گوگل ڈیپ مائنڈ نے روبوٹکس کی تربیت کی ایک تکنیک کا مظاہرہ کیا ہے جس میں اس کا جیمنی 4 آرگن ماڈل عام ویڈیو دیکھ کر ایک جسمانی کام سیکھتا ہے، پھر سیکھے ہوئے رویے کو حقیقی انسان نما روبوٹ میں منتقل کرتا ہے۔ روبوٹکس اینڈ آٹومیشن نیوز کے مطابق، ماڈل کے لانچ کے ساتھ ساتھ شائع ہونے والے ڈیمو میں، Apptronik کے ذریعے بنائے گئے Apollo humanoid نے کارن ہول کھیلنے والے ایک شخص کی فوٹیج دیکھی - اور پھر ایک حقیقی دنیا کی آزمائش میں لگاتار سات شاٹس لگائے۔

خام ویڈیو سے اصلی روبوٹ تک For more context on this story, see our ongoing artificial intelligence updates.

یہ مظاہرہ ایک داخلی امتحان پر مرکوز تھا۔ آرگن کو ایک انسانی کارن ہول، جو گھر کے پچھواڑے میں ٹاس گیم کھیل رہا ہے، کی خام ویڈیو دکھائی گئی۔ اس کے بعد ماڈل نے ماحول کا تجزیہ کیا، اس کے مقامی نقاط کی نقشہ کشی کی، اور ہیومنائیڈ پلیٹ فارم پر کام کو دوبارہ پیش کرنے کے لیے درکار پورے جسم کی مشترکہ حرکات کا حساب لگایا۔

قابل ذکر مرحلہ وہ ہے جو آگے آیا: فزکس سمولیشن کو ہاتھ سے بنانے کے لیے انجینئرز پر انحصار کرنے کے بجائے، Argon نے خود مختاری سے نقلی کوڈ تیار کیا۔ اس کے بعد سیکھے ہوئے رویے کو اس خود ساختہ تخروپن سے Apptronik کے Apollo humanoid میں منتقل کیا گیا، جس نے اسے طبعی دنیا میں انجام دیا۔

گوگل ڈیپ مائنڈ کے مطابق، اپولو نے بعد میں حقیقی دنیا کی آزمائش کے دوران سیدھے سات شاٹس لگائے - ایک کام کے لیے کلین رن جس میں روبوٹ کو توازن، بازو کی رفتار اور ریلیز کے وقت کو مربوط کرنے کی ضرورت ہوتی ہے۔

نقلی کام کے ہفتوں کو گھنٹوں میں کمپریس کیا جاتا ہے۔

گوگل ڈیپ مائنڈ نقطہ نظر کو "ویڈیو سے سم سے اصلی" پائپ لائن کے طور پر بیان کرتا ہے، اور پچ انجینئرنگ کے وقت کے بارے میں اتنا ہی ہے جتنا یہ صلاحیت کے بارے میں ہے۔

روبوٹکس اینڈ آٹومیشن نیوز کے مطابق، کمپنی نے کہا، "یہ 'ویڈیو-ٹو-سم-ٹو-ریئل' پائپ لائن دستی سمولیشن ماڈلنگ کے ہفتوں کو چند گھنٹوں میں کمپریس کرتی ہے، جو عام ویڈیوز کو روبوٹکس کے لیے ایک قابل توسیع، لامحدود تربیتی میدان میں تبدیل کرتی ہے۔

روایتی طور پر، تخروپن کے ذریعے روبوٹ کو ایک نئی جسمانی مہارت سکھانے کے لیے ماہرین کو ماحول، آبجیکٹ فزکس، اور روبوٹ کے جسم کو ہاتھ سے ماڈل بنانے کی ضرورت ہوتی ہے - ایک ایسا عمل جو ہر نئے کام کے لیے ہفتوں میں ماپا جاتا ہے۔ اگر ویڈیو اس دستی ماڈلنگ کا متبادل بن سکتی ہے تو روبوٹس کو نئی مہارتیں سکھانے کے لیے رکاوٹ انجینئرنگ لیبر سے مظاہرے کی فوٹیج کی دستیابی میں بدل جاتی ہے، جو انٹرنیٹ پر مؤثر طریقے سے لامحدود ہے۔

کیا چیز ویڈیو سے سم سے اصلی کو مختلف بناتی ہے۔

انڈسٹری میں زیادہ تر روبوٹ لرننگ پائپ لائنز دو میں سے ایک راستہ استعمال کرتی ہیں: ٹیلی آپریشن، جہاں انسان دستی طور پر ان کاموں کا مظاہرہ کرتے ہیں جن کی روبوٹ نقل کرتا ہے، یا نقلی تربیت، جہاں انجینئرز ہاتھ سے ورچوئل ماحول بناتے ہیں جس میں کنٹرول پالیسیاں تعیناتی سے پہلے لاکھوں تکرار کی مشق کرتی ہیں۔ دونوں کام کرتے ہیں، اور دونوں کا پیمانہ خراب ہے — ٹیلی آپریشن فی کام محنت پر مبنی ہے، اور سمولیشن ماڈلنگ فی ماحول محنت پر مبنی ہے۔

کارن ہول ڈیمو کا مقصد دوسری رکاوٹ ہے۔ ڈیپ مائنڈ کے ٹیسٹ کے اکاؤنٹ میں، کسی انجینئر نے کارن ہول کا ماحول نہیں بنایا: آرگن نے خام ویڈیو کو استعمال کیا، منظر کی مقامی ترتیب کی تشریح کی، پورے جسم کے جوائنٹ ٹریجیکٹریز کو تھرو کی ضرورت پر کام کیا، اور خود نقلی کوڈ لکھا۔ لوپ میں انسانی کردار، درحقیقت، گیم کھیلنے والے کسی کو فلمانے کے لیے کم کر دیا گیا تھا۔

