General Intuition গেমপ্লে ডেটা দিয়ে রোবট প্রশিক্ষণের জন্য $320 মিলিয়ন তুলেছে

General Intuition অ্যাকশন-লেবেলযুক্ত ভিডিওতে বড় বাজি ধরছে

General Intuition Series A তহবিলে $320 মিলিয়ন তুলেছে, যা কোম্পানির মতে ভার্চুয়াল এবং ভৌত পরিবেশে উপলব্ধি করতে, পূর্বাভাস দিতে এবং কাজ করতে সক্ষম AI সিস্টেম তৈরিতে সহায়তা করবে। এই অর্থায়ন নিউইয়র্ক-ভিত্তিক কোম্পানিটির মূল্যায়ন $2.3 বিলিয়ন নির্ধারণ করে এবং অক্টোবরে তোলা $134 মিলিয়নের পর মোট তহবিলকে $454 মিলিয়নে নিয়ে যায়।

সেই শিরোনাম সংখ্যাটি নিজেই উল্লেখযোগ্য, তবে কোম্পানির প্রস্তাবের আরও আকর্ষণীয় অংশ হলো এর পেছনের ডেটা কৌশল। General Intuition বলছে, তারা তাদের মডেলগুলোকে মূলত লিখিত পাঠ্য, প্রচলিত রোবোটিক্স ডেটাসেট বা সিন্থেটিক সিমুলেশন আউটপুটের ওপর নয়, বরং CEO Pim de Witte সহ-প্রতিষ্ঠিত গেমিং প্ল্যাটফর্ম Medal-এ আপলোড হওয়া বিলিয়ন বিলিয়ন গেমপ্লে ক্লিপের ওপর প্রশিক্ষণ দিচ্ছে।

এই ক্লিপগুলো শুধু পর্দায় কী ঘটেছিল তা দেখায় না। কোম্পানির মতে, এতে এমবেডেড অ্যাকশন লেবেল রয়েছে, যা কোন বোতাম একজন খেলোয়াড় কখন চাপেছিল তা রেকর্ড করে। এর মানে এই ডেটাসেট সময়ের সাথে ভিজ্যুয়াল প্রেক্ষাপটকে নির্দিষ্ট মানবীয় কর্মের সঙ্গে যুক্ত করে। যে কোম্পানি এমন সিস্টেম প্রশিক্ষণ দিতে চায় যেগুলোকে পরিবেশ ব্যাখ্যা করতে এবং পরবর্তী কী করবে তা বেছে নিতে হয়, সেই জোড়া লাগানোটাই কেন্দ্রীয়।

ডেটাসেটটি কেন আলাদা

বর্তমান AI শিল্পের বড় অংশ এখনও ভাষাকেন্দ্রিক। বিশাল ফাউন্ডেশন মডেল লেখা শব্দের বিশাল কর্পাসের ওপর তৈরি হয়েছে, এবং অনেক সিস্টেম এই পদ্ধতিকে ছবি, অডিও বা কোডে প্রসারিত করছে। General Intuition বলছে, এই দৃষ্টিভঙ্গি তাদের ভাষায় physical AI-এর জন্য যথেষ্ট নয়।

কোম্পানির অবস্থান হলো, কেবল পাঠ্য বর্ণনা এমন ধরনের grounded, action-oriented learning দিতে পারে না যা বিশ্বের সঙ্গে মিথস্ক্রিয়া করা যন্ত্রের প্রয়োজন। তাদের ভাষায়, বুদ্ধিমত্তা শুধু বাস্তবতাকে বর্ণনা করা নয়, বরং একটি পরিস্থিতি উপলব্ধি করা, একটি কর্ম নির্ধারণ করা এবং তার পরিণতি অনুভব করা। বিশেষ করে action metadata-সহ gameplay footage বহু সেটিং জুড়ে সেই চক্রের পুনরাবৃত্ত উদাহরণ দেয়।

এই যুক্তিটি গুরুত্বপূর্ণ, কারণ এটি রোবোটিক্স এবং embodied AI-তে বিদ্যমান একটি স্থায়ী ফাঁক চিহ্নিত করে। বাস্তব বিশ্বের রোবট প্রশিক্ষণ ডেটা সংগ্রহ করা ব্যয়বহুল এবং ধীর। উচ্চমানের সিমুলেশন সহায়তা করতে পারে, কিন্তু উপযোগী বৈচিত্র্যসহ সিন্থেটিক পরিবেশ তৈরি করাও নিজেই একটি বড় কাজ। General Intuition এমন একটি ডেটাসেট ব্যবহার করে সেই bottleneck এড়াতে চাইছে, যা ইতিমধ্যেই পরিবর্তনশীল লক্ষ্যগুলোর অধীনে জটিল পরিবেশে মানুষের চলাফেরা ধারণ করেছে।

