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

इस महीने की शुरुआत में, चीन में, एक मानवीय रोबोट नाम शुआंग शुआंग ने फुजियान में एक हाई स्कूल स्नातक समारोह में मंच पर कदम रखा डिप्लोमा प्राप्त करने के लिए — हाथ मिलाना और छात्रों और शिक्षकों को एकसाथ खुश करना। ऐसे पल एक अर्थपूर्ण बदलाव का प्रतिनिधित्व करते हैं, जिसमें मानवीय रोबोट सार्वजनिक जीवन में बहुत दृश्यमान तरीकों से प्रवेश करना शुरू कर रहे हैं।

इन पलों का प्रतिनिधित्व सिर्फ सार्वजनिक जिज्ञासा से अधिक है — वे वास्तविक दुनिया के एकीकरण की ओर एक बदलाव का संकेत देते हैं। यह लेख बताता है कि मानवीय रोबोट कैसे प्रदर्शन और तमाशा से कार्यक्षमता की ओर बढ़ते हैं — और क्यों यह जो एक हार्डवेयर-ओनली उपलब्धि लगती है, वास्तव में उन मशीनों को सक्षम करने वाली एकीकृत बुद्धिमत्ता के बारे में है जो स्वचालन के लिए निर्धारित पर्यावरण में चलने, बातचीत करने और सीखने में सक्षम होती हैं। हम यह भी चर्चा करेंगे कि हम कैसे शुरुआती तैनाती और दीर्घकालिक साझेदारी के माध्यम से व्यावसायीकरण की ओर बढ़ते हैं।

मानवीय रोबोट कैसे एआई को वास्तविक दुनिया में धकेलते हैं

वirtual प्रदर्शन और भौतिक विश्वसनीयता के बीच का अंतर एक của सबसे अधिक अनदेखी चुनौतियों में से एक है एआई में। एक चैटबॉट फ्लूएंट टेक्स्ट के अनुच्छेद उत्पन्न कर सकता है बिना उन पर कार्य करने की आवश्यकता के — 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। मानवीय रोबोटों के पास यह विलासिता नहीं है।

वास्तविक दुनिया में, एआई को स्थिर डेटासेट और नियंत्रित परिस्थितियों को पीछे छोड़ना होगा। यह देखना, निर्णय लेना और परिस्थितियों में कार्य करना होगा जो सेकंड-सेकंड बदलती रहती हैं। इसमें असमान फर्श, गलत तरीके से रखे गए वस्तुओं, 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 को स्थान, समय और परिणाम में आधारित किया जाता है — टोकन भविष्यवाणी से अधिक महत्वपूर्ण होने लगता है। उदाहरण के लिए, यदि एक मानव कहता है “सावधान, यह फिसलन भरा है,” तो रोबोट को उस वाक्यांश को न केवल एक शब्द परिभाषा से जोड़ना होगा, बल्कि स्थानिक जागरूकता, संभावित जोखिमों और वास्तविक समय के समायोजन से भी जोड़ना होगा।

इसी समय, बहुमodal सीखना आवश्यक हो जाता है, क्योंकि कोई एकल इनपुट चैनल अकेले संचालित करने के लिए 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, भाषण मान्यता 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 यह उम्मीद नहीं कर सकता कि वह एक ही वातावरण को दो बार देखेगा। उसे अपने व्यवहार को समायोजित करना होगा 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 अर्जित करता है, क्योंकि वह विश्वास अंततः वास्तविक दुनिया के सीखने पर आधारित होता है।

हम जानते हैं कि मानवीय रोबोट दो साल के भीतर व्यावसायिक रूप से उपलब्ध होंगे — लेकिन हम इंतजार नहीं करते हैं। हमारे लिए, व्यावसायीकरण शुरू से ही 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 एक से लागत संरचना और प्रदर्शन विश्वसनीयता को परिष्कृत करने में भी मदद करती है — यह सुनिश्चित करते हुए कि प्रणालियों के पैमाने पर सबसे अच्छा संभव कुल स्वामित्व लागत (टीसीओ) हो।

