मानवनुमा युग नहीं आ रहा है — यह पहले से ही यहाँ है

इस महीने की शुरुआत में, चीन में, एक मानवनुमा रोबोट नाम शुआंग शुआंग ने फुजियान में एक हाई स्कूल स्नातक समारोह में मंच पर एक डिप्लोमा प्राप्त किया — छात्रों और शिक्षकों को खुश करते हुए हाथ मिलाना। ऐसे क्षण एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करते हैं, जिसमें मानवनुमा रोबोट सार्वजनिक जीवन में बहुत दिखाई देने वाले तरीकों से प्रवेश करना शुरू कर रहे हैं।

इन क्षणों का प्रतिनिधित्व केवल सार्वजनिक जिज्ञासा से अधिक है — वे वास्तविक दुनिया के एकीकरण की ओर एक बदलाव का संकेत देते हैं। यह लेख बताता है कि मानवनुमा रोबोट कैसे प्रदर्शन और तमाशा से कार्यक्षमता में बदल जाते हैं — और यह क्यों लगता है कि यह एक हार्डवेयर-केवल उपलब्धि है, जबकि वास्तव में यह एक एकीकृत बुद्धिमत्ता है जो इन मशीनों को वातावरण में चलने, बातचीत करने और सीखने में सक्षम बनाती है जो स्वचालन के लिए निर्धारित नहीं हैं। हम यह भी चर्चा करेंगे कि हम कैसे शुरुआती तैनाती और दीर्घकालिक साझेदारी के माध्यम से व्यावसायीकरण की ओर बढ़ते हैं।

मानवनुमा रोबोट कैसे वास्तविक दुनिया में एआई को बढ़ावा देते हैं

वर्चुअल प्रदर्शन और भौतिक विश्वसनीयता के बीच का अंतर एआई में सबसे अधिक अनदेखी चुनौतियों में से एक है। एक चैटबॉट बिना किसी क्रिया के धारावाहिक पाठ उत्पन्न कर सकता है — उसी तरह एक दृष्टि मॉडल एक छवि में एक कदम की पहचान कर सकता है बिना उसे शारीरिक रूप से नेविगेट करने या गिरने का जोखिम उठाए। मानवनुमा रोबोटों के पास यह विलासिता नहीं है।

वास्तविक दुनिया में कार्य करने के लिए, एआई को स्थिर डेटासेट और नियंत्रित परिस्थितियों को पीछे छोड़ना होगा। यह दूसरे-दूसरे बदलते वातावरण में देखना, निर्णय लेना और कार्य करना होगा। इसमें असमान फर्श, गलत तरीके से रखे गए वस्तुएं, अप्रत्याशित मानव व्यवहार और संदर्भ-निर्भर गैर-मौखिक संकेत शामिल हैं। परिणाम एक दैनिक संघर्ष है जिसमें शोर, अस्पष्टता और संभावित विफलता शामिल है।

यह वह जगह है जहां निहित तर्क — जहां भाषा स्थान, समय और परिणाम में आधारित है — टोकन पूर्वानुमान से अधिक महत्वपूर्ण हो जाता है। उदाहरण के लिए, यदि एक मानव कहता है “सावधान, यह फिसलने वाला है”, तो रोबोट को उस वाक्यांश को न केवल शब्द परिभाषा से जोड़ना होगा, बल्कि स्थानिक जागरूकता, संभावित जोखिमों और वास्तविक समय के समायोजन से भी जोड़ना होगा।

इसी समय, बहुसंवेदी सीखना आवश्यक हो जाता है, क्योंकि कोई एकल इनपुट चैनल अकेले पर्याप्त विश्वसनीय नहीं है। एक कैमरा एक चिकनी सतह को याद कर सकता है, लेकिन पैर में दबाव सेंसर एक अचानक ट्रैक्शन की हानि का पता लगा सकते हैं। या किसी अन्य स्थिति में, भाषा पहचान एक शोर वाले गोदाम में विफल हो सकती है, लेकिन दृश्य संकेत या इशारे उस अंतर को भर सकते हैं।

सामान्यीकरण भी महत्वपूर्ण हो जाता है। एक रोबोट एक ही वातावरण को दो बार देखने पर भरोसा नहीं कर सकता। यह व्यवहार को अनुकूलित करने की आवश्यकता है जब फर्श गीला हो, प्रकाश बदलता है, या बॉक्स कल जैसी स्थिति में नहीं है। यह सफल निष्पादन और विफलता के बीच का अंतर बन जाता है।

ह्यूमनॉइड में, यही कारण है कि हम व्यावसायिक भागीदारों के साथ जल्दी परीक्षण शुरू करते हैं। हम अपने रोबोटों को लाइव वातावरण में एकीकृत करते हैं ताकि संभावित दोषों का तुरंत पता लगाया जा सके और तैनाती से पहले ऑप्टिमल कार्य करना सुनिश्चित किया जा सके। एक रोबोट जो सिमुलेशन या डेमो में अच्छा प्रदर्शन करता है, वह एक ऐसा रोबोट नहीं है जो दबाव में विश्वास हासिल करता है, क्योंकि उस विश्वास का निर्माण अंततः वास्तविक दुनिया की सीखने की प्रक्रिया पर आधारित होता है।

हम जानते हैं कि मानवनुमा रोबोट अगले दो वर्षों के भीतर व्यावसायिक रूप से उपलब्ध होंगे — लेकिन हम प्रतीक्षा नहीं करते हैं। हमारे लिए, व्यावसायीकरण जल्दी शुरू होता है। इसका अर्थ है वास्तविक उपयोग के मामलों के आसपास दीर्घकालिक साझेदारी बनाना। पायलट कार्यक्रमों की एक श्रृंखला के माध्यम से, हम न केवल अपने भागीदारों को प्रौद्योगिकी के बारे में शिक्षित करते हैं — हम उनके साथ सीखते भी हैं। यह साझा सीखने की प्रक्रिया हमें दिन-प्रतिदिन लागत संरचना और प्रदर्शन विश्वसनीयता को परिपक्व करने में भी मदद करती है — सुनिश्चित करती है कि प्रणाली के पैमाने पर सबसे अच्छा संभव कुल स्वामित्व लागत (TCO) है।

मानवनुमा रोबोट क्यों सामान्य बुद्धिमत्ता के लिए अंतिम परीक्षण मैदान हैं

पिछले सौ वर्षों में हमने जो दुनिया बनाई है, वह मानव माप के अनुसार तैयार की गई है। दरवाजे के हैंडल, फोर्कलिफ्ट, गोदाम — सब कुछ निश्चित आयामों, गति की सीमा और अंतर्निहित सामाजिक व्यवहार को मानता है। मानवनुमा रोबोटों को उस वास्तविकता के अनुकूल होना चाहिए या वे बहुत सीमित कार्यक्षमता का जोखिम उठाते हैं।

सीढ़ियों पर चढ़ने, एक वस्तु को ले जाने, एक इशारे की व्याख्या करने या एक आवाज में हिचकिचाहट को पहचानने के लिए, एक रोबोट को दृश्य वर्गीकरण या प्रीस्क्रिप्टेड मोशन प्लानिंग से परे संदर्भ को समझना चाहिए। यह इरादा Infer करना चाहिए, एक मानव द्वारा एक नई कार्य सीखना चाहिए, उस कौशल को थोड़ा अलग लेआउट में अनुकूलित करना चाहिए और समय के साथ अपने प्रदर्शन में सुधार करना चाहिए। व्यवहार में, यह प्रणाली वास्तविक प्रतिबंधों के तहत एआई क्या कर सकती है इसे प्रभावी ढंग से विस्तारित कर रही है।

ह्यूमनॉइड में, हम दूरस्थ ऑपरेशन के माध्यम से उस प्रक्रिया को तेज करते हैं। विकास के प्रारंभिक चरणों में, मानव ऑपरेटर रोबोट को महत्वपूर्ण कार्यों के माध्यम से मार्गदर्शन करते हैं। यह हाथों-हाथ डेटा नए व्यवहारों को प्रशिक्षित करने के लिए आधार बनता है। समय के साथ, ये प्रदर्शन हमारे एंड-टू-एंड मॉडल में खिलाते हैं, हमें विश्वसनीय स्वायत्तता की ओर बढ़ने में मदद करते हैं।

संकीर्ण प्रणालियों से एकीकृत बुद्धिमत्ता तक

आज की अधिकांश एआई प्रणालियां संकीर्ण कार्यों में उत्कृष्टता प्राप्त करती हैं। अलगाव में, प्रत्येक अच्छा काम करता है। लेकिन मानवनुमा रोबोटों को अलग-अलग विशेषज्ञों की आवश्यकता नहीं है। एकीकृत करने के लिए, हमें ऐसी प्रणालियों की आवश्यकता है जो मॉडल और समय सीमा के पार तर्क कर सकें।

एक मानवनुमा रोबोट को एक सापेक्षिक रूप से अस्पष्ट निर्देश मिल सकता है — “मुझे स्टोरेज रूम से पीले रंग का बॉक्स लेकर आओ” — और उसे उप-कार्यों की एक श्रृंखला में डिकोड करना होगा: वक्ता का स्थानीयकरण, गलियारे का मार्गदर्शन, सही बॉक्स की पहचान, ग्रिप ताकत का समायोजन, टकराव से बचाव, और ज़ाहिर है, सुरक्षित रूप से लौटें।

उस श्रृंखला का हर हिस्सा एक अलग सब्सिस्टम को शामिल करता है — दृष्टि, स्थानांतरण, भाषा, हेरफेर, और प्रतिक्रिया। और पूरे की विश्वसनीयता उन हिस्सों के बीच संवाद की गुणवत्ता पर निर्भर करती है जो बदलती परिस्थितियों में होती है।

मॉड्यूलर आर्किटेक्चर इस चुनौती का सामना करने का एक तरीका है। यह हमें स्वतंत्र रूप से उप-प्रणालियों पर सुधार करने की अनुमति देता है, जबकि अभी भी प्रणाली व्यापी समन्वय प्राप्त करता है। इसके अलावा, यह हमें बिना स्क्रैच से पुनर्निर्माण किए कई वातावरणों में क्षमताओं को स्केल करने में सक्षम बनाता है। यही कारण है कि हम बंद डेमो से खुली दुनिया के प्रदर्शन में जाते हैं।

दांव बड़े हैं — और वे वैश्विक हैं

मानवनुमा रोबोटों को भविष्य के रूप में चित्रित करना आसान है। लेकिन जब हम अपने ग्राहकों से बात करते हैं, तो जरूरत तुरंत है। कई गोदाम, असेंबली लाइनें और अन्य पहले व्यस्त कार्यस्थल अब कर्मचारियों की कमी से जूझ रहे हैं।

इन श्रम की कमी जनसांख्यिकीय मुद्दे हैं। जापान में, लगभग 30% आबादी 65 से अधिक आयु की है। यूरोप में, मुख्य क्षेत्र — जिनके पास संयुक्त वेतन $1.7 ट्रिलियन है — युवा श्रमिकों की भर्ती के लिए संघर्ष कर रहे हैं। ये वे भूमिकाएं नहीं हैं जिन्हें अधिकांश लोग चाहते हैं, और बढ़ते रूप से, वे भूमिकाएं नहीं हैं जिन्हें लोग करने के लिए तैयार हैं।

