टेस्ला का ऑप्टिमस उत्पादन साप्ताहिक सैकड़ों तक पहुंचा
एक नई रिपोर्ट के अनुसार, टेस्ला अब अपनी फ्रीमोंट सुविधा में हर हफ्ते कई सौ ऑप्टिमस ह्यूमनॉइड रोबोट असेंबल कर रही है, जो कंपनी ने दूसरी तिमाही में हासिल किया था उससे लगभग दस गुना अधिक दर है। यह आंकड़ा कार्यक्रम के प्रक्षेपवक्र में एक महत्वपूर्ण बदलाव को दर्शाता है, जो ऑप्टिमस को हस्तनिर्मित इंजीनियरिंग अभ्यास से एक वास्तविक उत्पादन लाइन की ओर ले जाता है।
रोबोट के सार्वजनिक जीवन के अधिकांश समय में, चर्चा प्रोटोटाइप, मंच प्रदर्शनों और दीर्घकालिक वादों पर केंद्रित रही है। हर हफ्ते सैकड़ों इकाइयों का उत्पादन यह सुझाव देता है कि पहेली का कम से कम एक हिस्सा हल हो गया है: दर्जनों एक्चुएटर, सेंसर और पावर सिस्टम से बनी एक जटिल द्विपाद मशीन को बार-बार असेंबल करने की क्षमता, और यह प्रति तिमाही के बजाय प्रति सप्ताह इकाइयों में मापी गई गति से।
ऑटोमोटिव निर्माण की तुलना में यह हेडलाइन आंकड़ा अभी भी मामूली है, जहां टेस्ला उत्पादन को प्रति सप्ताह हजारों वाहनों में मापती है। लेकिन ह्यूमनॉइड रोबोट कार नहीं हैं। प्रत्येक इकाई में घने इलेक्ट्रॉनिक्स, आर्टिकुलेटेड जोड़ और सॉफ्टवेयर-भारी नियंत्रण प्रणालियां होती हैं, और किसी भी कंपनी ने पहले इस तरह की गति कभी प्रदर्शित नहीं की है।
रोबोट अभी भी जनरलाइज़ नहीं कर पाते
यही रिपोर्ट एक ऐसी सीमा की ओर इशारा करती है जिसे उत्पादन संख्या हल नहीं करती। लाइन से निकलने वाली ऑप्टिमस इकाइयां कथित तौर पर सामान्य कार्यों को संभालने में असमर्थ बनी हुई हैं — वे अपरिचित कामों, अपरिचित वस्तुओं या अपरिचित परिवेशों के अनुकूल विश्वसनीय रूप से नहीं ढल पातीं।
इस कहानी में यही अंतर सबसे अधिक महत्व रखता है। एक रोबोट जो नियंत्रित सेल के भीतर रिहर्सल की गई गति दोहराता है, वह एक ऑटोमेशन उपकरण है, जो कार्यात्मक रूप से उस स्थिर मशीनरी के समान है जो दशकों से फैक्ट्री फर्श पर मौजूद है। एक रोबोट जिसे नया काम सौंपा जा सके और वह स्वयं यह पता लगा ले कि उसे कैसे पूरा करना है, बिल्कुल अलग चीज़ है, और इन दो श्रेणियों के बीच की दूरी में ही ह्यूमनॉइड रोबोटिक्स का अधिकांश अपेक्षित मूल्य निहित है।
चलना और सोचना अलग-अलग समस्याएं हैं
लोकोमोशन पर टेस्ला की दिखने वाली प्रगति वास्तविक रही है। संतुलन, चाल और समन्वित गति ऐसी इंजीनियरिंग चुनौतियां हैं जिनके सफलता के मानदंड काफी स्पष्ट हैं: या तो मशीन सीधी खड़ी रहती है और जहां कहा जाए वहां चलती है, या नहीं। जनरलाइज़ेशन एक अलग प्रकार की समस्या है। इसका कोई एकल बेंचमार्क नहीं है जो प्रश्न का निर्णय कर दे, और सुधार अक्सर एक कदम के बदलाव के बजाय क्षमता के धीमे संचय के रूप में दिखता है।