کارن ہول جان بوجھ کر اچھی طرح سے منتخب کردہ ٹیسٹ کیس ہے۔ یہ معمولی نظر آتا ہے، لیکن بین بیگ کو اٹھائے ہوئے ہدف پر اتارنے کے لیے بالکل وہی امتزاج ہوتا ہے جو ہیومنائیڈ روبوٹس کو مشکل لگتا ہے: ونڈ اپ کے دوران پورے جسم کا توازن، باریک بازو کی حرکیات، وقت پر رہائی، اور ڈھیلے پروجیکل کی بیلسٹکس کے لیے رواداری۔ حقیقی دنیا میں مسلسل سات کامیابیاں اس بات کی نشاندہی کرتی ہیں کہ منتقلی کی گئی پالیسی خوش قسمتی کی بجائے مضبوط تھی، حالانکہ ایک داخلی امتحان ایک مختصر ثبوت کی بنیاد ہے۔

مجسم استدلال بینچ مارک کے نتائج

کارن ہول ڈیمو کے ساتھ ساتھ، ڈیپ مائنڈ نے ایمبوڈیڈ ریزننگ بینچ مارک (ERQA) پر آرگن کا تجربہ کیا، جو 3D ماحول میں جسمانی اور مقامی مسائل کے بارے میں استدلال کرنے کی ماڈل کی صلاحیت کی پیمائش کرتا ہے۔ کمپنی کا کہنا ہے کہ آرگن نے بینچ مارک پر 87 فیصد کا سکور حاصل کیا۔

جسمانی اور مقامی استدلال کو وسیع پیمانے پر ایسے نظاموں سے فرنٹیئر لینگویج ماڈلز کو الگ کرنے والے خلاء میں سے ایک کے طور پر دیکھا جاتا ہے جو طبعی دنیا میں کارآمد کام کر سکتے ہیں، یہی وجہ ہے کہ ERQA جیسے روبوٹکس بینچ مارکس نے بڑی لیبز کی طرف سے بڑھتی ہوئی توجہ مبذول کرائی ہے۔

وسیع جیمنی 4 آرگن لانچ کا حصہ

روبوٹکس کا کام وسیع تر لانچ میں ایک ایپلی کیشن ہے۔ Google Gemini 4 Argon کو ایک فرنٹیئر ماڈل کے طور پر پوزیشن دے رہا ہے جس میں بصری-معنی استدلال، جسمانی سمجھ بوجھ، اور خود مختار کوڈ جنریشن کا امتزاج ہے، جس کا مقصد پیچیدہ انجینئرنگ، سائنسی، کوڈنگ اور کاروباری کام ہے۔ کمپنی کا کہنا ہے کہ اس نے پہلے ہی ماڈل کو اندرونی طور پر بڑے سافٹ ویئر کوڈ بیسز کو بہتر بنانے سے لے کر کوانٹم کمپیوٹنگ، نیوکلیئر فیوژن اور لائف سائنسز ریسرچ تک کے منصوبوں پر استعمال کیا ہے۔

یہ ماڈل گوگل کی AI مصنوعات اور Gemini API کے ذریعے دستیاب کرایا جا رہا ہے، جس میں روبوٹکس کے مظاہرے کو روبوٹ آپریٹرز کے لیے شپنگ پروڈکٹ کے بجائے ماڈل کی جسمانی سمجھ بوجھ کے ثبوت کے طور پر پیش کیا جا رہا ہے۔

ہیومینائڈ انڈسٹری کے لئے یہ کیوں اہمیت رکھتا ہے۔

بڑھتے ہوئے ہیومنائیڈ روبوٹ سیکٹر کے لیے — جہاں Apptronik سب سے نمایاں کھلاڑیوں میں سے ایک ہے — نتیجہ ایک مخصوص قریب المدت قیمت کی تجویز کی طرف اشارہ کرتا ہے: عام مقصد کے AI ماڈلز جو غیر فعال ویڈیو کو قابل تربیت سمولیشن میں تبدیل کر سکتے ہیں، روبوٹ کو نئے کام سکھانے کی لاگت کو ڈرامائی طور پر کم کر سکتے ہیں، جو آج کے متاثر کن ڈیمو اور معاشی طور پر مفید ڈیمو کے درمیان بنیادی رکاوٹ ہے۔

ڈیپ مائنڈ کی اپنی فریمنگ اسی نکتے پر زور دیتی ہے۔ کمپنی کا کہنا ہے کہ یہ مظاہرہ ظاہر کرتا ہے کہ کس طرح عام مقصد کے ماڈل روبوٹ کو نئی جسمانی مہارتیں سکھانے کے لیے درکار دستی انجینئرنگ کی مقدار کو کم کر سکتے ہیں۔

سات کارن ہول شاٹس گودام میں پیکجوں کو منتقل نہیں کریں گے۔ لیکن پائپ لائن جس نے انہیں تیار کیا — ایک ویڈیو دیکھیں، فزکس کو سمجھیں، نقلی لکھیں، ہارڈ ویئر میں منتقل کریں — وہ حصہ ہے جسے روبوٹکس کمپنیاں اور ان کے سرمایہ کار دیکھ رہے ہوں گے۔

---

Stay Ahead of AI

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

Read more AI news →