Generalist ने GEN-1 robotics model अधिक robot hands आणि tools पर्यंत विस्तारला

एक robotics foundation model अनेक प्रकारच्या hands पर्यंत पसरू शकतो, असे Generalist म्हणते

Robotics startup Generalist म्हणते की त्याचा GEN-1 embodied foundation model आता standard grippers पलीकडे जाऊन five-fingered hands, specialized tools, आणि custom actuation setups पर्यंत विस्तृत robot end effectors ना समर्थन देतो. ही घोषणा physical AI मधील एक मुख्य महत्त्वाकांक्षा दाखवते: जगाशी संवाद साधण्याच्या अनेक मार्गांमध्ये generalize करू शकणारा base model तयार करणे, प्रत्येक manipulation interface सुरुवातीपासून शिकण्याऐवजी.

The Robot Report नुसार, Generalist ने GEN-1 ला अशा प्रकारे pretrained केले आहे की एक underlying model अतिशय भिन्न embodiments मध्ये transfer होऊ शकतील अशा sensorimotor policies शिकू शकेल. प्रत्यक्षात याचा अर्थ असा की कंपनी फक्त एका विशिष्ट gripper ला चालवणे शिकवत नाही, तर robot चे “hand” बदलले तरी उपयोगी राहील असे reusable physical understanding तयार करू इच्छिते.

ही संकल्पना language आणि image systems मधील large foundation models च्या भूमिकेची आठवण करून देते, जिथे broad pretraining चा उद्देश नंतर specialized करता येतील अशा adaptable capabilities निर्माण करणे हा असतो. पण robotics मध्ये समस्या अधिक कठीण आहे. hardware खूप वेगळे असते, sensor positions बदलतात, actuation methods वेगवेगळ्या असतात, आणि चुकांचे physical परिणाम तत्काळ दिसतात. अनेक tool आणि hand configurations वर data scale केल्याने fragmentation काही प्रमाणात कमी होऊ शकते, असा Generalist चा दावा आहे.

कंपनीचे म्हणणे data scale आणि embodiment diversity वर आधारलेले आहे

Generalist म्हणते की GEN-1 ला in-house robotics dataset वर pretrained केले आहे, ज्यात 5 लाखांहून अधिक तासांचे real interaction data आहेत. कंपनीने असेही सांगितले की या dataset मध्ये आता off-the-shelf tools, printed parts, two-finger grippers मधील custom modifications, आणि commercial use cases पासून प्रेरित form factors यांसह विविध end effectors समाविष्ट आहेत. एकूण जवळपास 9,000 variations असल्याचे तिने म्हटले आहे.

ही विविधता कंपनीच्या pitch चा मुख्य भाग आहे. एका hand design साठी model optimize करण्याऐवजी, Generalist वेगवेगळ्या end effectors ना एकाच physical world चे वेगवेगळे interfaces मानत आहे. five-fingered hand, tape dispenser, spatula, किंवा screwdriver वेगवेगळ्या control problems निर्माण करू शकतात, पण हे सर्व model ला geometry, force, friction, contact, आणि motion constraints च्या संपर्कात आणतात. ही interfaces जितकी विविध होतील, तितकी model ची underlying “physical commonsense” मजबूत होईल असे कंपनीला वाटते.

याचा अर्थ असा नाही की प्रत्येक tool समान सोपा नियंत्रणयोग्य होतो. The Robot Report मध्ये दिलेल्या उदाहरणांमध्ये प्रत्येक device आपली स्वतंत्र action vocabulary घेऊन येतो. Tongs compliance आणि spring dynamics आणतात. Scrapers आणि spatulas मध्ये object grasp करण्यापासून surface विरुद्ध distributed contact manage करण्याकडे समस्या बदलते. Tape dispenser model ला tension आणि placement समन्वयित करण्यास भाग पाडतो. Box cutter किंवा peeler नियंत्रित force constrained path वर लावण्याची गरज वाढवतात. हे hardware मधले केवळ cosmetic बदल नाहीत; ते task च्या संरचनेतच बदल घडवतात.

Generalist चा सिद्धांत असा आहे की अनेक interfaces वर शिकल्याने model ला general physical principles आणि tool-specific details यांच्यात फरक करता येतो. हे प्रत्यक्षात खरे ठरले, तर embodiments मध्ये transfer करणे ऐतिहासिकदृष्ट्या कठीण आणि खर्चिक राहिलेल्या robotics क्षेत्रासाठी हे एक अर्थपूर्ण पाऊल ठरेल.

