දෛනික පරිසරයන් වෙත Humanoid රොබෝවරුන් ගෙන ඒමේ උත්සාහය ප්‍රධාන අභියෝග දෙකක් එකවර ජය ගැනීම මත රඳා පවතී: එනම්, මහා පරිමාණයෙන් නිෂ්පාදනය කළ හැකි දෘඪාංග (hardware) නිර්මාණය කිරීම සහ ඕනෑම තත්වයකට ගැළපෙන මෘදුකාංග (software) සංවර්ධනය කිරීමයි. 1X රොබෝ තාක්ෂණික සමාගම විසින් Humanoid රොබෝවරුන් 50,000ක් මහා පරිමාණයෙන් නිෂ්පාදනය කිරීමේ දැවැන්ත ඉලක්කයක් තබා ඇත. මෙය සම්ප්‍රදායික ඉංජිනේරු සහ Machine Learning සංකල්ප සම්පූර්ණයෙන්ම අතහැර දැමීම අවශ්‍ය වන අතිශය දැවැන්ත පියවරකි.

මහා පරිමාණ නිෂ්පාදනය සඳහා නව ප්‍රවේශයක්

ආරක්ෂාව තහවුරු කරන අතරම දෘඪාංග නිෂ්පාදනය පුළුල් කිරීම ඉතා අපහසු කාර්යයකි. මූලික ආකෘති (Prototypes) සෑදීම සාපේක්ෂව පහසු වුවද, මහා පරිමාණ නිෂ්පාදනයේදී කලාතුරකින් සිදුවන දෝෂයන් පවා විශාල ගැටලු මතු කරයි. මෙම මහා පරිමාණ නිෂ්පාදනය සාක්ෂාත් කර ගැනීම සඳහා රොබෝවරයෙකුගේ භෞතික සැකැස්ම ඉතා සරල කළ යුතුය.

රොබෝවරුන් නිෂ්පාදනය කිරීම මෝටර් රථ නිෂ්පාදනයට සමාන කිරීම සුලභ නමුත් වැරදි මතයකි. සාමාන්‍ය මෝටර් රථයක් රාත්තල් 4,000ක් පමණ බර වන අතර 50,000ක පමණ කොටස් වලින් සමන්විත වේ. නමුත් මිනිසුන්ට ආරක්ෂිත වන සේ නිසි ලෙස නිර්මාණය කළ රොබෝවරයෙකුගේ බර රාත්තල් 70කට වඩා අඩු විය යුතු අතර, එහි අඩංගු වන්නේ කොටස් 1,000ක් පමණි.

මෙම සරල සැකැස්ම ලබා ගැනීම සඳහා, 1X සමාගම සම්ප්‍රදායික ගියර් සහිත මෝටර භාවිතය අතහැර දැමීය. සාමාන්‍ය ගියර් පද්ධති මගින් ස්වභාවධර්මයේ නොමැති සංකීර්ණ, කෘත්‍රිම චලනයන් ඇති කරන බැවින්, එහි ඝර්ෂණය පාලනය කිරීමට සංවේදක (sensors) සහ අධිවේගී පාලක විශාල ප්‍රමාණයක් අවශ්‍ය වේ. ඒ වෙනුවට, සමාගම විසින්ම නිපදවන ලද Tendon Drives (කණ්ඩරා මත පදනම් වූ ධාවක) භාවිතා කිරීම මගින් මෙම කෘත්‍රිම සංකීර්ණත්වය ඉවත් කර ඇත. සරල ධාවක පද්ධතියක් යනු අඩු චලනය වන කොටස් සංඛ්‍යාවක්, අඩු සංවේදක අවශ්‍යතාවයක් සහ ඉතා උසස් මහා පරිමාණ නිෂ්පාදන හැකියාවක් (manufacturability) බව මෙයින් අදහස් වේ.

