AgiBot ने RoboBeats मॉडल पर आधारित एम्बोडीड लर्निंग के लिए लाइफ फ्रेमवर्क जारी किया

रोबीएन्ट, जो एंट ग्रुप की एक सहायक कंपनी है, ने लिंगबॉट-टच मॉडल को सार्वजनिक रूप से जारी किया है। यह स्पर्शनीय मूलभूत मॉडल रोबोटिक हाथों को स्पर्श की एक समान अनुभूति प्रदान करने के लिए डिज़ाइन किया गया है।

10 नवंबर को घोषित, इस मॉडल को लगभग 5000 घंटे के वास्तविक स्पर्श अनुभव से एकत्र किए गए डेटा पर पूर्व-प्रशिक्षित किया गया था। यह संवेदीकरण के तीन सिद्धांतों को कवर करता है: चुंबकीय, दृश्य-स्पर्शनीय और पीजोरेसिस्टिव। मॉडल का कोड Apache-2.0 लाइसेंस के तहत उपलब्ध है, और Tiny और Small चेकपॉइंट्स Hugging Face और ModelScope प्लेटफॉर्म पर रखे गए हैं।

लिंगबॉट-टच द्वारा हल की जाने वाली मुख्य समस्या विभिन्न स्पर्श सेंसर द्वारा उत्पन्न कच्चे संकेतों की असंगति है; एक प्रकार के सेंसर पर प्राप्त स्पर्श अनुभव शायद ही कभी दूसरे पर लागू होता है। लिंगबॉट-टच इस समस्या का समाधान प्रत्येक सेंसर प्रकार के लिए अपना इनपुट टोकनाइज़र प्रदान करके करता है, जो डेटा को एक सामान्य ट्रांसफार्मर में फीड करता है। मॉडल उंगली के सिरे के एक एकीकृत समन्वय स्थान में संपर्क बिंदुओं को मैप करता है और मानकीकृत स्पर्श टोकन आउटपुट करता है, जिनका उपयोग विभिन्न क्रिया मॉडलों द्वारा किया जा सकता है।

रिपॉजिटरी में JEPA शैली का लक्ष्य दृष्टिकोण वर्णित है, जो स्पर्श के स्थानिक-अस्थायी संदर्भ से लेटेंट प्रतिनिधित्वों की भविष्यवाणी करता है। प्रशिक्षण डेटा मानव द्वारा पहने गए स्पर्श दस्तानों और टेलीऑपरेटेड फुर्तीले हाथों दोनों से प्राप्त किया गया था।

रोबोटिक्स कार्यों पर मॉडल का परीक्षण

रोबीएन्ट ने 26 कार्यों के भीतर दो फुर्तीले हाथों - शार्पा वेव और एक्सहैंड - पर मॉडल का परीक्षण किया, जिन्हें वास्तविक रोबोट द्वारा निष्पादित किया गया था। इन कार्यों में पन्ने पलटना, बोतल के ढक्कन को कसना और माजोंगो टाइल्स की पहचान करना शामिल था। लिंगबॉट-टच प्रतिनिधित्व को चार क्रिया मॉडलों - लिंगबॉट-वीएलए, $\pi$0.5, डिफ्यूजन पॉलिसी और टी-रेक्स - में जोड़ने पर, स्पर्श प्रतिक्रिया का उपयोग न करने वाले संस्करणों की तुलना में कार्यों को सफलतापूर्वक पूरा करने की औसत दर लगभग 14-26 प्रतिशत अंक बढ़ गई।

एक मामले में, जब टी-रेक्स शार्पा वेव पर ढक्कन कसने की कोशिश कर रहा था, तो स्पर्शनीयता का उपयोग किए बिना सफलता दर 56.25% थी, कच्चे सेंसर सिग्नल का उपयोग करने पर 62.5% थी, और लिंगबॉट-टच को एकीकृत करने के बाद 90% थी।

सभी 26 परीक्षण Tiny संस्करण का उपयोग करके किए गए थे, जिसमें लगभग 5 मिलियन पैरामीटर हैं और कनेक्टेड नीतियों के आकार को केवल 0.13%-0.16% बढ़ाते हैं। टीम का कहना है कि बड़ा संस्करण Small 5000 घंटों तक प्रशिक्षण डेटा की मात्रा बढ़ने के साथ लगातार बेहतर हो रहा है।