প্রদত্ত উৎস উপাদান দাবি করে না যে গেম ফুটেজ বাস্তব বিশ্বের রোবোটিক্স ডেটার সরাসরি বিকল্প, এবং সেই পার্থক্য গুরুত্বপূর্ণ। ভৌত সিস্টেমে virtual action trace স্বয়ংক্রিয়ভাবে contact dynamics, sensor noise, বা deployment reliability সমাধান করে না। তবে কোম্পানির থিসিস হলো, বিশেষ করে pretraining-এর সময়, এগুলো perception, prediction, এবং decision-making-এর জন্য বৃহৎ-পরিসরের prior প্রদান করতে পারে।

শব্দ থেকে বিশ্বে

General Intuition-এর প্রযুক্তি নিয়ে ভাষা অস্বাভাবিকভাবে স্পষ্ট। কোম্পানি বলছে, সত্যিকারের বুদ্ধিমান যন্ত্রকে “শব্দ থেকে বিশ্বে” যেতে হবে, এবং এটি যে বাস্তবতার সাধারণ intuition বলে তা অর্জন করতে হবে। বাস্তবে এর মানে হলো এমন মডেল তৈরি করা, যেগুলো শুধু দৃশ্য লেবেল করে বা prompt-এর উত্তর দেয় না, বরং কর্ম নেওয়া হলে পরিবেশ কীভাবে বদলায় তা আগাম অনুমান করে।

এই উচ্চাকাঙ্ক্ষা পূরণে, 2015 সালে প্রতিষ্ঠার পর থেকে কোম্পানি দুটি প্রধান মডেল শ্রেণি তৈরি করছে বলে জানায়। প্রথমটি হলো action models, যা কোন action নিতে হবে তা নির্ধারণ করে। দ্বিতীয়টি হলো world models, যা সেই actionগুলোর ফলাফল পূর্বাভাস দেয়। এই পার্থক্য উন্নত AI গবেষণায় নির্বাচনকারী সিস্টেম এবং পরিণতি সিমুলেটকারী সিস্টেমের মধ্যে বাড়তে থাকা বিভাজনকে প্রতিফলিত করে।

কোম্পানি আরও বলছে, agentic models-এর জন্য training environment হিসেবে world models পরীক্ষা করা হচ্ছে। এই পদ্ধতি কাজ করলে, শেখা environment models decision-making systems-এর জন্য training opportunities তৈরি করে এমন একটি feedback loop গড়ে তুলতে পারে, ফলে ব্যয়বহুল বাস্তব-জগতের data collection-এর ওপর নির্ভরতা কমবে। প্রদত্ত source text benchmarks বা external validation দেয় না, কিন্তু ধারণাটি embodied AI-কে আরও sample-efficient করার broader industry প্রচেষ্টার সঙ্গে সামঞ্জস্যপূর্ণ।

বিনিয়োগকারীরা আক্রমণাত্মকভাবে সমর্থন দিচ্ছে

এই অর্থায়ন নিজেই ইঙ্গিত দেয় যে বিনিয়োগকারীরা কোম্পানির premise-কে নিছক niche experiment-এর চেয়ে বেশি কিছু মনে করছেন। General Catalyst এই রাউন্ডের নেতৃত্ব দিয়েছে, অংশ নিয়েছেন Jeff Bezos এবং প্রাক্তন Google CEO Eric Schmidt। তহবিল তোলার আকার দেখায় যে capital markets এখনো উচ্চাভিলাষী embodied-AI bet-এ অর্থায়ন করতে ইচ্ছুক, বিশেষ করে যখন সেগুলো একটি differentiated data source-কে একটি বিস্তৃত platform story-এর সঙ্গে যুক্ত করে।