යන්ත්‍රයේ මොළය: සම්ප්‍රදායික Machine Learning වලින් මිදීම

මනාව හැඩගැසිය හැකි බුද්ධියක් (adaptable intelligence) නොමැති නම් පරිපූර්ණ දෘඪාංග වලින් පලක් නොමැත. රොබෝ විද්‍යාවේ සම්ප්‍රදායික Machine Learning ක්‍රමවේදයන් බොහෝ දුරට රඳා පවතින්නේ එක් නිශ්චිත කාර්යයකට පමණක් සීමා වූ තාක්ෂණයන් මතයි. බොහෝවිට මේ සඳහා Behavioral Cloning හෝ Reinforcement Learning භාවිතා කෙරේ.

සම්ප්‍රදායික ක්‍රමයට අනුව, රොබෝවරයෙකුට ටී-ෂර්ට් එකක් නැවීමට අවශ්‍ය නම්, එය කරන්නේ කෙසේදැයි පෙන්වන දත්ත පැය දහස් ගණනක් එහි Neural Network එකට ඇතුළත් කළ යුතුය. පද්ධතිය විසින් නිශ්චිත දෘශ්‍ය තොරතුරක් (visual input) නිශ්චිත භෞතික ප්‍රතිදානයක් (physical output) වෙත සම්බන්ධ කරයි. රොබෝවා එම නිශ්චිත කාර්යයේ ප්‍රවීණයෙකු වුවද, පුළුල් භෞතික ලෝකය ගැන කිසිවක් ඉගෙන ගන්නේ නැත. එය තමන්ට වැඩසටහන්ගත කර ඇති සීමාවෙන් පිටතදී සම්පූර්ණයෙන්ම අකාර්යක්ෂම වේ. උදාහරණයක් ලෙස, ඊට බිත්තරයක් වැනි සියුම් දෙයක් ලබා දුන්නොත්, එය අතහැරියහොත් සිදුවන දේ පිළිබඳ භෞතික විද්‍යාත්මක අවබෝධයක් රොබෝවාට නොමැත.

සැබෑ ස්වයංක්‍රීයත්වය මහා පරිමාණයෙන් ළඟා කර ගැනීම සඳහා, වර්තමාන රොබෝ විද්‍යාව නිශ්චිත කාර්යයන් සඳහා වන ක්‍රමලේඛන (programming) වලින් මිදී AI world models දෙසට යොමු වෙමින් පවතී.

World Models: සහජ අවබෝධය ගොඩනැගීම

World Model එකක් ඉගෙනීමට ප්‍රවේශ වන්නේ කුඩා දරුවෙකු ඉගෙන ගන්නා ආකාරයටමය. මිනිස් දරුවෙකු සංකීර්ණ වැඩ කිරීමට ඉගෙන ගැනීමට පෙර, ඔවුන්ගේ මුල් කාලය ගත කරන්නේ ලෝකය නිරීක්ෂණය කිරීමෙනි. ගුරුත්වාකර්ෂණය තේරුම් ගැනීමට සෙල්ලම් බඩු බිම දැමීම, වස්තූන්ගේ ස්වභාවය තේරුම් ගැනීමට ඒවා මිරිකීම සහ සමාජ හැසිරීම් තේරුම් ගැනීමට වැඩිහිටියන් දෙස බලා සිටීම ඔවුන් සිදු කරයි.

AI world model එකක්ද අන්තර්ජාල වීඩියෝ පැය මිලියන ගණනක්, පළමු-පුද්ගල (first-person) දර්ශන සහ අනුකරණය කරන ලද භෞතික විද්‍යා දත්ත වැනි දැවැන්ත සාමාන්‍ය දත්ත ප්‍රමාණයක් භාවිතයෙන් මෙම ක්‍රියාවලිය ප්‍රතිනිර්මාණය කරයි.

යම් කාර්යයක් සම්පූර්ණ කරන ලෙස AI වෙත සෘජුව උපදෙස් දෙනවා වෙනුවට, එයින් අසනු ලබන්නේ: “මෙම වත්මන් වීඩියෝ රූපරාමුව (frame) මත පදනම්ව, මීළඟ රූපරාමුව කෙබඳු වේදැයි අනුමාන කරන්න” යන්නයි.