विभिन्न हार्डवेयर प्लेटफार्मों के बीच ज्ञान हस्तांतरण की जांच के लिए, टीम ने एक्सहैंड पर एनकोडर को फ्रीज कर दिया, जिसका मैग्नेटिक-सेंसरी मॉड्यूल प्री-ट्रेनिंग डेटा में अनुपस्थित था, और केवल एक्सहैंड प्रदर्शनों पर क्रिया मॉडल को प्रशिक्षित किया। इस मामले में चुंबकीय स्पर्श का ज्ञान विशेष रूप से मानव दस्ताने डेटा से प्राप्त किया गया था।

रोबीएन्ट इस मॉडल को स्पर्श सेंसर और क्रिया मॉडलों के बीच एक तटस्थ परत के रूप में प्रस्तुत करता है, न कि अपनी LingBot-VLA से जुड़ा हुआ घटक के रूप में। यह उपकरण निर्माताओं को लागत के आधार पर सेंसर चुनने की अनुमति देता है, जबकि सिस्टम टीमों को अपनी स्वयं की नीतियां बनाए रखने की अनुमति देता है।

सभी प्रस्तुत परिणाम रोबीएन्ट के अपने हैं, और कंपनी ने इन डेटा के स्वतंत्र पुनरुत्पादन की सूचना नहीं दी है। GitHub पर रिलीज एक अनुमान रिलीज है, जिसमें फ्रीज किया गया एनकोडर और स्पर्श विशेषताओं को निकालने के लिए यूटिलिटीज शामिल हैं।

एजीआईबॉट कंपनी ने 29 अक्टूबर को GO-3 प्रीव्यू मॉडल जारी किया। कृत्रिम बुद्धिमत्ता का यह मूर्त मॉडल प्रारंभिक प्रशिक्षण के दौरान, उसके बाद और यहां तक कि काम में लागू होने के बाद भी सभी चरणों में सीखने की क्षमता रखता है। एजीआईबॉट वर्ष 2026 के अंत तक पूरे मॉडल को सार्वजनिक रूप से उपलब्ध कराने का इरादा रखती है।

GO-3 प्रीव्यू WRAM, या वर्ल्ड रीजनिंग एक्शन मॉडल नामक आर्किटेक्चर पर आधारित है। यह आर्किटेक्चर कार्य पर तर्क, भविष्य की घटनाओं की भविष्यवाणी और कार्यों के निर्माण को जोड़ता है, जिससे रोबोट निर्देश को समझ सकता है, परिणाम की भविष्यवाणी कर सकता है और उपयुक्त हरकतें कर सकता है।

इस मॉडल ने हाल ही में मूर्त एआई के लिए तीन रैंकिंग - RoboDojo, RoboTwin और RoboColiseum - में पहला स्थान हासिल किया है। एजीआईबॉट का दावा है कि मॉडल दो दिशाओं में स्केलेबल है। एक ओर, वस्तुओं के प्रसंस्करण और कार्यों के विकास के लिए समृद्ध उदाहरण प्रथम-व्यक्ति मानव वीडियो रिकॉर्डिंग द्वारा प्रदान किए जाते हैं, और रोबोट पथ अवलोकनों को कार्यों और भौतिक परिणामों से जोड़ते हैं।

दूसरी ओर, मॉडल की उच्च शिक्षण क्षमता इस बिखरे हुए अनुभव को ऐसे कौशल में बदल देती है जिन्हें नए कार्यों पर लागू किया जा सकता है। प्रारंभिक प्रशिक्षण के बाद, कंपनी बताती है कि रोबोट घरों, रसोई में, मल्टी-रोबोट सिस्टम में अज्ञात कार्यों को कर सकते हैं और अतिरिक्त फाइन-ट्यूनिंग के बिना सूक्ष्म हेरफेर कर सकते हैं।

कई प्रदर्शनों की मदद से, मॉडल लंबी और नाजुक प्रक्रियाओं को सीखने में सक्षम है, जैसे जियानबिन - एक चीनी मसालेदार पैनकेक बनाना। एजेंट द्वारा फाइन-ट्यूनिंग और कदमों के समन्वय के बाद, रोबोट लेगो के पुर्जे भी इकट्ठा कर सकता है।

प्रशिक्षण के बाद के चरण के लिए, एजीआईबॉट ने जीनियस इवॉल्वर नामक एक वितरित शिक्षण प्रणाली विकसित की है, जो लगभग सौ वास्तविक रोबोटों को भौतिकी सिमुलेशन और विश्व मॉडल के साथ जोड़ती है। टेबल पर कर्लिंग गेम में, रोबोट ने चार घंटे के ऑनलाइन प्रशिक्षण के बाद औसत परीक्षण किए गए व्यक्ति को पीछे छोड़ दिया। ब्लॉक टावरों वाले खेल में, यह स्थिरता बनाए रखते हुए लगातार पांच ब्लॉकों को बाहर निकालने में सक्षम था।

