रोबोटों को अगला कदम सिखाने के लिए AGIBOT ने भौतिक तर्क का डेटासेट जारी किया

कोई रोबोट बोतल को बिल्कुल सही ढंग से उठा सकता है, फिर भी मिनीबार में सामान भरने में नाकाम हो सकता है। हो सकता है कि वह खाली बोतल रख छोड़े, ज़रूरत से ज़्यादा बोतलें भर दे या पहले ही पूरा किया हुआ कदम दोहरा दे। कमी इस कौशल की है कि अगली हरकत चुनने से पहले वह तय कर सके कि परिस्थिति में क्या करना ज़रूरी है।

AGIBOT इस कमी को दूर करने के लिए भौतिक तर्क का डेटासेट लेकर आया है। इसकी घोषणा 22 अक्टूबर को AGIBOT WORLD 2026 के रिलीज़ 4 के रूप में की गई थी। यह रिलीज़ कार्य के लक्ष्य, दृश्य में बदलती परिस्थितियों, काम करने के इतिहास और रोबोट की वास्तविक कार्रवाइयों को जोड़ती है। इसका मुख्य विचार एक ही लक्ष्य तक पहुँचने के अलग-अलग रास्ते जुटाना है, ताकि शोधकर्ताओं को ऐसा डेटा मिले जिससे वे रोबोटों को किसी काम के आगे बढ़ने के साथ अपने निर्णय ढालने का प्रशिक्षण दे सकें।

एक लक्ष्य, सही कार्रवाइयों के कई क्रम

रिलीज़ 4 में कार्यों की रूपरेखा तैयार करने का ज़ोर कठिन हरकतों से हटाकर कठिन निर्णयों पर रखा गया है। किसी तय क्रम के केवल प्रदर्शन जुटाने के बजाय, AGIBOT वस्तुओं की संख्या, रास्ते की बाधाओं, उपलब्ध जगह और काम की प्रगति में बदलाव करता है। इन बदलावों के कारण पहले सही रही कोई कार्रवाई अनुपयुक्त हो सकती है, भले ही उपयोगकर्ता का अनुरोध वही रहे।

मिनीबार का उदाहरण लें। पूरी भरी हुई तीन बोतलों का लक्ष्य पूरा करने के लिए यह पहचानना ज़रूरी है कि कौन-सी बोतलें खाली हैं, पहले से मौजूद भरी बोतलों को गिनना है और तय करना है कि किन बोतलों को हटाकर उनकी जगह नई बोतलें रखनी हैं। बोतल को सफलतापूर्वक पकड़ना काम का केवल एक हिस्सा है। रोबोट को वांछित अंतिम स्थिति का निरूपण भी चाहिए और उसकी तुलना मौजूदा स्थिति से करने का तरीका भी।

एक अन्य स्थिति में डिब्बे के पीछे रखी चाबी निकालनी होती है। पर्याप्त जगह होने पर चाबी को सीधे पकड़ना काम कर सकता है। डिब्बा रास्ता रोक रहा हो, तो उसे हटाना पहले ज़रूरी हो जाता है। दराज़ों में खोजने पर याददाश्त की समस्या भी जुड़ जाती है: केवल कैमरे की छवि से सिस्टम यह नहीं जान सकता कि वह किन दराज़ों को पहले ही जाँच चुका है।

ये उदाहरण भौतिक एआई की एक व्यावहारिक चुनौती सामने लाते हैं। किसी विशेषज्ञ की दिखाई देने वाली गतिविधियों की नकल करने वाली नीति भी गलत निर्णय ले सकती है, अगर उसे वह संदर्भ न पता हो जिसके कारण वे गतिविधियाँ उचित थीं। एक साझा लक्ष्य के आसपास परिस्थितियों में बदलाव करके, इस डेटासेट का उद्देश्य उन निर्भरताओं को प्रशिक्षण के लिए उपलब्ध कराना है।

बढ़ती जटिलता के साथ तर्क की नौ क्षमताएँ

AGIBOT ने इस रिलीज़ को नौ क्षमताओं के आधार पर व्यवस्थित किया है: गुणों के आधार पर वस्तुएँ चुनना, संदर्भ के अनुसार चयन करना, यह आकलन करना कि किसी वस्तु को संभालना संभव है या नहीं, कार्रवाई की पूर्व-आवश्यकताओं पर विचार करना, लक्ष्य की दिशा में खोज करना, स्थितियों और मात्राओं पर नज़र रखना, लंबे क्रम की योजना बनाना, याददाश्त बनाए रखना और उपकार्यों का क्रम तय करना।

