Xiaomi का कहना है कि रोबोट प्रशिक्षण में मॉडल आकार से अधिक डेटा असरदार है

Xiaomi का तर्क: रोबोट मॉडलों को बढ़ाने से पहले रोबोट डेटा को बढ़ाएं

Xiaomi ने एक नया रोबोटिक्स मॉडल, Xiaomi-Robotics-1, जारी किया है, जो एक ऐसे दावे पर आधारित है जो अगली पीढ़ी के रोबोट सिस्टम के प्रशिक्षण को आकार दे सकता है: वास्तविक दुनिया में वस्तुओं को संभालने वाले मशीनों के लिए, बड़ा मॉडल होने से अधिक डेटा का महत्व हो सकता है.

यह निष्कर्ष बड़े भाषा मॉडलों में दिखने वाले एक परिचित पैटर्न से मेल खाता है, जहाँ प्रशिक्षण डेटा और कंप्यूट बढ़ने पर प्रदर्शन अक्सर बेहतर होता है। लेकिन रोबोटिक्स में एक अलग बाधा है। टेक्स्ट मॉडल सार्वजनिक इंटरनेट से विशाल सामग्री ले सकते हैं। रोबोट मॉडल ऐसा नहीं कर सकते। वस्तुओं को पकड़ने, उठाने, रखने और अपरिचित जगहों के अनुसार ढलने के लिए उपयोगी डेटा जुटाना कहीं अधिक कठिन, लेबल करना कहीं अधिक महंगा, और आम तौर पर संकीर्ण हार्डवेयर सेटअप से जुड़ा होता है.

Xiaomi का तरीका उल्लेखनीय है क्योंकि यह मुख्यतः महंगे भौतिक रोबोटों के बेड़े पर निर्भर हुए बिना इस बाधा को तोड़ने की कोशिश करता है। इसके बजाय, कंपनी का कहना है कि उसने अपने प्रीट्रेनिंग डेटा का अधिकांश हिस्सा कैमरों से लैस पोर्टेबल हैंडहेल्ड ग्रिपर का उपयोग करके इकट्ठा किया। लोगों ने इन उपकरणों को सीधे हाथ से वास्तविक वातावरण में चलाया, जिससे रसोई, दफ़्तर, दुकानों, फ़ैक्ट्री फ़्लोर और बाहरी स्थानों जैसे स्थानों में मैनिपुलेशन कार्यों को कैप्चर किया गया.

कंपनी के अनुसार, परिणामस्वरूप 1,00,000 घंटे से अधिक गति रिकॉर्डिंग वाला डेटासेट तैयार हुआ, जो 1,700 से अधिक अलग-अलग वातावरणों से इकट्ठा किया गया था। यह पैमाना महत्वपूर्ण है क्योंकि रोबोट लर्निंग सिस्टम अक्सर उन लेआउट, वस्तुओं और दिनचर्याओं से परे सामान्यीकरण करने में संघर्ष करते हैं जिन्हें वे सीमित संग्रह रनों में देखते हैं। शुरुआती डेटा संग्रह चरण में पूर्ण रोबोट प्लेटफ़ॉर्म की बजाय हैंडहेल्ड उपकरणों का उपयोग करके Xiaomi का तर्क है कि वह व्यापक अनुभव तेज़ी से और कम लागत पर इकट्ठा कर सकता है.

रोबोटिक्स की डेटा कमी का एक अलग समाधान

रोबोट मैनिपुलेशन डेटा इकट्ठा करने की पारंपरिक विधि धीमी है। एक व्यक्ति दूर से एक रोबोट को एक-एक गति से कार्यों के दौरान नियंत्रित करता है, और ऐसी प्रदर्शनियाँ बनती हैं जो उस मशीन के सेंसर, जोड़ों और ग्रिपर के लिए अनुकूलित होती हैं। यह तरीका काम कर सकता है, लेकिन यह आसानी से बड़े पैमाने पर नहीं बढ़ता, और अक्सर समान वातावरणों से दोहराए गए नमूने देता है.

