Google DeepMind ਨੇ ਇੱਕ ਰੋਬੋਟਿਕਸ ਸਿਖਲਾਈ ਤਕਨੀਕ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ ਜਿਸ ਵਿੱਚ ਇਸਦਾ Gemini 4 Argon ਮਾਡਲ ਸਾਧਾਰਨ ਵੀਡੀਓ ਦੇਖ ਕੇ ਇੱਕ ਭੌਤਿਕ ਕੰਮ ਸਿੱਖਦਾ ਹੈ, ਫਿਰ ਸਿੱਖੇ ਹੋਏ ਵਿਵਹਾਰ ਨੂੰ ਇੱਕ ਅਸਲੀ ਹਿਊਮਨਾਈਡ ਰੋਬੋਟ ਵਿੱਚ ਤਬਦੀਲ ਕਰਦਾ ਹੈ। ਰੋਬੋਟਿਕਸ ਐਂਡ ਆਟੋਮੇਸ਼ਨ ਨਿਊਜ਼ ਦੇ ਅਨੁਸਾਰ, ਮਾਡਲ ਦੇ ਲਾਂਚ ਦੇ ਨਾਲ ਪ੍ਰਕਾਸ਼ਿਤ ਡੈਮੋ ਵਿੱਚ, ਐਪਟ੍ਰੋਨਿਕ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਅਪੋਲੋ ਹਿਊਮਨਾਈਡ ਨੇ ਕੋਰਨਹੋਲ ਖੇਡਣ ਵਾਲੇ ਇੱਕ ਵਿਅਕਤੀ ਦੀ ਫੁਟੇਜ ਦੇਖੀ - ਅਤੇ ਫਿਰ ਇੱਕ ਅਸਲ-ਸੰਸਾਰ ਅਜ਼ਮਾਇਸ਼ ਵਿੱਚ ਲਗਾਤਾਰ ਸੱਤ ਸ਼ਾਟ ਲਏ।
ਕੱਚੀ ਵੀਡੀਓ ਤੋਂ ਅਸਲ ਰੋਬੋਟ ਤੱਕ For more context on this story, see our ongoing latest AI developments.
ਪ੍ਰਦਰਸ਼ਨ ਇੱਕ ਸਿੰਗਲ ਅੰਦਰੂਨੀ ਟੈਸਟ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ। ਅਰਗਨ ਨੂੰ ਇੱਕ ਮਨੁੱਖੀ ਕੋਰਨਹੋਲ ਖੇਡਣ ਦਾ ਕੱਚਾ ਵੀਡੀਓ ਦਿਖਾਇਆ ਗਿਆ ਸੀ, ਬੈਕਯਾਰਡ ਟਾਸ ਗੇਮ। ਮਾਡਲ ਨੇ ਫਿਰ ਵਾਤਾਵਰਣ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਇਸਦੇ ਸਥਾਨਿਕ ਨਿਰਦੇਸ਼ਾਂਕ ਨੂੰ ਮੈਪ ਕੀਤਾ, ਅਤੇ ਇੱਕ ਮਨੁੱਖੀ ਪਲੇਟਫਾਰਮ 'ਤੇ ਕੰਮ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਪੂਰੇ ਸਰੀਰ ਦੀਆਂ ਸੰਯੁਕਤ ਅੰਦੋਲਨਾਂ ਦੀ ਗਣਨਾ ਕੀਤੀ।
ਧਿਆਨ ਦੇਣ ਯੋਗ ਕਦਮ ਉਹ ਹੈ ਜੋ ਅੱਗੇ ਆਇਆ: ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ ਸਿਮੂਲੇਸ਼ਨ ਨੂੰ ਹੱਥ ਨਾਲ ਬਣਾਉਣ ਲਈ ਇੰਜੀਨੀਅਰਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਆਰਗਨ ਨੇ ਖੁਦ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਨੂੰ ਖੁਦ ਤਿਆਰ ਕੀਤਾ। ਸਿੱਖੇ ਹੋਏ ਵਿਵਹਾਰ ਨੂੰ ਫਿਰ ਉਸ ਸਵੈ-ਉਤਪੰਨ ਸਿਮੂਲੇਸ਼ਨ ਤੋਂ ਐਪਟ੍ਰੋਨਿਕ ਦੇ ਅਪੋਲੋ ਹਿਊਮੈਨੋਇਡ ਵਿੱਚ ਤਬਦੀਲ ਕੀਤਾ ਗਿਆ ਸੀ, ਜਿਸ ਨੇ ਇਸਨੂੰ ਭੌਤਿਕ ਸੰਸਾਰ ਵਿੱਚ ਲਾਗੂ ਕੀਤਾ ਸੀ।
ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਦੇ ਅਨੁਸਾਰ, ਅਪੋਲੋ ਨੇ ਬਾਅਦ ਵਿੱਚ ਅਸਲ-ਸੰਸਾਰ ਅਜ਼ਮਾਇਸ਼ ਦੌਰਾਨ ਸੱਤ ਸਿੱਧੇ ਸ਼ਾਟ ਕੀਤੇ - ਇੱਕ ਕਾਰਜ ਲਈ ਇੱਕ ਸਾਫ਼ ਦੌੜ ਜਿਸ ਵਿੱਚ ਰੋਬੋਟ ਨੂੰ ਸੰਤੁਲਨ, ਬਾਂਹ ਦੇ ਟ੍ਰੈਜੈਕਟਰੀ, ਅਤੇ ਰੀਲੀਜ਼ ਟਾਈਮਿੰਗ ਦਾ ਤਾਲਮੇਲ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਸਿਮੂਲੇਸ਼ਨ ਕੰਮ ਦੇ ਹਫ਼ਤਿਆਂ ਨੂੰ ਘੰਟਿਆਂ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕੀਤਾ ਗਿਆ
ਗੂਗਲ ਡੀਪਮਾਈਂਡ ਪਹੁੰਚ ਨੂੰ "ਵੀਡੀਓ-ਟੂ-ਸਿਮ-ਟੂ-ਰੀਅਲ" ਪਾਈਪਲਾਈਨ ਵਜੋਂ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਪਿੱਚ ਇੰਜਨੀਅਰਿੰਗ ਸਮੇਂ ਦੇ ਬਾਰੇ ਵਿੱਚ ਜਿੰਨੀ ਸਮਰੱਥਾ ਬਾਰੇ ਹੈ.
ਰੋਬੋਟਿਕਸ ਐਂਡ ਆਟੋਮੇਸ਼ਨ ਨਿਊਜ਼ ਦੇ ਅਨੁਸਾਰ, ਕੰਪਨੀ ਨੇ ਕਿਹਾ, "ਇਹ 'ਵੀਡੀਓ-ਟੂ-ਸਿਮ-ਟੂ-ਰੀਅਲ' ਪਾਈਪਲਾਈਨ ਹਫ਼ਤਿਆਂ ਦੇ ਮੈਨੂਅਲ ਸਿਮੂਲੇਸ਼ਨ ਮਾਡਲਿੰਗ ਨੂੰ ਕੁਝ ਘੰਟਿਆਂ ਵਿੱਚ ਸੰਕੁਚਿਤ ਕਰਦੀ ਹੈ, ਆਮ ਵੀਡੀਓਜ਼ ਨੂੰ ਰੋਬੋਟਿਕਸ ਲਈ ਇੱਕ ਸਕੇਲੇਬਲ, ਅਨੰਤ ਸਿਖਲਾਈ ਦੇ ਮੈਦਾਨ ਵਿੱਚ ਬਦਲਦੀ ਹੈ।
ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ, ਸਿਮੂਲੇਸ਼ਨ ਦੁਆਰਾ ਇੱਕ ਰੋਬੋਟ ਨੂੰ ਇੱਕ ਨਵਾਂ ਭੌਤਿਕ ਹੁਨਰ ਸਿਖਾਉਣ ਲਈ ਮਾਹਿਰਾਂ ਨੂੰ ਵਾਤਾਵਰਣ, ਵਸਤੂ ਭੌਤਿਕ ਵਿਗਿਆਨ, ਅਤੇ ਰੋਬੋਟ ਦੇ ਸਰੀਰ ਨੂੰ ਹੱਥ ਨਾਲ ਮਾਡਲ ਬਣਾਉਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ - ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਜੋ ਹਰ ਇੱਕ ਨਵੇਂ ਕੰਮ ਲਈ ਹਫ਼ਤਿਆਂ ਵਿੱਚ ਮਾਪੀ ਜਾਂਦੀ ਹੈ। ਜੇਕਰ ਵੀਡੀਓ ਉਸ ਮੈਨੁਅਲ ਮਾਡਲਿੰਗ ਦਾ ਬਦਲ ਲੈ ਸਕਦੀ ਹੈ, ਤਾਂ ਰੋਬੋਟਾਂ ਨੂੰ ਨਵੇਂ ਹੁਨਰ ਸਿਖਾਉਣ ਦੀ ਰੁਕਾਵਟ ਇੰਜੀਨੀਅਰਿੰਗ ਲੇਬਰ ਤੋਂ ਪ੍ਰਦਰਸ਼ਨੀ ਫੁਟੇਜ ਦੀ ਉਪਲਬਧਤਾ ਵੱਲ ਬਦਲ ਜਾਂਦੀ ਹੈ, ਜੋ ਕਿ ਇੰਟਰਨੈੱਟ 'ਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਅਸੀਮਤ ਹੈ।
ਕੀ ਵੀਡੀਓ-ਤੋਂ-ਸਿਮ-ਤੋਂ-ਅਸਲ ਨੂੰ ਵੱਖਰਾ ਬਣਾਉਂਦਾ ਹੈ
ਉਦਯੋਗ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਰੋਬੋਟ ਸਿੱਖਣ ਦੀਆਂ ਪਾਈਪਲਾਈਨਾਂ ਦੋ ਰੂਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ: ਟੈਲੀਓਪਰੇਸ਼ਨ, ਜਿੱਥੇ ਮਨੁੱਖ ਹੱਥੀਂ ਕਾਰਜਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੇ ਹਨ ਜੋ ਰੋਬੋਟ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ, ਜਾਂ ਸਿਮੂਲੇਸ਼ਨ ਸਿਖਲਾਈ, ਜਿੱਥੇ ਇੰਜੀਨੀਅਰ ਹੱਥ ਨਾਲ ਵਰਚੁਅਲ ਵਾਤਾਵਰਣ ਬਣਾਉਂਦੇ ਹਨ ਜਿਸ ਵਿੱਚ ਕੰਟਰੋਲ ਨੀਤੀਆਂ ਤੈਨਾਤੀ ਤੋਂ ਪਹਿਲਾਂ ਲੱਖਾਂ ਦੁਹਰਾਓ ਦਾ ਅਭਿਆਸ ਕਰਦੀਆਂ ਹਨ। ਦੋਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ, ਅਤੇ ਦੋਵੇਂ ਮਾੜੇ ਮਾਪਦੇ ਹਨ — ਟੈਲੀਓਪਰੇਸ਼ਨ ਪ੍ਰਤੀ ਕੰਮ ਲੇਬਰ-ਇੰਟੈਂਸਿਵ ਹੈ, ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਮਾਡਲਿੰਗ ਪ੍ਰਤੀ ਵਾਤਾਵਰਣ ਲੇਬਰ-ਇੰਟੈਂਸਿਵ ਹੈ।
ਕੋਰਨਹੋਲ ਡੈਮੋ ਦਾ ਉਦੇਸ਼ ਦੂਜੀ ਰੁਕਾਵਟ ਹੈ। ਡੀਪਮਾਈਂਡ ਦੇ ਟੈਸਟ ਦੇ ਖਾਤੇ ਵਿੱਚ, ਕਿਸੇ ਵੀ ਇੰਜੀਨੀਅਰ ਨੇ ਕੋਰਨਹੋਲ ਵਾਤਾਵਰਣ ਨਹੀਂ ਬਣਾਇਆ: ਆਰਗਨ ਨੇ ਕੱਚੀ ਵੀਡੀਓ ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਸੀਨ ਦੇ ਸਥਾਨਿਕ ਲੇਆਉਟ ਦੀ ਵਿਆਖਿਆ ਕੀਤੀ, ਥ੍ਰੋਅ ਲਈ ਲੋੜੀਂਦੇ ਪੂਰੇ ਸਰੀਰ ਦੇ ਸੰਯੁਕਤ ਟ੍ਰੈਜੈਕਟਰੀਜ਼ ਦਾ ਕੰਮ ਕੀਤਾ, ਅਤੇ ਸਿਮੂਲੇਸ਼ਨ ਕੋਡ ਖੁਦ ਲਿਖਿਆ। ਲੂਪ ਵਿੱਚ ਮਨੁੱਖੀ ਭੂਮਿਕਾ, ਅਸਲ ਵਿੱਚ, ਇੱਕ ਵਾਰ ਗੇਮ ਖੇਡਣ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਫਿਲਮਾਏ ਜਾਣ ਤੱਕ ਘਟਾ ਦਿੱਤੀ ਗਈ ਸੀ।
ਕੋਰਨਹੋਲ ਇੱਕ ਜਾਣਬੁੱਝ ਕੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਚੁਣਿਆ ਗਿਆ ਟੈਸਟ ਕੇਸ ਹੈ। ਇਹ ਮਾਮੂਲੀ ਜਾਪਦਾ ਹੈ, ਪਰ ਇੱਕ ਉੱਚੇ ਹੋਏ ਟੀਚੇ 'ਤੇ ਬੀਨਬੈਗ ਉਤਾਰਨਾ ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਦੇ ਸੁਮੇਲ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ ਜੋ ਹਿਊਮਨਾਈਡ ਰੋਬੋਟਾਂ ਨੂੰ ਮੁਸ਼ਕਲ ਲੱਗਦਾ ਹੈ: ਵਿੰਡਅਪ ਦੌਰਾਨ ਸਥਿਰ ਪੂਰੇ ਸਰੀਰ ਦਾ ਸੰਤੁਲਨ, ਵਧੀਆ ਬਾਂਹ ਦੀ ਗਤੀਸ਼ੀਲਤਾ, ਸਮਾਂਬੱਧ ਰੀਲੀਜ਼, ਅਤੇ ਇੱਕ ਢਿੱਲੇ ਪ੍ਰੋਜੈਕਟਾਈਲ ਦੇ ਬੈਲਿਸਟਿਕਸ ਲਈ ਸਹਿਣਸ਼ੀਲਤਾ। ਅਸਲ ਸੰਸਾਰ ਵਿੱਚ ਲਗਾਤਾਰ ਸੱਤ ਸਫਲਤਾਵਾਂ ਦਰਸਾਉਂਦੀਆਂ ਹਨ ਕਿ ਟ੍ਰਾਂਸਫਰ ਕੀਤੀ ਨੀਤੀ ਖੁਸ਼ਕਿਸਮਤ ਦੀ ਬਜਾਏ ਮਜ਼ਬੂਤ ਸੀ, ਹਾਲਾਂਕਿ ਇੱਕ ਅੰਦਰੂਨੀ ਟੈਸਟ ਇੱਕ ਤੰਗ ਸਬੂਤ ਅਧਾਰ ਹੈ।
ਮੂਰਤ ਤਰਕ ਦੇ ਬੈਂਚਮਾਰਕ ਨਤੀਜੇ
ਕੋਰਨਹੋਲ ਡੈਮੋ ਦੇ ਨਾਲ, ਡੀਪਮਾਈਂਡ ਨੇ ਐਬੋਡੀਡ ਰੀਜ਼ਨਿੰਗ ਬੈਂਚਮਾਰਕ (ERQA) 'ਤੇ ਅਰਗੋਨ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਜੋ 3D ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਭੌਤਿਕ ਅਤੇ ਸਥਾਨਿਕ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਤਰਕ ਕਰਨ ਦੀ ਇੱਕ ਮਾਡਲ ਦੀ ਯੋਗਤਾ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਆਰਗਨ ਨੇ ਬੈਂਚਮਾਰਕ 'ਤੇ 87% ਦਾ ਸਕੋਰ ਪ੍ਰਾਪਤ ਕੀਤਾ ਹੈ।