විවිධ වීඩියෝ මිලියන ගණනක මීළඟ රූපරාමුව සාර්ථකව අනුමාන කිරීම සඳහා, AI හට භෞතික විද්‍යා නියමයන් පිළිබඳ අභ්‍යන්තර අවබෝධයක් ගොඩනඟා ගැනීමට සිදුවේ. එමගින් වස්තුවල පැවැත්ම, ද්‍රව්‍යවල ස්වභාවය (වීදුරු බිඳෙන බව, රෙදි නැවෙන බව) සහ සමාජ හැසිරීම් පවා එය ස්වභාවිකවම ඉගෙන ගනී. උදාහරණයක් ලෙස, මිනිසෙකු විසින් AI world model එකකින් බලගැන්වෙන රොබෝවරයෙකුට බෑගයක් ලබා දෙන විට, මිනිසා එම බෑගයේ මිට අල්ලා ගත් බව දැනුණු වහාම රොබෝවා එය අත්හැරිය යුතු බව සහජයෙන්ම දනී. එය එසේ කරන්නේ ඒ සඳහා විශේෂයෙන් ක්‍රමලේඛනය කර ඇති නිසා නොව, මිනිස් අන්තර්ක්‍රියා අධ්‍යයනය කිරීමෙන් එම හැසිරීම ස්වභාවිකවම ඉස්මතු වී ඇති බැවිනි.

දත්ත විවිධත්වයේ අභියෝගය

සැබවින්ම ස්වයංක්‍රීය රොබෝවරයෙකු පුහුණු කිරීම සඳහා සංවර්ධකයින්ට ඇල්ගොරිතම බලයට වඩා වැඩි දෙයක් අවශ්‍ය වේ; ඒ සඳහා විශාල දත්ත විවිධත්වයක් අවශ්‍ය වේ. රොබෝ විද්‍යාවේ සාමාන්‍ය බුද්ධිය මතු වන්නේ පැය මිලියන සිය ගණනක සැබෑ ලෝකයේ දත්ත එක්රැස් කිරීමෙන් පසුව පමණි.

මෙම කර්මාන්තය හුදෙක් දත්ත මත පමණක් නොව, දත්තවල විවිධත්වය මත රඳා පවතී. එකම පරිසරයක එකම කාර්යය කරන රොබෝවරයෙකුගේ වීඩියෝ පැය මිලියන ගණනක් AI එකකට ලබා දීමෙන් විශාල ප්‍රතිඵලයක් නොලැබේ. ඉහළ හැකියාවකින් යුත් යන්ත්‍රයක් නිර්මාණය කිරීම සඳහා, රොබෝවා අසාමාන්‍ය අවස්ථා (edge cases), අනපේක්ෂිත පරිසරයන් සහ විවිධ කාර්යයන් අත්විඳිය යුතුය.

රොබෝවරුන් 50,000ක් නිකුත් කිරීම පිටුපස ඇති ප්‍රධාන උපායමාර්ගික අරමුණ මෙයයි. ව්‍යාපාරික ස්ථාන, පර්යේෂණාගාර සහ නිවාස වෙත විශාල රොබෝවරුන් ප්‍රමාණයක් යෙදවීම මගින්, ස්වයං-වර්ධනය වන ක්‍රියාවලියක් නිර්මාණය වේ. සැබෑ ලෝකයේ වැඩි රොබෝවරුන් ප්‍රමාණයක් සිටීම යනු අසීමිත ලෙස විවිධ වූ දත්ත උත්පාදනය වීමයි. එම දත්ත මගින් වඩාත් බුද්ධිමත් World Models පුහුණු කරන අතර, එය අවසානයේදී රොබෝ දෘඪාංගවලට තවත් සංකීර්ණ කාර්යයන් කිරීමේ හැකියාව ලබා දෙයි.