रोबोला सांगा "माझ्या लॅपटॉपवर कॉफी सांडू नकोस" आणि आजची मशीन अगदी तेच करतील - आणि आणखी काही नाही. लॅपटॉपजवळ बसलेला फोन? टेबलच्या दुसऱ्या बाजूला टॅबलेट चार्ज होत आहे? जोपर्यंत तुम्ही प्रत्येकाचे स्पेलिंग करत नाही तोपर्यंत रोबोटच्या रडारच्या बाहेर, कंटाळवाणा सुधारणा करून सुधारणा.
एमआयटी आणि न्यूयॉर्क युनिव्हर्सिटीच्या संशोधकांचे एक नवीन व्यासपीठ हे अंतर पूर्ण करण्याचे उद्दिष्ट आहे. एमआयटी न्यूजनुसार, फ्लेक्स नावाची प्रणाली, मोशन-प्लॅनिंग रोबोट्सना मानवी स्पष्ट सूचनांचे पालन करण्यास सक्षम करते आणि त्यांच्याकडून व्यापक सामान्यीकरण देखील काढते जे कार्यप्रदर्शन सुधारते, एमआयटी न्यूजनुसार. ही टीम या महिन्यात होणाऱ्या वार्षिक कॉन्फरन्स ऑन रोबोट लर्निंग (CoRL) मध्ये काम सादर करेल. For more context on this story, see our ongoing AI industry coverage.
एमआयटीच्या संगणक विज्ञान आणि कृत्रिम बुद्धिमत्ता प्रयोगशाळेतील (सीएसएआयएल) पोस्टडॉक आणि अभ्यासाचे लेखक नॅथन डेनलर म्हणाले, "एलएलएमने इंटरनेटवरून बरेच मजकूर पाहिले आहेत." "लोकांनी याबद्दल लिहिले असेल, 'अरे, माझा फोन पाण्यात पडला आणि आता तो काम करत नाही' किंवा 'मी माझ्या संगणकावर कॉफी टाकली आणि आता ती काम करत नाही.' त्यामुळे LLMs ही कल्पना उचलतात की लिक्विड्स प्लस डिव्हाइसेसमुळे गोष्टी काम करत नाहीत."
एका चेतावणीपासून संपूर्ण नियमपुस्तकापर्यंत
एमआयटी न्यूजने वर्णन केलेल्या एका प्रात्यक्षिक परिस्थितीत, एक व्यक्ती गोंधळलेल्या टेबलावर रोबोटिक हाताने कॉफी कप घेऊन जाताना पाहते आणि एकच आदेश टाइप करते: "लॅपटॉपवर सांडू नका!" एक पारंपारिक रोबोट लॅपटॉपला त्याच्या टाळण्याच्या यादीत जोडेल आणि त्याचा मार्ग पुन्हा तयार करेल. FLEX पुढे जातो - लॅपटॉप का महत्त्वाचा आहे आणि वापरकर्त्याने कधीही उल्लेख न केलेल्या फोनसह जवळपासचे इलेक्ट्रॉनिक्स टाळण्यासाठी त्याचा मार्ग समायोजित करतो याविषयी रोबोट कारणे देतो.
"कल्पना अशी आहे की तुम्ही जे शब्द बोलता त्यामागे काही उच्च-स्तरीय हेतू आहे," डेनलर म्हणाले. "लोकांना हे नैसर्गिकरित्या मिळते. परंतु तुम्हाला ते रोबोटला काळजीपूर्वक समजावून सांगावे लागेल, ज्यासाठी वेळ आणि मेहनत लागते. FLEX तुम्हाला रोबोटशी संवाद साधण्यासाठी इंटरफेस देते, 'जेव्हा लोक असे म्हणतात, तेव्हा त्यांचा अर्थ असा होतो'."
या अभ्यासाचे नेतृत्व एमआयटीमधील एरोनॉटिक्स आणि ॲस्ट्रोनॉटिक्सचे सहाय्यक प्राध्यापक अँड्रिया बोबू यांनी केले होते जे सहयोगी शिक्षण आणि स्वायत्तता संशोधन (क्लियर) लॅबचे प्रमुख आहेत. सह-लेखकांमध्ये 2026 मध्ये एमआयटीमध्ये एसएम पूर्ण करणारी ऑड्रे ली आणि न्यूयॉर्क विद्यापीठातील इलिया सुकोलुत्स्की यांचा समावेश आहे.