मानवीय रोबोट क्यों सामान्य बुद्धिमत्ता के लिए अंतिम परीक्षण मैदान हैं

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

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

ह्यूमनॉइड में, हम टेलオपरेशन 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 व्यवहार सिखाने के लिए आधार बन जाता है। समय के साथ, ये प्रदर्शन हमारे एंड-टू-एंड मॉडल में खिलाते हैं, जो 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 अपने आप में अच्छा काम करती है। लेकिन मानवीय 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 मानवीय रोबोट को एक सापेक्ष रूप से अस्पष्ट निर्देश मिल सकता है — “मुझे स्टोरेज रूम से पीले रंग का बॉक्स लेकर आओ” — और उसे एक उप-कार्यों की श्रृंखला में डिकोड करना होगा: वक्ता का स्थानीयकरण, एक गलियारे का नेविगेशन, सही बॉक्स की पहचान, ग्रिप ताकत का समायोजन, टक्कर से बचाव, और конечно, सुरक्षित रूप से वापस आना।

उस श्रृंखला के प्रत्येक हिस्से में एक अलग सब्सिस्टम शामिल 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 काम करने की अनुमति देता है जबकि सिस्टम-वाइड समन्वय हासिल करता है। इसके अलावा, यह हमें बिना स्क्रैच से पुनर्निर्माण किए मultiple वातावरण में क्षमताओं को स्केल करने में सक्षम बनाता है। यह वह तरीका है जिससे हम बंद डेमो से खुले दुनिया के प्रदर्शन में जाते हैं।

दांव बड़े हैं — और वे वैश्विक हैं

मानवीय रोबोटों को भविष्यवाणी के रूप में चित्रित करना आसान है। लेकिन जब हम अपने ग्राहकों से बात करते हैं, तो जरूरत तात्कालिक है।

इन श्रम की कमी के मुद्दे जनसांख्यिकीय मुद्दे हैं। जापान में, लगभग 30% आबादी 65 से अधिक आयु की है। यूरोप में, मुख्य क्षेत्र — जिनके पास मिलकर $1.7 ट्रिलियन का पेअरोल है — छोटे श्रमिकों की भर्ती करने के लिए संघर्ष कर रहे हैं। ये ऐसे भूमिकाएं नहीं हैं जो अधिकांश लोग चाहते हैं, और बढ़ती संख्या में लोग ऐसी भूमिकाएं नहीं निभाने के लिए तैयार हैं।

मानवीय रोबोट मदद के हाथ के रूप में आने से, न कि प्रतिस्थापन के रूप में, वे शारीरिक रूप से मांग वाले, दोहरावदार, या खतरनाक कार्यों को संभाल सकते हैं — इन्वेंट्री स्थानांतरित करना, पैलेट लोड करना, मशीनरी संचालित करना — बिना थकान या चोट के जोखिम के। इससे मानव श्रमिकों को जटिल, रचनात्मक, या अंतरव्यक्तिगत कार्यों के अधिक जटिल 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 की बलि दिए 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 नियामक क्षेत्राधिकार में — इसके बारे में सोचने के लिए प्रतीक्षा करती हैं। हमने वहां से शुरुआत की। यूरोप के सुरक्षा और डेटा कानून दुनिया में सबसे कठोर हैं, लेकिन हम उन्हें बाधाओं के रूप में नहीं मानते हैं — 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 नहीं जो आप सोचते हैं

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

इस संबंध में, दौड़ सबसे क्षमतावान प्रणाली के बारे में है — एक जो सार्वजनिक स्थानों में, सुरक्षा प्रतिबंधों के तहत, और मानवों के साथ काम कर सकती है। यह प्रणाली न केवल डेटा से सीखती है, बल्कि वास्तविकता से भी सीखती है और लोगों के साथ बिना किसी व्यवधान के काम करती है।

यही कारण है कि हम तैनाती की प्रतीक्षा नहीं करते हैं। शुरू से ही, हम व्यावसायिक भागीदारों के साथ काम करते हैं ताकि वास्तविक वातावरण में एकीकरण सुनिश्चित किया जा सके — यह सुनिश्चित करते हुए कि प्रणाली वहीं सुधारती है जहां यह सबसे ज्यादा मायने रखती है: अभ्यास में।

वास्तविक दुनिया का यह सीखना ही 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 की गई थीं। मानवीय रोबोटों को कुछ और की आवश्यकता होती है — समन्वय, लचीलापन, और जैसा कि उल्लेख किया गया है, अप्रत्याशित से सीखने की क्षमता।

यह हमारे सामने एक बड़ा अवसर 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।