मदद के हाथ के रूप में आने से, न कि प्रतिस्थापन के रूप में, मानवनुमा रोबोट शारीरिक रूप से मांग वाले, दोहराए जाने वाले या खतरनाक कार्यों को संभाल सकते हैं — इन्वेंट्री स्थानांतरित करना, पैलेट लोड करना, मशीनरी संचालित करना — थकान या चोट के जोखिम के बिना। इससे मानव श्रमिकों को काम के अधिक जटिल, रचनात्मक या अंतरव्यक्तिगत पहलुओं पर ध्यान केंद्रित करने की स्वतंत्रता मिलती है।

इसके अलावा, यह दीर्घकालिक आर्थिक लचीलापन बनाता है। जब श्रम अस्थिर या अनुपलब्ध होता है, तो बुद्धिमान मशीनें सुरक्षा, गुणवत्ता या अनुकूलन को त्यागने के बिना निरंतरता सुनिश्चित करने में मदद कर सकती हैं।

एक और पहलू जिस पर प्रकाश डालना है वह नियामक ढांचा है। अधिकांश टीमें — विशेष रूप से ढीले नियमित क्षेत्राधिकार में — इस बारे में सोचने के लिए प्रतीक्षा करती हैं। हमने वहीं से शुरू किया। यूरोप के सुरक्षा और डेटा कानून दुनिया में सबसे कठोर हैं, लेकिन हम उन्हें बाधाओं के रूप में नहीं मानते हैं, बल्कि हम उन्हें अपने प्रतिस्पर्धी लाभ के रूप में मानते हैं। जैसे ही अन्य बाजार अधिक सख्त नियमों को अपनाते हैं, हम उन्हें पूरा करने के लिए तैयार रहेंगे, जबकि अन्य कंपनियां संघर्ष कर सकती हैं।

एक नया एआई दौड़ — लेकिन जिसे आप सोचते हैं नहीं

एआई के बारे में आज की अधिकांश चर्चा कंप्यूटिंग शक्ति, पैरामीटर और प्रशिक्षण डेटा पर केंद्रित है। लेकिन वास्तविक सफलता एक अलग मोर्चे से आ सकती है: भौतिक दुनिया में एकीकरण। यह वह जगह है जहां बुद्धिमत्ता को प्रदर्शन करना सीखना होगा, न कि केवल भविष्यवाणी करना।

इस संदर्भ में, दौड़ सबसे क्षमतावान प्रणाली के बारे में है — एक जो सार्वजनिक स्थानों में, सुरक्षा प्रतिबंधों के तहत, और मानवों के साथ मिलकर काम कर सकती है। यह प्रणाली, डेटा से सीखने के अलावा, वास्तविकता से और लोगों के साथ बिना चीजों के प्रवाह को बाधित किए सीखेगी।

यही कारण है कि हम तैनाती शुरू होने से पहले प्रतीक्षा नहीं करते हैं। शुरू से, हम वास्तविक वातावरण में एकीकृत करने के लिए व्यावसायिक भागीदारों के साथ काम करते हैं — सुनिश्चित करते हुए कि प्रणाली वहीं सुधरती है जहां यह सबसे ज्यादा मायने रखता है: अभ्यास में।

वास्तविक दुनिया की सीखने की यह प्रक्रिया है जहां संकीर्ण प्रणालियां कम पड़ जाती हैं। जबकि उन्होंने हमें बहुत दूर ले जाने में मदद की है, वे इस जटिलता के लिए डिज़ाइन नहीं किए गए थे। मानवनुमा रोबोटों को कुछ और की आवश्यकता होती है — समन्वय, लचीलापन, और जैसा कि उल्लेख किया गया है, अप्रत्याशित से सीखने की क्षमता।

यही वह विशाल अवसर है जो हमारे सामने है। सब कुछ स्वचालित करने के लिए नहीं, बल्कि ऐसी मशीनें बनाने के लिए जो मानव दुनिया को समझने, नेविगेट करने और सहयोग करने में सक्षम हों।