फ्लेक्स कसे कार्य करते: जोडा, सामान्यीकृत करा, मुखवटा
FLEX तीन-चरण पाइपलाइन म्हणून कार्य करते जी साधारणपणे पाच सेकंदात चालते.
पायरी 1: जोडा
जेव्हा वापरकर्ता नैसर्गिक-भाषेतील सुधारणा जारी करतो, तेव्हा रोबोट त्याच्या कार्यासाठी महत्त्वाच्या असलेल्या गोष्टींच्या चालू सूचीमध्ये संबंधित वैशिष्ट्य जोडतो. जर एखादी व्यक्ती "माझ्या मग वर टाकू नका!" रोबोट बॉलिंग बॉल घेऊन जात असताना, मग टाळण्याच्या यादीत सामील होतो आणि रोबोट त्याचे मार्ग अद्यतनित करतो. ही पायरी प्रतिबिंबित करते की मागील पद्धती नेहमी कशा प्रकारे कार्य करतात — आणि येथूनच त्यांचा त्रास सुरू होतो.
"जेव्हा तुमची वैशिष्ट्यांची यादी खूप मोठी होते तेव्हा समस्या उद्भवते आणि काही वैशिष्ट्ये यापुढे संबंधित नसतात कारण तुमचे वातावरण बदललेले असू शकते," डेन्लर यांनी एमआयटी न्यूजला सांगितले. प्रत्येक वस्तू वैयक्तिकरित्या टाळण्यास सांगितलेला रोबोट दुरुस्त करण्यात मंद आणि योजना आखण्यात मंद होतो आणि गणनेचा भार मनुष्यावर पडतो.
पायरी 2: सामान्यीकरण
हे FLEX चे मुख्य योगदान आहे. एक मोठे भाषा मॉडेल — GPT-4o, कार्यसंघाच्या अंमलबजावणीमध्ये — संचित वैशिष्ट्य सूचीचे परीक्षण करते आणि आयटममधील नमुने शोधते. घोकंपट्टी आणि त्या व्यक्तीने ध्वजांकित केलेल्या इतर नाजूक वस्तूंचा सामना करताना, LLM एक सामान्य वर्ग दर्शवितो: नाजूक गोष्टी टाळा, अगदी कधीही उल्लेख न केलेल्या गोष्टी. कारण मानवी मजकूराच्या विशाल लायब्ररींवर प्रशिक्षित केलेले मॉडेल, दैनंदिन सामान्य ज्ञानाचा बराचसा भाग पूर्व-स्थापित होतो.
"LLMs ने इंटरनेटवरून, सर्व प्रकारच्या लोकांकडून आणि ठिकाणांवरील बरेच मजकूर पाहिले आहेत," डेनलर म्हणाले. "त्यांनी त्या गोष्टींवर खूप प्रशिक्षित केल्यामुळे, त्यातील काही सामान्य ज्ञान एलएलएममध्ये शोषले जाते."
पायरी 3: मास्क
वास्तविक वातावरण बदलते, आणि शिळे नियम अनियमित वागणूक देतात. FLEX ची तिसरी पायरी कोणती ध्वजांकित वस्तू यापुढे अस्तित्वात नाहीत हे निर्धारित करण्यासाठी रोबोटच्या मानक संगणक दृष्टी प्रणालीचा वापर करते, नंतर वैशिष्ट्यांच्या सूचीमधून त्या नोंदी हटवते — मानवी हस्तक्षेपाशिवाय रोबोटच्या मर्यादा चालू ठेवतात.
कॉफी, मेणबत्ती आणि बॉलिंग बॉल सिम्युलेशनमध्ये चाचणी केली
टीमने तीन कार्ये करत असलेल्या रोबोट आर्मच्या सिम्युलेशनमध्ये FLEX चे मूल्यमापन केले: एक कप कॉफी सर्व्ह करणे, मेणबत्ती हलवणे आणि बॉलिंग बॉल घेऊन जाणे. "माझ्या लॅपटॉपवर सांडू नका," "कागदाच्या ढिगाऱ्यापासून दूर राहा," आणि "मग वर टाकू नका" अशा नैसर्गिक भाषेतील आदेश टाइप करून स्वयंसेवकांनी आभासी रोबोटशी संवाद साधला.
तिन्ही परिस्थितींमध्ये, रोबोटने उच्च स्तरावर तर्क करताना अक्षरशः प्रत्येक आदेशाचे पालन केले — लॅपटॉपबद्दल चेतावणी दिल्यावर इलेक्ट्रॉनिक्सपासून दूर राहणे, मेणबत्ती पाहण्यास सांगितल्यावर ज्वलनशील वस्तू टाळणे आणि सर्व नाजूक वस्तूंना एका घोकून चेतावणीनंतर नो-ड्रॉप झोन म्हणून हाताळणे.