रोज़मर्रा के कामों में ये क्षमताएँ एक-दूसरे से जुड़ी होती हैं। सामान भरने के लिए पहचान, गिनती और प्रगति पर नज़र रखना ज़रूरी है। कोई वस्तु ढूँढ़ने में खोज की रणनीति के साथ पहले किए गए प्रयासों का रिकॉर्ड भी काम आता है। घर सँभालने के किसी लंबे काम में इनमें से कई निर्णय लगातार लेने पड़ सकते हैं, और हर कार्रवाई अगली कार्रवाई के लिए परिस्थितियाँ बदल देती है।

इस डेटासेट में कामों को आसान, मध्यम और कठिन स्तरों में बाँटा गया है। अलग-अलग वस्तुओं को चुनने के निर्णय अपेक्षाकृत सरल स्तर पर हैं; मात्रा की शर्तें और पूर्व-आवश्यकताएँ जटिलता बढ़ाती हैं; जबकि लंबे कामों में कई लक्ष्य, याददाश्त और संदर्भ-संबंधी ज़रूरतें एक साथ शामिल होती हैं। यह संरचना शोधकर्ताओं को पहले अलग-अलग कौशलों का अध्ययन करने और फिर यह जाँचने का तरीका देती है कि वे एक साथ कितनी अच्छी तरह काम करते हैं।

काम के नतीजों पर भी टिप्पणियाँ दर्ज की गई हैं। इनमें वस्तु का चयन, उसे कहाँ रखा गया और ज़रूरी मात्रा हासिल हुई या नहीं, शामिल हैं। रिलीज़ में सफल और त्रुटिपूर्ण, दोनों तरह के उदाहरण हैं। इससे विचलनों को पहचानने और बाद के निर्णयों में बदलाव करने के अनुसंधान को मदद मिलती है।

निर्देशों को भौतिक कार्रवाइयों से जोड़ना

इस तकनीक का योगदान इस बात में है कि टिप्पणियाँ किसी काम के अलग-अलग स्तरों को कैसे जोड़ती हैं। उच्च-स्तरीय निर्देश समग्र उद्देश्य बताता है। कार्य-फ्रेम, उपकार्य के खंड और कार्रवाई के चरण उसकी संरचना और प्रगति का वर्णन करते हैं। शोधकर्ता इन संबंधों की मदद से अध्ययन कर सकते हैं कि कौन-सा उपलक्ष्य सक्रिय है और अगला कदम क्या होना चाहिए।

हरकत के स्तर पर, AGIBOT की Dense Prompt टिप्पणियाँ लक्ष्य वस्तु, उसे संभालने का क्षेत्र, दोनों भुजाओं की भूमिकाएँ, गति, ग्रिपर की स्थिति और अपेक्षित नतीजा बताती हैं। बाउंडिंग बॉक्स, बिंदु और गति-पथ की रेखाएँ भाषा को स्थानों और गति के रास्तों से जोड़ती हैं। इससे सीखने वाली प्रणाली को इस बारे में अधिक स्पष्ट मार्गदर्शन मिलता है कि निर्देश किस चीज़ के लिए है और उसके क्रियान्वयन को किस रूप में दर्शाया गया है।

कंपनी लक्ष्य वस्तुओं को ध्यान भटकाने वाली वस्तुओं से अलग पहचानने और नतीजों की जाँच करने के लिए सफल और प्रतिकूल खंडों का भी वर्णन करती है। यहाँ प्रतिकूल उदाहरणों का संबंध कार्य की व्याख्या और उसे पूरा करने से है। वे ऐसे सवालों को सामने लाने में मदद करते हैं, जैसे कि रोबोट ने सही वस्तु चुनी या नहीं, अथवा अनुरोध किया गया चरण सचमुच पूरा किया या नहीं।