Xiaomi का हैंडहेल्ड सेटअप इसी सीमा को दूर करने के लिए है। क्योंकि व्यक्ति अलग-अलग जगहों पर ग्रिपर को ले जाकर सीधे उपयोग कर सकता है, कंपनी उन जगहों से उदाहरण इकट्ठा कर सकती है जिन्हें एक रोबोट बेड़ा आम तौर पर कवर नहीं कर पाता। लेकिन यह ट्रांसफ़र समस्या को समाप्त नहीं करता। हैंडहेल्ड ग्रिपर पहिएदार रोबोट या दो-बाँह वाले सिस्टम जैसा नहीं है। मॉडल को फिर भी यह सीखना पड़ता है कि मानव-नियंत्रित उपकरण की गति में दर्ज पैटर्न वास्तविक रोबोटों की भौतिक सीमाओं और नियंत्रण प्रणालियों से कैसे मेल खाते हैं.

Xiaomi का कहना है कि उसने बाद के चरणों में इस प्रीट्रेन सिस्टम को भौतिक रोबोटों पर स्थानांतरित करके, जिनमें पहिएदार प्लेटफ़ॉर्म और दो-बाँह वाले सिस्टम शामिल हैं, इस समस्या को संबोधित किया। पोस्ट-ट्रेनिंग के लिए, उसने वास्तविक अपार्टमेंट्स से अपनी रिकॉर्डिंग को ओपन-सोर्स रोबोट डेटासेट और एनोटेटेड UMI डेटा के साथ जोड़ा। जो तस्वीर उभरती है, वह एक स्तरित पाइपलाइन है: मैनिपुलेशन अनुभव व्यापक और सस्ते में इकट्ठा करो, उसे बड़े पैमाने पर लेबल करो, फिर उसे उस हार्डवेयर के अनुसार ढालो जो वास्तव में कार्य करेगा.

यह व्यापक रोबोटिक्स क्षेत्र के लिए महत्वपूर्ण हो सकता है, क्योंकि यह क्षेत्र लंबे समय से एक असहज असंगति से जूझ रहा है। शोधकर्ता सामान्य-उद्देश्य रोबोट व्यवहार चाहते हैं, लेकिन उसके प्रशिक्षण के लिए डेटा अवसंरचना अक्सर स्थानीय, कस्टम और महंगी बनी रही है। Xiaomi मूलतः कह रहा है कि रोबोट एआई शायद शास्त्रीय रोबोटिक्स इंजीनियरिंग से कम और फाउंडेशन-मॉडल विकास से अधिक आगे बढ़े, जहाँ प्रीट्रेनिंग कॉर्पस की गुणवत्ता, आकार और विविधता रणनीतिक संपत्ति बन जाती है.

स्वचालित लेबलिंग बड़े पैमाने पर संग्रह को व्यावहारिक बनाती है

1,00,000 घंटे का मैनिपुलेशन डेटा इकट्ठा करना केवल आधी समस्या है। उन रिकॉर्डिंग्स को ऐसे विवरण भी चाहिए जिनसे मॉडल सीख सके। Xiaomi का कहना है कि इतने बड़े पैमाने पर मैन्युअल लेबलिंग व्यावहारिक नहीं थी, इसलिए उसने एक और एआई सिस्टम का उपयोग करके हर गति खंड के लिए टेक्स्ट विवरण तैयार किए। कंपनी के अनुसार पूरे डेटासेट को लगभग दो हफ्तों में लेबल कर दिया गया.

यह चरण महत्वपूर्ण है क्योंकि बोले गए या लिखे गए निर्देशों का पालन करने के लिए बनाए गए रोबोट मॉडल को गति और भाषा के बीच एक पुल चाहिए। यदि लेबलिंग की गुणवत्ता पर्याप्त ऊँची हो, तो मॉडल पाठ्य लक्ष्यों को भौतिक क्रियाओं और दृश्य परिवर्तन से जोड़ना शुरू कर सकता है। यदि लेबल कमजोर या असंगत हों, तो केवल पैमाना प्रदर्शन को नहीं बचा सकता। Xiaomi की रिपोर्ट की गई समयसीमा बताती है कि स्वचालित एनोटेशन रोबोटिक्स में सिर्फ सुविधा नहीं, बल्कि इतने बड़े डेटासेट बनाने की पूर्वशर्त बनता जा रहा है जो व्यापक सामान्यीकरण का समर्थन कर सकें.