कार्यान्वयन के बाद, जीनियस मास्टर एजेंट संरचना तर्क, निष्पादन और प्रतिक्रिया के बीच संबंध सुनिश्चित करती है, जिससे रोबोट काम करने की प्रक्रिया में लगातार बेहतर हो सकते हैं। एजीआईबॉट G2 रोबोट, जो एक वास्तविक चौबीसों घंटे स्टोर में काम कर रहा था, ने अपने स्वयं के विफलताओं के कारणों का पता लगाया, अपने दृष्टिकोण को समायोजित किया और किसी मानव या ट्यूनिंग के बिना प्राप्त ज्ञान को बनाए रखा। पूर्ण कार्यप्रवाह पर इस रोबोट की सफलता पहले दिन 28.6 प्रतिशत से बढ़कर पांच दिनों में स्थिर 85.7 प्रतिशत हो गई।

छोटे हुक लटकाने जैसे कार्य में, एजीआईबॉट का दावा है कि इस विधि ने पारंपरिक नियंत्रित फाइन-ट्यूनिंग की तुलना में व्यक्तिगत कार्य की सफलता दर में 17.7 प्रतिशत अंकों की वृद्धि की है, और प्रशिक्षण प्रक्रिया ऑनलाइन जारी है।

टेक्नोलॉजी मैग्नेट एलन मस्क ने 'ऑल-इन समिट' कार्यक्रम में अपने भविष्य के दृष्टिकोण को प्रस्तुत किया, जिसमें उन्होंने कृत्रिम बुद्धिमत्ता (एआई) और रोबोटिक्स का मानव जीवन पर पड़ने वाले प्रभाव का विस्तार से वर्णन किया। मस्क का अनुमान है कि निकट भविष्य में तकनीक लोगों को कमाई के लिए काम करने की आवश्यकता से मुक्त कर देगी।

मस्क का मानना है कि जल्द ही टेस्ला की रोबोटिक ह्यूमनॉइड्स, जैसे कि 'ऑप्टिमस', एआई के साथ मिलकर, मनुष्य के समान किसी भी कार्य को करने में सक्षम होंगी। उन्होंने कहा कि इससे 'सार्वभौमिक उच्च आय' (Universal High Income) का उदय होगा, जिससे काम करना आवश्यकता नहीं, बल्कि केवल एक विकल्प बन जाएगा।

मस्क के अनुसार, यह परिवर्तन न केवल शारीरिक श्रम को प्रभावित करेगा, बल्कि उच्च-कुशल पदों, जिसमें कार्यालय कर्मचारियों का काम और डेटा प्रोसेसिंग शामिल है, को भी प्रभावित करेगा। उनका मानना है कि स्वचालन के कारण इतनी अधिक वस्तुओं और सेवाओं की उपलब्धता होगी कि लोग वर्तमान की तुलना में काफी बेहतर जीवन जी सकेंगे।

'सार्वभौमिक मूल आय' (UBI) की अवधारणा के विपरीत, मस्क एक बड़े पैमाने पर विकास - सार्वभौमिक उच्च आय - को देखते हैं। उत्पादन, परिवहन, कृषि और स्वास्थ्य सेवा इतनी सुलभ और सस्ती हो जाएगी कि यह सभी के लिए उच्च जीवन स्तर सुनिश्चित करेगी।

इस परिदृश्य की काल्पनिक प्रकृति के बावजूद, एलन मस्क ने इस बात पर जोर दिया कि ऐसे भविष्य तक का मार्ग कठिन होगा और इसमें कई खतरे जुड़े होंगे। उन्होंने स्वीकार किया कि मशीनों द्वारा नौकरियों की जगह लेने की अवधि आसान नहीं होगी।

वे परिवार जिनकी आय पूरी तरह से वेतन और शारीरिक श्रम पर निर्भर करती है, इस 'महान समृद्ध युग' के आने से पहले वित्तीय कठिनाइयों का सामना कर सकते हैं। स्वचालित दुनिया में धन का वितरण कैसे होगा और इन मशीनों का वास्तविक मालिक कौन होगा, यह एक मौलिक प्रश्न खड़ा करता है। मस्क ने पहले पॉडकास्ट में उल्लेख किया था कि यह संक्रमण 'झटकेदार और कठिन यात्रा' होगी।