एक रोबोट जिसे एक प्रकार की बिन से एक प्रकार का घटक उठाने के लिए प्रशिक्षित किया गया है, वह उस क्रिया को हजारों बार त्रुटिहीन ढंग से कर सकता है। किसी अलग आकार की वस्तु को अलग रोशनी वाले वातावरण में रखें, और वही सिस्टम ऐसे तरीकों से विफल हो सकता है जो मानव पर्यवेक्षक को मामूली लगते हैं। यही अंतराल रिपोर्ट में फ्लीट की वर्तमान स्थिति बताया गया है।
जनरलाइज़ेशन इतना कठिन क्यों है
मानवीय वातावरण भिन्नता से परिभाषित होते हैं। रोशनी बदलती है, सतहें बदलती हैं, वस्तुएं अप्रत्याशित कोणों पर रहती हैं, और निर्देश अस्पष्ट भाषा में आते हैं। एक सेटिंग के लिए कसकर ट्यून किया गया सिस्टम हर विचलन को जानकारी के बजाय शोर मानने लगता है। इस अंतराल को पाटने के लिए आम तौर पर व्यापक प्रशिक्षण डेटा, मजबूत परसेप्शन और ऐसे मॉडल की आवश्यकता होती है जो हर नए काम के लिए शुरू से शुरू करने के बजाय एक कार्य से दूसरे में ज्ञान स्थानांतरित करें।
इनमें से कोई भी आवश्यकता अकेले निर्माण मात्रा से हल नहीं होती। ये सॉफ्टवेयर और डेटा की समस्याएं हैं, और ये अपनी गति से आगे बढ़ती हैं।
बुद्धिमत्ता में बढ़त के बिना निर्माण में बढ़त
रिपोर्ट में मुख्य तनाव दो घड़ियों के बीच के असंतुलन का है। हार्डवेयर पुनरावृत्ति को टूलिंग, आपूर्तिकर्ताओं, फर्श की जगह और अतिरिक्त शिफ्टों से तेज किया जा सकता है। जनरलाइज़ करने वाला सॉफ्टवेयर डेटा विविधता, मॉडल आर्किटेक्चर और कंप्यूट से सुधरता है, और यह हमेशा अधिक पूंजी या अधिक कार्य घंटों पर प्रतिक्रिया नहीं देता। टेस्ला ने एक घड़ी को तेज कर दिया है जबकि दूसरी अपना समय ले रही है।
एक और सूक्ष्म मुद्दा भी है। हर हफ्ते सैकड़ों रोबोट बनाना स्वतः ही क्षमता अंतराल को पाटने के लिए आवश्यक डेटा उत्पन्न नहीं करता। यदि वह फ्लीट उसी सुविधा में उन्हीं संकीर्ण कार्यों का सेट कर रही है, तो यह अत्यधिक दोहरावपूर्ण जानकारी की बड़ी मात्रा उत्पन्न करती है और उस भिन्नता का तुलनात्मक रूप से बहुत कम जो जनरलाइज़ेशन के लिए मायने रखती है।
फिर भी यह रैंप क्यों मायने रखता है
जनरलाइज़ेशन समस्या को उत्पादन मील के पत्थर को खारिज करने का कारण मानना आसान होगा। यह पढ़ना इस बात को नजरअंदाज करता है कि रैंप वास्तव में क्या देता है:
- मात्रा में हार्डवेयर फीडबैक। प्रोटोटाइप में एक बार दिखने वाली विफलताएं सैकड़ों इकाइयों में पैटर्न के रूप में सामने आती हैं, जिससे डिज़ाइन खामियों की पहचान और सुधार आसान हो जाता है।
- लागत सीखने की अवस्थाएं। अधिक मात्रा आपूर्तिकर्ताओं, टूलिंग और असेंबली प्रक्रियाओं को लागत वक्र पर नीचे धकेलती है, जो किसी भी संभावित व्यावसायिक मामले के लिए मायने रखता है।