ਭੌਤਿਕ ਅਤੇ ਸਥਾਨਿਕ ਤਰਕ ਨੂੰ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਸਿਸਟਮਾਂ ਤੋਂ ਸਰਹੱਦੀ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਵਾਲੇ ਇੱਕ ਪਾੜੇ ਵਜੋਂ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ ਜੋ ਭੌਤਿਕ ਸੰਸਾਰ ਵਿੱਚ ਉਪਯੋਗੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ, ਇਸੇ ਕਰਕੇ ERQA ਵਰਗੇ ਰੋਬੋਟਿਕਸ ਮਾਪਦੰਡਾਂ ਨੇ ਪ੍ਰਮੁੱਖ ਲੈਬਾਂ ਤੋਂ ਵੱਧਦਾ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ।
ਵਿਸ਼ਾਲ ਜੈਮਿਨੀ 4 ਅਰਗਨ ਲਾਂਚ ਦਾ ਹਿੱਸਾ
ਰੋਬੋਟਿਕਸ ਦਾ ਕੰਮ ਇੱਕ ਵਿਆਪਕ ਲਾਂਚ ਵਿੱਚ ਇੱਕ ਐਪਲੀਕੇਸ਼ਨ ਹੈ। Google Gemini 4 Argon ਨੂੰ ਵਿਜ਼ੂਅਲ-ਅਰਥਿਕ ਤਰਕ, ਭੌਤਿਕ ਸਮਝ, ਅਤੇ ਆਟੋਨੋਮਸ ਕੋਡ ਜਨਰੇਸ਼ਨ ਨੂੰ ਜੋੜਦੇ ਹੋਏ ਇੱਕ ਫਰੰਟੀਅਰ ਮਾਡਲ ਦੇ ਤੌਰ 'ਤੇ ਸਥਿਤੀ ਬਣਾ ਰਿਹਾ ਹੈ, ਜਿਸਦਾ ਉਦੇਸ਼ ਗੁੰਝਲਦਾਰ ਇੰਜੀਨੀਅਰਿੰਗ, ਵਿਗਿਆਨਕ, ਕੋਡਿੰਗ, ਅਤੇ ਵਪਾਰਕ ਕਾਰਜ ਹਨ। ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਉਸਨੇ ਪਹਿਲਾਂ ਹੀ ਮਾਡਲ ਨੂੰ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਵੱਡੇ ਸੌਫਟਵੇਅਰ ਕੋਡਬੇਸ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਤੋਂ ਲੈ ਕੇ ਕੁਆਂਟਮ ਕੰਪਿਊਟਿੰਗ, ਪ੍ਰਮਾਣੂ ਫਿਊਜ਼ਨ, ਅਤੇ ਜੀਵਨ-ਵਿਗਿਆਨ ਖੋਜ ਤੱਕ ਦੇ ਪ੍ਰੋਜੈਕਟਾਂ 'ਤੇ ਵਰਤਿਆ ਹੈ।
ਮਾਡਲ ਨੂੰ Google ਦੇ AI ਉਤਪਾਦਾਂ ਅਤੇ Gemini API ਦੁਆਰਾ ਉਪਲਬਧ ਕਰਵਾਇਆ ਜਾ ਰਿਹਾ ਹੈ, ਰੋਬੋਟਿਕਸ ਪ੍ਰਦਰਸ਼ਨ ਦੇ ਨਾਲ ਰੋਬੋਟ ਆਪਰੇਟਰਾਂ ਲਈ ਇੱਕ ਸ਼ਿਪਿੰਗ ਉਤਪਾਦ ਦੀ ਬਜਾਏ ਮਾਡਲ ਦੀ ਸਰੀਰਕ ਸਮਝ ਦੇ ਸਬੂਤ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ।
ਇਹ ਮਨੁੱਖੀ ਉਦਯੋਗ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ
ਵਧ ਰਹੇ ਹਿਊਮੈਨੋਇਡ ਰੋਬੋਟ ਸੈਕਟਰ ਲਈ - ਜਿੱਥੇ ਐਪਟ੍ਰੋਨਿਕ ਸਭ ਤੋਂ ਪ੍ਰਮੁੱਖ ਖਿਡਾਰੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ - ਨਤੀਜਾ ਇੱਕ ਖਾਸ ਨਜ਼ਦੀਕੀ ਮਿਆਦ ਦੇ ਮੁੱਲ ਪ੍ਰਸਤਾਵ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ: ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ AI ਮਾਡਲ ਜੋ ਪੈਸਿਵ ਵੀਡੀਓ ਨੂੰ ਸਿਖਲਾਈ ਯੋਗ ਸਿਮੂਲੇਸ਼ਨ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹਨ ਰੋਬੋਟਾਂ ਨੂੰ ਨਵੇਂ ਕੰਮ ਸਿਖਾਉਣ ਦੀ ਲਾਗਤ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਘਟਾ ਸਕਦੇ ਹਨ, ਅੱਜ ਦੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਡੈਮੋ ਅਤੇ ਆਰਥਿਕ ਤੌਰ 'ਤੇ ਲਾਭਦਾਇਕ ਡੈਮੋ ਦੇ ਵਿਚਕਾਰ ਮੁੱਖ ਰੁਕਾਵਟ।
ਡੀਪ ਮਾਈਂਡ ਦੀ ਆਪਣੀ ਫਰੇਮਿੰਗ ਉਸੇ ਬਿੰਦੂ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀ ਹੈ। ਪ੍ਰਦਰਸ਼ਨ, ਕੰਪਨੀ ਦਾ ਕਹਿਣਾ ਹੈ, ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਕਿਵੇਂ ਆਮ-ਉਦੇਸ਼ ਵਾਲੇ ਮਾਡਲ ਰੋਬੋਟਾਂ ਨੂੰ ਨਵੇਂ ਸਰੀਰਕ ਹੁਨਰ ਸਿਖਾਉਣ ਲਈ ਲੋੜੀਂਦੀ ਮੈਨੂਅਲ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਮਾਤਰਾ ਨੂੰ ਘਟਾ ਸਕਦੇ ਹਨ।
ਸੱਤ ਕੋਰਨਹੋਲ ਸ਼ਾਟ ਇੱਕ ਵੇਅਰਹਾਊਸ ਵਿੱਚ ਪੈਕੇਜਾਂ ਨੂੰ ਨਹੀਂ ਲਿਜਾਣਗੇ। ਪਰ ਪਾਈਪਲਾਈਨ ਜਿਸ ਨੇ ਉਹਨਾਂ ਨੂੰ ਬਣਾਇਆ - ਇੱਕ ਵੀਡੀਓ ਦੇਖੋ, ਭੌਤਿਕ ਵਿਗਿਆਨ ਨੂੰ ਸਮਝੋ, ਸਿਮੂਲੇਸ਼ਨ ਲਿਖੋ, ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰੋ - ਉਹ ਹਿੱਸਾ ਹੈ ਜੋ ਰੋਬੋਟਿਕਸ ਕੰਪਨੀਆਂ, ਅਤੇ ਉਹਨਾਂ ਦੇ ਨਿਵੇਸ਼ਕ, ਦੇਖ ਰਹੇ ਹੋਣਗੇ।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
