मानवी रोबोट GPT-6 Astra च्या नियंत्रणाखाली अनोळखी स्वयंपाकघर स्वच्छ करतो
स्टॅनफोर्ड आणि कॅलटेक येथील संशोधकांनी HomeBody नावाची प्रणाली तयार केली आहे, ज्यामुळे Unitree G1 ह्युमनॉइड रोबोट अशा स्वयंपाकघरात जाऊ शकतो जे त्याने कधीही पाहिलेले नाही, तिथे आवराआवर करू शकतो आणि कोणीही त्याच्या हालचाली नियंत्रित न करता ड्रॉवरमधून वस्तू बाहेर काढू शकतो. रोबोट GPT-6 Astra वर चालतो, आणि हे प्रात्यक्षिक या पुराव्याला अधिक बळकट करते की हे मॉडेल मजकूर आणि प्रतिमांमधून भौतिक जगात फिरणाऱ्या यंत्रांमध्ये उपयुक्तपणे वापरले जाऊ शकते.
विशेष गोष्ट ही नाही की रोबोट वस्तू पकडू शकतो — कारखान्यातील हात या गोष्टी दशकांपासून करत आहेत. विशेष हे आहे की या यंत्राने अशा खोलीत काय करावे हे स्वतः ठरवले ज्याची रचना त्याने कधीही पाहिली नव्हती, आणि त्या एका स्वयंपाकघरासाठी खास तयार केलेल्या प्रणालीऐवजी सामान्य-उद्देश मॉडेलचा वापर केला.
HomeBody कसे एकत्र केले जाते
GPT-6 Astra थेट कौशल्य लायब्ररीमध्ये कॉल करतो
बहुतेक रोबोट-शिक्षण प्रणाली भाषा मॉडेल आणि हार्डवेअर यांच्यामध्ये एक प्रशिक्षित नियंत्रण स्तर घालतात. तो स्तर — जो अनेकदा कार्य-विशिष्ट डेटावर प्रशिक्षित पॉलिसी नेटवर्क किंवा मोशन प्लॅनर असतो — उच्च-स्तरीय हेतू जॉइंट-स्तरीय आदेशांमध्ये रूपांतरित करतो. HomeBody तो काढून टाकतो. बदलण्यायोग्य व्हिजन-लँग्वेज मॉडेल, या प्रकरणात GPT Astra, पकडणे, नेव्हिगेशन आणि ड्रॉवर उघडणे यांसारख्या कौशल्यांच्या विस्तारयोग्य लायब्ररीमध्ये थेट कॉल करते. लायब्ररी मॉड्यूलर असल्याने, संपूर्ण प्रणाली पुन्हा प्रशिक्षित न करता वैयक्तिक क्षमता जोडल्या किंवा बदलल्या जाऊ शकतात, आणि अंतर्निहित VLM स्वतःच दुसऱ्या मॉडेलसाठी बदलले जाऊ शकते.
आधी शोधा, नंतर लक्षात ठेवा
काहीही हाताळण्यापूर्वी, रोबोट खोलीचे निरीक्षण करतो. तो Nvidia च्या Isaac Sim मध्ये स्वयंपाकघराचा डिजिटल ट्विन तयार करतो, नंतर वस्तू आणि त्यांची स्थाने स्थानिक स्मृतीमध्ये नोंदवतो. ही स्मृतीच रोबोटला एखादी वस्तू त्याच्या दृष्टीक्षेत्राबाहेर गेल्यानंतर शोधण्यास मदत करते — माणसासाठी हे सामान्य आहे, परंतु केवळ कॅमेरा सध्या जे कैद करतो त्याबद्दल विचार करणाऱ्या प्रणालींसाठी हे खरोखर कठीण आहे.