General Intuition বলছে, নতুন তহবিল compute capacity বাড়াতে এবং তার মডেলের পরবর্তী সংস্করণ pretrain করতে ব্যবহার করা হবে। এগুলো ব্যয়বহুল পদক্ষেপ, কিন্তু frontier AI উন্নয়নের বর্তমান অর্থনীতির সঙ্গে মেলে। অনন্য data প্রাথমিক edge তৈরি করতে পারে, কিন্তু সেই edge-কে কার্যকর মডেলে রূপান্তর করতে এখনও উল্লেখযোগ্য infrastructure, engineering, এবং iteration প্রয়োজন।

প্রদত্ত source text অনুযায়ী, কোম্পানি এই গ্রীষ্মে তার API আরও বিস্তৃতভাবে উপলব্ধ করার পরিকল্পনাও করছে। এই বিষয়টি গুরুত্বপূর্ণ, কারণ এটি ইঙ্গিত দেয় General Intuition নিজেকে কেবল research narrative-এর মধ্যে সীমাবদ্ধ করছে না। এটি এমন একটি infrastructure layer হতে চাইছে, যার ওপর অন্যরা নির্মাণ করতে পারে, তা রোবোটিক্স, simulated environments-এর agents, বা এই দুটিকে সংযুক্ত করা সিস্টেমের জন্যই হোক।

রোবোটিক্স এবং embodied AI-এর জন্য এর অর্থ

এই ঘোষণার বড় তাৎপর্য কৌশলগত। বাস্তব বিশ্বের আচরণের জটিলতা এবং scalable training data-এর অভাবের মধ্যে অমিল নিয়ে রোবোটিক্স ডেভেলপাররা দীর্ঘদিন ধরে সংগ্রাম করছে। General Intuition-এর উত্তর হলো human gameplay-কে একটি সেতু হিসেবে ব্যবহার করা: রোবোটিক্স শিল্পের বাইরে সংগ্রহ করা হলেও তাতে উপকারী হতে পারে এমন perception-action উদাহরণের বিশাল ভাণ্ডার।

যদি তা কাজ করে, তাহলে embodied-AI কোম্পানিগুলোর জন্য উপলব্ধ data pipeline-এর পরিসর বাড়তে পারে। ব্যয়বহুল বাস্তব-জগতের সংগ্রহ এবং সম্পূর্ণ synthetic environment-এর মধ্যে মূলত বেছে নেওয়ার বদলে, ডেভেলপাররা virtual setting-এ স্বাভাবিকভাবে ঘটে যাওয়া মানবিক interaction data কাজে লাগানো hybrid approach-এর ওপর ক্রমশ বেশি নির্ভর করতে পারে।

প্রদত্ত উপাদানে এখনও কিছু প্রশ্নের উত্তর নেই, যার মধ্যে gameplay-উৎপন্ন মডেল physical robot-এ কতটা ভালো স্থানান্তরিত হয়, কোন domain সবচেয়ে বেশি লাভবান হয়, এবং প্রচলিত approach-এর তুলনায় performance কীভাবে মূল্যায়ন করা হয় তা অন্তর্ভুক্ত। কিন্তু কোম্পানিকে বাজারে প্রভাব ফেলতে এগুলোর সবকিছু এখনই মীমাংসা করতে হবে না। $320 million Series A নিজেই একটি সংকেত যে বিনিয়োগকারীরা মনে করেন AI প্রতিযোগিতার পরবর্তী ধাপকে কম text কে বেশি এবং কার কাছে সবচেয়ে সমৃদ্ধ action-grounded data আছে তা দিয়ে সংজ্ঞায়িত করা হতে পারে।

এখন পর্যন্ত, General Intuition তিনটি স্পষ্ট বিষয় প্রতিষ্ঠা করেছে। এটি একটি বড় নতুন রাউন্ড তুলেছে, embedded action labels-সহ বিলিয়ন বিলিয়ন gameplay clip-এ প্রশিক্ষণ দিচ্ছে, এবং সেই data ব্যবহার করে virtual ও physical environment-এ উপলব্ধি করতে, পূর্বাভাস দিতে এবং কাজ করতে সক্ষম মডেল তৈরি করছে। আরও সক্ষম যন্ত্র প্রশিক্ষণের জন্য scalable উপায় খুঁজছে এমন একটি খাতে, এটি General Intuition-কে এই মুহূর্তের বেশি নজরকাড়া embodied-AI খেলোয়াড়দের একজন করে তোলে।

এই প্রবন্ধটি The Robot Report-এর প্রতিবেদনের ভিত্তিতে। মূল প্রবন্ধটি পড়ুন.