- एक परीक्षण फ्लीट। हर हफ्ते सैकड़ों नई मशीनें एक ऐसी आबादी बनाती हैं जो मुट्ठी भर के बजाय कई इकाइयों में सॉफ्टवेयर अपडेट को मान्य करने के लिए पर्याप्त बड़ी है।
- तैनाती का अनुभव। रोबोट को प्रयोगशाला से बाहर कामकाजी वातावरण में लाने से परिचालन संबंधी समस्याएं — रखरखाव, चार्जिंग, सुरक्षा, अपटाइम — सामने आती हैं जिन्हें कोई भी सिमुलेशन पूरी तरह कैप्चर नहीं करता।
यदि यह गति बनी रहती है तो इनमें से प्रत्येक लाभ चक्रवृद्धि होता है। वार्षिक आधार पर, प्रति सप्ताह कई सौ इकाइयों की दर का अर्थ है दसियों हजार मशीनों का उत्पादन, ऐसा पैमाना जिसके करीब कोई भी ह्यूमनॉइड कार्यक्रम पहले नहीं पहुंचा।
इकाइयां कहां जाती हैं
रिपोर्ट यह तय नहीं करती कि जमा होती यह फ्लीट अंततः कहां तैनात की जाएगी। यह प्रश्न मायने रखता है क्योंकि ऑप्टिमस इकाई का मूल्य इस बात पर बहुत निर्भर करता है कि उसे क्या करने के लिए भरोसेमंद माना जा सकता है। संकीर्ण, पूर्व-मैप किए गए कार्यों तक सीमित रोबोट संरचित सेटिंग्स में अभी भी उपयोगी हो सकता है, लेकिन उसका अर्थशास्त्र पारंपरिक ऑटोमेशन के बहुत करीब दिखता है, न कि उस सामान्य-उद्देश्य श्रम के जिसने ह्यूमनॉइड में रुचि को बढ़ावा दिया है।
यदि जनरलाइज़ेशन पहुंच से बाहर रहता है, तो निकट अवधि का रास्ता संभवतः अधिक से अधिक संरचित वातावरणों से होकर जाएगा: निर्धारित स्टेशन, ज्ञात पुर्जे, नियंत्रित रोशनी और पास में मानव पर्यवेक्षण। यह एक वैध व्यवसाय है, लेकिन उस दृष्टि से छोटा है जिसने इस क्षेत्र को ऊर्जा दी है।
आगे क्या देखें
आगे दो मेट्रिक्स पर ध्यान देना चाहिए, और वे अलग-अलग दिशाओं में खींचते हैं। पहला है गति — क्या प्रति सप्ताह कई सौ इकाइयां एक न्यूनतम स्तर बन जाती हैं या अस्थायी उछाल साबित होती हैं। दूसरा है कार्य पुनरावली, जिसे बाहर से मापना कहीं अधिक कठिन है।
ध्यान देने योग्य संकेतों में यह शामिल है कि क्या टेस्ला ऑप्टिमस तैनातियों का वर्णन प्रदर्शनों के बजाय विशिष्ट कार्यों के संदर्भ में करना शुरू करती है, क्या रोबोट ऐसे वातावरणों में दिखते हैं जिन्हें कंपनी पूरी तरह नियंत्रित नहीं करती, और क्या सॉफ्टवेयर अपडेट हर नए काम के लिए पुनः प्रशिक्षण के बिना एक इकाई क्या कर सकती है इसे सार्थक रूप से बढ़ाते हैं।
टेस्ला ने अब दिखा दिया है कि वह मात्रा में ह्यूमनॉइड रोबोट बना सकती है। कठिन प्रश्न — क्या वे रोबोट ऐसे काम संभालना सीख सकते हैं जिनके लिए उन्हें विशेष रूप से तैयार नहीं किया गया था — अभी भी खुला है, और कोई भी उत्पादन लाइन इसका उत्तर नहीं देती।
यह लेख Electrek की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें।
Originally published on electrek.co