इन टिप्पणियों का संयुक्त उद्देश्य ऐसे प्रशिक्षण में मदद करना है जो निर्णय लेने वाले मॉडल को कार्रवाई की नीति से जोड़ता है। निर्णय मॉडल उपलक्ष्य चुनता है, नीति वस्तु को संभालने की कार्रवाई करती है और उससे बनी स्थिति अगले निर्णय को दिशा देती है। यह प्रतिक्रिया-चक्र तब अहम होता है जब रोबोट को किसी अधूरे प्रयास से उबरना हो या दृश्य में हुए बदलाव के अनुसार प्रतिक्रिया देनी हो।

AGIBOT के रोबोटिक्स मंच में इस रिलीज़ की भूमिका

व्यापक AGIBOT WORLD 2026 रिपॉजिटरी में कंपनी के G2 प्लेटफ़ॉर्म पर एकत्र किए गए वास्तविक दुनिया के डेटा का विवरण है। इसका दर्ज प्रारूप LeRobot की परंपराओं के अनुरूप है, जिसमें एपिसोड डेटा, मेटाडेटा और सिर तथा कलाई के कैमरों से अलग-अलग वीडियो स्ट्रीम शामिल हैं। इससे दृश्य अवलोकनों को दर्ज रोबोट व्यवहार से जोड़ने वाले डेवलपरों को उपयोगी संदर्भ मिलता है।

AGIBOT का G2 उत्पाद पृष्ठ इस हार्डवेयर को सन्निहित बुद्धिमत्ता और बल-नियंत्रित वस्तु-संचालन के लिए प्रस्तुत करता है, साथ ही इसमें संवादात्मक क्षमताएँ भी हैं। रिलीज़ 4 इन भौतिक क्षमताओं से जुड़ी निर्णय लेने और कार्य-स्मृति की परत को संबोधित करता है। यह AGIBOT के रोबोटिक्स प्लेटफ़ॉर्म पर Unite.AI की पिछली कवरेज में चर्चित डेटा अवसंरचना का भी विस्तार करता है।

रिपॉजिटरी में क्रिएटिव कॉमन्स एट्रिब्यूशन–नॉनकमर्शियल–शेयरअलाइक 4.0 लाइसेंस दिया गया है। गैर-वाणिज्यिक उपयोग की शर्त उन डेवलपरों के लिए एक महत्वपूर्ण अंतर है, जो विचार कर रहे हैं कि जारी किए गए डेटा का किसी उत्पाद में कैसे उपयोग किया जाए।

भौतिक तर्क-क्षमता क्या बदलाव ला सकती है

आतिथ्य सेवाओं, घरेलू सेवाओं और खुदरा परिचालनों के लिए, ऐसा रोबोट आकर्षक है जो बदलती परिस्थितियों में भी किसी नतीजे की दिशा में काम कर सके। मेज़ को फिर से व्यवस्थित करने या शेल्फ़ में सामान भरने के लिए यह देखना ज़रूरी है कि वहाँ पहले से क्या मौजूद है, पूरे किए गए काम याद रखना और यह पहचानना कि आगे कोई कार्रवाई आवश्यक नहीं है। जैसे-जैसे रोबोट अलग-अलग प्रदर्शनों से आगे बढ़कर संपूर्ण कार्यप्रवाहों का हिस्सा बनते हैं, ये निर्णय और भी महत्वपूर्ण हो जाते हैं।

रिलीज़ 4 इस दिशा के लिए प्रशिक्षण सामग्री उपलब्ध कराता है। केवल इससे यह साबित नहीं होता कि कोई खास मॉडल अपरिचित परिवेशों में उन कार्यप्रवाहों को भरोसेमंद ढंग से पूरा कर सकता है। AGIBOT का कहना है कि इस डेटा ने उसके आगामी एजेंट ढाँचे और अगली पीढ़ी के आधारभूत मॉडल को पहले ही समर्थन दिया है; इन प्रणालियों के प्रदर्शन के नतीजे एक अलग प्रश्न बने हुए हैं।

इसका उपयोगी बदलाव यह है कि रोबोटों को किसी लक्ष्य, मौजूदा परिस्थिति और पिछले कार्यों के परिणामों के बीच संबंध पर प्रशिक्षित किया जाए। शोधकर्ता AGIBOT WORLD परियोजना और उससे जुड़े डेटासेट संसाधनों के माध्यम से इस दृष्टिकोण का अध्ययन कर सकते हैं।