मॉडल स्वयं अपरिचित वातावरणों में बिना पूर्व अनुभव के बोले गए या लिखे गए आदेशों का पालन करने और सीमित अतिरिक्त प्रशिक्षण के साथ नए कार्यों के अनुसार ढलने के लिए बनाया गया है। यह एक महत्वाकांक्षी लक्ष्य है, लेकिन यह उद्योग में एक व्यापक प्रयास से मेल खाता है, जो कार्य-विशिष्ट रोबोट नीतियों से आगे बढ़कर ऐसे सिस्टम बनाना चाहता है जो सेटिंग्स और निर्देशों के बीच ज्ञान स्थानांतरित कर सकें.

Xiaomi का परिणाम केवल एक मॉडल रिलीज़ से आगे क्यों मायने रखता है

Xiaomi के परीक्षणों में, मॉडल आकार बढ़ाने से प्रदर्शन में सुधार हुआ, लेकिन प्रशिक्षण डेटा बढ़ाने से कहीं बड़े लाभ मिले। यही मुख्य निष्कर्ष है। यदि यह Xiaomi के आंतरिक मूल्यांकन से आगे भी कायम रहता है, तो यह संकेत देगा कि रोबोट मैनिपुलेशन में बेहतर परिणाम पाने का सबसे तेज़ रास्ता केवल और बड़े आर्किटेक्चर नहीं हैं। यह अधिक समृद्ध, अधिक विविध भौतिक अनुभव जुटाने और उसे बड़े पैमाने पर भाषा से जोड़ने की क्षमता हो सकती है.

इसका व्यावहारिक असर इस बात पर पड़ता है कि कंपनियाँ पूंजी कैसे आवंटित करती हैं। बड़े मॉडल अधिक कंप्यूट माँगते हैं, लेकिन बड़े और अधिक विविध डेटासेट के लिए संग्रह प्रणालियाँ, एनोटेशन पाइपलाइन, स्टोरेज, क्यूरेशन, और ट्रांसफ़र विधियाँ चाहिए जो वास्तविक दुनिया की गंदली विविधता को संभाल सकें। जो कंपनी इन परिचालन समस्याओं को हल कर लेती है, उसे मॉडल स्केलिंग भर से मुश्किल से मिल सकने वाला लाभ मिल सकता है.

यह रोबोटिक्स में एक महत्वपूर्ण प्रश्न को भी नए ढंग से रखता है: मॉडल कितना बुद्धिमान है, यह ही नहीं, बल्कि उसने भौतिक दुनिया का कितना हिस्सा वास्तव में देखा है। भाषा मॉडलों के लिए, इंटरनेट ने वह व्यापकता दी। रोबोटों के लिए, कोई तैयार-दर्जा कॉर्पस नहीं है। Xiaomi का काम सुझाता है कि उद्योग को उस कॉर्पस को नए टूल और वर्कफ़्लो के माध्यम से खुद बनाना पड़ सकता है, न कि उसके अपने आप आने का इंतज़ार करना.

अब भी कुछ खुले प्रश्न हैं। दिए गए सामग्री में स्वतंत्र बेंचमार्किंग विवरण, तैनाती के परिणाम, या विशिष्ट कार्यों में विफलता दर शामिल नहीं हैं। यह भी नहीं दिखाया गया है कि मॉडल काफी अलग रोबोट रूपों में स्थानांतरित होने पर कितना अच्छा प्रदर्शन बनाए रखता है। लेकिन इन सावधानियों के बावजूद, यह रिलीज़ इसलिए अलग दिखती है क्योंकि यह ध्यान को सुर्खियों वाले मॉडल आकार से हटाकर डेटा निर्माण की कम चमकदार समस्या पर लाती है.

ऐसे उद्योग के लिए जो घरों, कार्यस्थलों और सार्वजनिक स्थानों में काम करने वाली मशीनें बनाना चाहता है, यह संभवतः अधिक निर्णायक बदलाव है। Xiaomi केवल एक रोबोट मॉडल पेश नहीं कर रहा। वह इस बारे में तर्क दे रहा है कि रोबोट एआई में अगली प्रगति कहाँ से आएगी: भौतिक दुनिया के साथ व्यापक संपर्क, इतनी मात्रा और विविधता में दर्ज कि रोबोट आधुनिक एआई के करीब पैमाने पर अनुभव से सीखना शुरू कर सकें.

यह लेख The Decoder की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.