End effector flexibility का महत्त्वाची आहे

या घोषणेचे महत्त्व केवळ शैक्षणिक नाही. Commercial robotics मध्ये robot ला जोडलेले hand किंवा tool तो कोणती कामे करू शकतो हे बहुतेक वेळा ठरवते. Warehousing, light manufacturing, lab automation, food handling, surface finishing, आणि service tasks सर्व वेगवेगळ्या physical demands लादतात. जर एखादा model फक्त एका अरुंद प्रकारच्या gripper सोबतच चांगला काम करत असेल, तर hardware बदलताच deployment flexibility कमी होते आणि integration costs वाढतात.

त्याउलट, end effectors across adapt करू शकणारा base model development cycles सोपे करू शकतो. त्यामुळे प्रत्येक tool साठी वेगळा control stack बनवण्याची गरज कमी होऊ शकते, नवीन task domains मध्ये robots test करणे सोपे होऊ शकते, आणि एका manipulation setup मधून दुसऱ्यात जाताना data burden कमी होऊ शकतो. त्या दिशेने थोडी जरी प्रगती झाली तरी ती मौल्यवान ठरेल, कारण robotics मधील कायमचा bottleneck म्हणजे systems प्रशिक्षण घेतलेल्या exact conditions बाहेर आल्यावर capabilities अनेकदा brittle राहतात.

Generalist चे framing AI robotics मध्ये pretraining at scale कडे होत असलेला व्यापक बदलही दर्शवते. प्रत्येक behavior हाताने engineer करण्याऐवजी किंवा अरुंद मर्यादेतली policies train करण्याऐवजी, कंपन्या मोठ्या, विविध real-world datasets मुळे अधिक reusable representations तयार होतील असा दांव लावत आहेत. आव्हान, अर्थातच, हे सिद्ध करणे आहे की demo environment मधून बाहेर पडून प्रत्यक्ष operational variance समोर आल्यावर या representations पुरेश्या robust ठरतात.

काय स्थापित आहे आणि काय कंपनीचा दावा आहे

उपलब्ध source material काही ठोस मुद्दे समर्थन करते: GEN-1 आता end effectors ची विस्तृत श्रेणी समर्थित करतो असे Generalist म्हणते; त्याचा training data 5 लाखांहून अधिक तासांच्या real interaction data च्या पुढे जातो असे सांगते; आणि model ला सुमारे 9,000 end-effector variations च्या संपर्कात आणले गेले आहे असे म्हणते. वेगवेगळ्या tools आणि embodiments मध्ये transferable sensorimotor representations तयार करण्यास ही विविधता मदत करते असा कंपनीचा युक्तिवादही आहे.

source स्वतंत्रपणे जे सिद्ध करत नाही ते म्हणजे हा transfer स्पर्धकांशी तुलना करता किती चांगला आहे, नवीन hardware साठी अजून किती fine-tuning आवश्यक आहे, किंवा production deployment च्या reliability demands खाली हा दृष्टिकोन टिकतो का. comparative benchmark study ऐवजी company-shared examples मधून येणाऱ्या कोणत्याही robotics foundation-model दाव्यासाठी हे महत्त्वाचे प्रश्न आहेत.

तरीही, हा update उल्लेखनीय आहे कारण तो क्षेत्रातील सर्वात कठीण practical problems पैकी एकावर लक्ष केंद्रित करतो. robot learning जर एका single manipulator design शी घट्ट बांधले गेले, तर उपयुक्त automation scale करणे महाग आणि मंद राहते. जर एक shared model अनेक embodiments across competence राखू शकत असेल, तर robotics systems पुन्हा वापरणे सोपे होईल आणि विविध उद्योगांमध्ये आर्थिकदृष्ट्या अधिक viable होऊ शकते.

अधिक general physical intelligence कडे एक पाऊल

Generalist मुळात असे म्हणत आहे की प्रत्येक नवीन hand model ला त्याच जगाला समजण्याचा आणखी एक मार्ग मिळतो. हे ambitious framing आहे, पण advanced robotics कोणत्या दिशेने जात आहे ते ते पकडते: single-task controllers पासून दूर जाऊन broader physical intelligence कडे, जी hardware variation सहन करू शकेल.

GEN-1 एक landmark platform बनेल का हे या घोषणेनंतरच्या परिणामांवर अवलंबून असेल. तरीही कंपनीचा ताजा update एक महत्त्वाचा competitive frontier स्पष्ट करतो. embodied AI मध्ये पुढचा leap केवळ मोठ्या models मधून नाही, तर प्रत्यक्ष tools, प्रत्यक्ष contact, आणि प्रत्यक्ष work च्या messy diversity मधून जे शिकतात ते घेऊन जाऊ शकणाऱ्या models मधूनही येऊ शकतो.

हा लेख The Robot Report च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.