नियोजन, कृती, स्वतःची दुरुस्ती
"स्वयंपाकघर स्वच्छ करा" यासारख्या सैल सूचनेवरून, भाषा मॉडेल कामाचे टप्प्यांत विभाजन करते, कौशल्य लायब्ररीद्वारे ते पार पाडते आणि काही चुकल्यास स्वतःची दुरुस्ती करते. ही योजना निश्चित स्क्रिप्ट नाही. ती रोबोटला जे सापडते आणि जे अपयश येते त्यानुसार जुळवून घेते, हाच ऑटोमेशन आणि सामान्य-उद्देश वर्तन यातील फरक आहे.
नियंत्रण स्तर वगळणे का महत्त्वाचे आहे
प्रशिक्षित मध्यस्थ काढून टाकल्याने संपूर्ण प्रणालीची अर्थव्यवस्था आणि लवचिकता अनेक प्रकारे बदलते.
- सामान्यीकरण: रोबोट एका स्वयंपाकघराच्या रचनेशी किंवा मर्यादित कार्यसूचीशी बांधलेला नाही, कारण विचार मॉडेलमधून येतो, एका वातावरणासाठी गोळा केलेल्या डेटामधून नाही.
- मॉड्यूलरिटी: कौशल्ये स्वतंत्रपणे वाढवता येतात, आणि चांगली मॉडेल्स आल्यावर व्हिजन-लँग्वेज मॉडेल बदलता येते.
- हेतूची स्पष्टता: सूचना खास कंट्रोलरमध्ये संकलित करण्याऐवजी सामान्य भाषेत दिल्या जाऊ शकतात.
तोटा हा आहे की आता एक फ्रंटियर मॉडेल नियंत्रण लूपमध्ये बसते, आणि नेमकी तिथेच प्रणालीच्या कमकुवतपणा सर्वाधिक दिसतात.
प्रणाली अजून कुठे संघर्ष करते
संघाचा लेखा कमतरतांबद्दल स्पष्ट आहे, आणि त्या मुख्यतः रिअल-टाइममध्ये मोठ्या मॉडेलवर अवलंबून राहण्याच्या खर्चाभोवती केंद्रित आहेत.
- लेटन्सी: रोबोटला बदलत्या भौतिक दृश्यावर प्रतिक्रिया द्यावी लागते तेव्हा GPT-6 Astra चे प्रतिसाद वेळ मर्यादित करणारा घटक ठरतात.
- हार्डवेअरवरील ताण: दीर्घकाळ हाताळणी करताना बोटांचे सर्व्हो ओव्हरहीट होतात, ही यांत्रिक मर्यादा कोणत्याही मॉडेल गुणवत्तेने झाकली जाऊ शकत नाही.
- कॉम्प्युट खर्च: नियंत्रण लूपमध्ये फ्रंटियर मॉडेल ठेवणे महाग आहे, जे प्रयोगशाळेऐवजी घरात हे चालण्याची कल्पना करणाऱ्या कोणासाठीही महत्त्वाचे आहे.
यापैकी कोणतेही क्षुल्लक नाही. लेटन्सी आणि ओव्हरहीटिंग हे डेमो व्हिडिओ संपल्यानंतर दिसणारे प्रकारचे प्रश्न आहेत, जेव्हा प्रणालीला काही मिनिटांऐवजी तासन् तास चालावे लागते. कॉम्प्युट खर्च ठरवतो की HomeBody सारखा दृष्टिकोन संशोधनाच्या चौकटीतून कधी बाहेर पडतो.
सुरक्षा प्रश्न आणि बेंचमार्क नोंद
HomeBody मिश्र पार्श्वभूमीवर येते. आधीच्या बेंचमार्क्सने दाखवले होते की Astra चे स्थानिक तर्कक्षमता लक्षणीयरीत्या सुधारली आहे — जिथे वस्तू आहेत आणि तिथे कसे पोहोचावे याचा विचार करणाऱ्या मॉडेलसाठी ही पूर्वअट आहे. त्याच वेळी, वेगळ्या कामाने Astra ला रोबोटचे नियंत्रण दिल्यास सुरक्षा समस्या असल्याचे निदर्शनास आणले. या दोन निष्कर्षांमध्ये अस्वस्थता आहे: मॉडेलला हाताळणीसाठी उपयुक्त बनवणारीच क्षमता त्याचा निर्णय चुकल्यास धोका वाढवते.