सामान्य ज्ञान होम रोबोट्ससाठी अडथळे का आहे
हे संशोधन ग्राहक रोबोटिक्समधील सततच्या अडथळ्याला लक्ष्य करते: तुमच्या घरात काय महत्त्वाचे आहे हे आधीच माहीत असलेल्या रोबोटला कोणीही पाठवत नाही. भौतिकशास्त्र-आधारित मार्गक्रमण नियोजन अचूक परंतु अपारदर्शक आहे आणि वापरकर्त्यांकडून गणितीय खर्च कार्ये हाताळण्याची अपेक्षा करणे हे नॉन-स्टार्टर आहे.
"रोबोट त्यांचे मार्गक्रमण नियोजन करण्यासाठी गणिताचा वापर करतात. परंतु आम्ही अशी अपेक्षा करू शकत नाही की ग्राहकाने रोबोटला काय करावे हे सांगण्यासाठी हे गणित शिकले पाहिजे," डेन्लर म्हणाले. "लोकांना विशिष्ट पद्धतीने रोबोट कसा वापरायचा हे शिकून घेण्याऐवजी, नैसर्गिक भाषेद्वारे रोबोटशी संवाद साधणे हे ध्येय आहे."
रोबोटिक्स संशोधनाचा एक मोठा भाग आधीच रोबोट शिक्षणामध्ये भाषा विणतो — कार्य लक्ष्य स्पष्ट करणे, मार्ग पुनर्निर्देशित करणे, सुरक्षित मार्ग परिभाषित करणे. परंतु एमआयटी न्यूज नोट करते की त्या विद्यमान पद्धती मुख्यतः रोबोटला शारीरिकरित्या कार्य कसे करावे हे सांगण्यासाठी भाषा वापरतात. बॉबूचा गट एका वेगळ्या सीमारेषेवर झेपावत आहे: मूठभर कॅज्युअल कमांडमधून एखाद्या व्यक्तीच्या अंतर्निहित, अनिर्दिष्ट प्राधान्ये काढणे.
"प्रत्येकाची घरे वेगळी असतात आणि प्रत्येकाला वेगवेगळ्या गोष्टींची काळजी असते, त्यामुळे तुमच्यासाठी काय महत्त्वाचे आहे हे जाणून कोणताही रोबोट बॉक्समधून बाहेर पडत नाही," बोबूने एमआयटी न्यूजला सांगितले. "मला FLEX बद्दल जी गोष्ट खूष करते ती म्हणजे ते तुम्हाला प्रत्येक नियमाचे स्पेलिंग सांगण्याऐवजी एक किंवा दोन वाक्यांमधून ते उचलू शकते - आणि हाच फरक आहे रोबोट लोकांनी पाळलेला आणि त्यांच्या घरात त्यांना हवा असलेला एक यात."
पुढे काय येईल
"अनुकूलित रोबोट वर्तनासाठी लवचिक भाषा-मार्गदर्शित प्रतिनिधित्व संपादन" या पेपरमध्ये तपशीलवार केलेल्या कामाला MIT जनरेटिव्ह एआय इम्पॅक्ट कंसोर्टियम आणि MIT श्वार्झमन कॉलेज ऑफ कॉम्प्युटिंगच्या सामाजिक आणि नैतिक जबाबदाऱ्या संगणकीय कार्यक्रमाद्वारे काही प्रमाणात समर्थित आहे.
आतापर्यंत दाखवलेले परिणाम सिम्युलेशन आहेत आणि त्या कार्यप्रदर्शनाचे भौतिक हार्डवेअरमध्ये भाषांतर करणे — अव्यवस्थित समज, कोलाहल भाषा आणि वास्तविक परिणामांसह — हे फील्डचा पुढील अडथळा आहे. पण दिशा स्पष्ट आहे: रोबोट्स फॅक्टरी पिंजऱ्यांमधून स्वयंपाकघर आणि कार्यालयात फिरत असताना, यशस्वी होणारी यंत्रे कदाचित आपण काय बोलतो हे समजत नाही तर आपल्याला काय म्हणायचे आहे हे समजू शकते.
हा लेख 9 नोव्हेंबर 2026 रोजी एमआयटी न्यूजने प्रकाशित केलेल्या जेनिफर चूच्या अहवालावर आधारित आहे.---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
