्षेपकाच्या बॅलिस्टिक्ससाठी सहनशीलता. वास्तविक जगात सलग सात यश हे सूचित करतात की हस्तांतरित धोरण भाग्यवान ऐवजी मजबूत होते, जरी एकच अंतर्गत चाचणी हा एक अरुंद पुरावा आधार आहे.

मूर्त रिझनिंग बेंचमार्क परिणाम

कॉर्नहोल डेमोच्या बरोबरीने, डीपमाइंडने एम्बोडेड रिझनिंग बेंचमार्क (ERQA) वर आर्गॉनची चाचणी केली, जे 3D वातावरणात भौतिक आणि स्थानिक समस्यांबद्दल तर्क करण्याची मॉडेलची क्षमता मोजते. कंपनी म्हणते की बेंचमार्कवर आर्गॉनने 87% गुण मिळवले.

भौतिक आणि अवकाशीय तर्क हे भौतिक जगात उपयुक्तपणे कार्य करू शकणाऱ्या प्रणालींपासून सीमावर्ती भाषेच्या मॉडेल्सपासून वेगळे करणाऱ्या अंतरांपैकी एक म्हणून पाहिले जाते, म्हणूनच ERQA सारख्या रोबोटिक्स बेंचमार्कने प्रमुख प्रयोगशाळांचे लक्ष वेधून घेतले आहे.

ब्रॉडर मिथुन 4 आर्गॉन लाँचचा भाग

रोबोटिक्सचे कार्य हे व्यापक प्रक्षेपणातील एक अनुप्रयोग आहे. जटिल अभियांत्रिकी, वैज्ञानिक, कोडींग आणि व्यावसायिक कार्यांच्या उद्देशाने व्हिज्युअल-अर्थविषयक तर्क, भौतिक समज आणि स्वायत्त कोड जनरेशन एकत्रित करणारे फ्रंटियर मॉडेल म्हणून Google जेमिनी 4 आर्गॉनला स्थान देत आहे. कंपनीचे म्हणणे आहे की त्यांनी मोठ्या सॉफ्टवेअर कोडबेसला ऑप्टिमाइझ करण्यापासून ते क्वांटम कंप्युटिंग, न्यूक्लियर फ्यूजन आणि लाइफ-सायन्स रिसर्चपर्यंतच्या प्रकल्पांवर आधीपासून मॉडेलचा वापर केला आहे.

हे मॉडेल Google च्या AI उत्पादने आणि जेमिनी API द्वारे उपलब्ध करून दिले जात आहे, रोबोटिक्सचे प्रात्यक्षिक रोबोट ऑपरेटरसाठी शिपिंग उत्पादन म्हणून न देता मॉडेलच्या भौतिक समजाचा पुरावा म्हणून सादर केले आहे.

ह्युमनॉइड उद्योगासाठी हे महत्त्वाचे का आहे

वाढत्या ह्युमनॉइड रोबोट सेक्टरसाठी — जिथे Apptronik सर्वात प्रमुख खेळाडूंपैकी एक आहे — परिणाम विशिष्ट नजीकच्या मुदतीच्या मूल्य प्रस्तावाकडे निर्देश करतात: सामान्य-उद्देश AI मॉडेल्स जे निष्क्रिय व्हिडिओला प्रशिक्षित सिम्युलेशनमध्ये रूपांतरित करू शकतात ते रोबोट्सची नवीन कार्ये शिकवण्याची किंमत नाटकीयरित्या कमी करू शकतात, आजच्या प्रभावी डेमो आणि आर्थिकदृष्ट्या उपयुक्त डेमोमधील मुख्य अडथळा.

डीपमाइंडची स्वतःची फ्रेमिंग त्याच मुद्द्यावर जोर देते. कंपनी म्हणते, प्रात्यक्षिक दाखवते की सामान्य-उद्देश मॉडेल्स रोबोट्सला नवीन शारीरिक कौशल्ये शिकवण्यासाठी आवश्यक असलेल्या मॅन्युअल अभियांत्रिकीचे प्रमाण कसे कमी करू शकतात.

सेव्हन कॉर्नहोल शॉट्स गोदामात पॅकेजेस हलवणार नाहीत. परंतु ज्या पाइपलाइनने त्यांची निर्मिती केली — व्हिडिओ पहा, भौतिकशास्त्र समजून घ्या, सिम्युलेशन लिहा, हार्डवेअरमध्ये हस्तांतरित करा — हा भाग आहे जो रोबोटिक्स कंपन्या आणि त्यांचे गुंतवणूकदार पाहत असतील.

---

Stay Ahead of AI

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

Read more AI news →