कौशल्य लायब्ररीमध्ये थेट आदेश देणारे भाषा मॉडेल वाईट निर्णय आणि भौतिक परिणाम यांतील अंतर कमी करते. प्रशिक्षित नियंत्रण स्तर नसल्याने पूर्वी अवास्तव किंवा असुरक्षित कृतींना आळा घालणारा गाळणी स्तर काढून टाकला जातो. यामुळे हा दृष्टिकोन अव्यवहार्य होत नाही, परंतु याचा अर्थ सुरक्षा मूल्यांकन क्षमता मूल्यांकनाच्या मागे न राहता त्याच्यासोबतच पुढे जावे लागते.
एम्बॉडीड AI कडे व्यापक झुकाव
HomeBody एका मोठ्या बदलाच्या मध्यभागी येते. OpenAI ने रोबोटिक्समध्ये परत येण्याची योजना आधीच जाहीर केली आहे, ज्यात वैयक्तिक वापरासाठीची यंत्रे समाविष्ट आहेत. ही महत्त्वाकांक्षा यासारख्या प्रात्यक्षिकांना शैक्षणिक पलीकडे व्यावसायिक संदर्भ देते: जर सामान्य मॉडेल अनोळखी खोलीत ह्युमनॉइड चालवू शकत असेल, तर एका शक्तिशाली मॉडेलभोवती हार्डवेअर बांधण्याचा युक्तिवाद खूपच बळकट होतो.
स्टॅनफोर्ड आणि कॅलटेकचे काम या आधारभूत कल्पनेची चाचणी म्हणून वाचले पाहिजे. ते घरगुती रोबोटिक्स सोडवण्याचा दावा करत नाही. ते दाखवते की बहुतेक संशोधकांनी आवश्यक मानलेला स्तर — भाषा आणि हालचाल यांना जोडणारा प्रशिक्षित कंट्रोलर — किमान या संरचनेत पुनर्वापरयोग्य कौशल्यांच्या लायब्ररीमध्ये थेट कॉलद्वारे बदलला जाऊ शकतो.
कोड सार्वजनिक आहे, आणि प्रश्न खुले आहेत
HomeBody चा कोड GitHub वर उपलब्ध आहे, याचा अर्थ इतर गट वेगवेगळ्या रोबोट्स आणि वेगवेगळ्या खोल्यांमध्ये त्याच आर्किटेक्चरची चाचणी करू शकतात. आता मनोरंजक प्रश्न अनुभवजन्य आहेत. स्वयंपाकघर अधिक गोंधळलेले असताना, वस्तू अनोळखी असताना किंवा कार्य तासन् तास पसरल्यास कार्यक्षमता किती घटते? यशातील किती वाटा कौशल्य लायब्ररीची आहे आणि किती मॉडेलच्या स्वतःच्या तर्काची? आणि लेटन्सी, उष्णता आणि कॉम्प्युट बजेट यांना तळटिपांऐवजी प्रथम-श्रेणीच्या मर्यादा मानल्यास काय होते?
सध्या, हे प्रात्यक्षिक GPT-6 Astra रोबोट्ससोबत चांगले काम करते याचा आणखी एक पुरावा म्हणून उभे आहे — आणि एक स्मरण म्हणून की आकर्षक स्वयंपाकघर डेमो आणि विश्वासार्ह घरगुती यंत्र यांतील अंतर अजूनही सर्व्हो, सेकंद आणि डॉलर्समध्ये मोजले जाते.
हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.
Originally published on the-decoder.com
