टेस्ला ऑप्टिमसचे उत्पादन आठवड्याला शेकडो युनिट्सपर्यंत वाढले, पण जनरलायझेशन क्षमता मागे

टेस्लाच्या ऑप्टिमसचे उत्पादन आठवड्याला शेकडो युनिट्सपर्यंत पोहोचले

टेस्ला आता आपल्या फ्रीमाँट सुविधेत दर आठवड्याला काहीशे ऑप्टिमस ह्युमनॉइड रोबोट एकत्र करत आहे, असे एका नव्या अहवालात म्हटले आहे. हा दर कंपनीने दुसऱ्या तिमाहीत साधलेल्या उत्पादनाच्या सुमारे दहा पट आहे. हा आकडा कार्यक्रमाच्या दिशेने झालेला अर्थपूर्ण बदल दर्शवतो — ऑप्टिमस हाताने बनवलेल्या अभियांत्रिकी प्रयोगाकडून खऱ्या उत्पादन मार्गावर जात आहे.

या रोबोटच्या सार्वजनिक प्रवासातील बहुतांश काळ चर्चा प्रोटोटाइप, मंचावरील प्रात्यक्षिके आणि दीर्घकालीन आश्वासनांभोवती राहिली आहे. आठवड्याला शेकडो युनिट्सचे उत्पादन हे सूचित करते की कोड्यातील किमान एक भाग सोडवला गेला आहे: डझनभर अॅक्च्युएटर, सेन्सर आणि पॉवर सिस्टम्सने बनलेले गुंतागुंतीचे द्विपाद यंत्र वारंवार एकत्र करण्याची क्षमता, आणि ती प्रति तिमाही नव्हे तर प्रति आठवडा युनिट्सच्या वेगाने करणे.

ऑटोमोटिव्ह उत्पादनाशी तुलना करता हा मुख्य आकडा अजूनही माफक आहे, कारण टेस्ला तिथे उत्पादन आठवड्याला हजारो वाहनांमध्ये मोजते. पण ह्युमनॉइड रोबोट कार नाहीत. प्रत्येक युनिटमध्ये दाट इलेक्ट्रॉनिक्स, सांधे असलेले जॉइंट्स आणि सॉफ्टवेअर-प्रधान नियंत्रण प्रणाली असतात, आणि यापूर्वी कोणत्याही कंपनीने असा वेग दाखवलेला नाही.

रोबोट अजूनही जनरलायझ करू शकत नाहीत

त्याच अहवालात एक मर्यादा नमूद केली आहे, जी उत्पादन आकडे सोडवत नाहीत. उत्पादन मार्गावरून बाहेर पडणारी ऑप्टिमस युनिट्स सामान्य कामे हाताळण्यास अजूनही असमर्थ असल्याचे वृत्त आहे — ती अपरिचित कामे, अपरिचित वस्तू किंवा अपरिचित वातावरणाशी विश्वासार्हपणे जुळवून घेऊ शकत नाहीत.

या बातमीत सर्वाधिक वजन याच फरकाचे आहे. नियंत्रित सेलमध्ये पूर्वीच अभ्यासलेली हालचाल पुन्हा करणारा रोबोट हे एक ऑटोमेशन उपकरण आहे, जे कार्यात्मकदृष्ट्या दशकांपासून कारखान्यांच्या मजल्यावर असलेल्या स्थिर यंत्रसामग्रीसारखेच आहे. नवीन काम दिल्यावर ते कसे पूर्ण करायचे हे स्वतः ठरवू शकणारा रोबोट वेगळाच प्रकार आहे, आणि या दोन श्रेणींमधील अंतरातच ह्युमनॉइड रोबोटिक्समधील अपेक्षित मूल्याचा मोठा भाग आहे.

चालणे आणि विचार करणे या वेगळ्या समस्या आहेत

हालचालीतील टेस्लाची दिसणारी प्रगती खरी आहे. संतुलन, चालण्याची पद्धत आणि समन्वित हालचाल या अभियांत्रिकी आव्हाने आहेत, ज्यांचे यशाचे निकष बऱ्यापैकी स्पष्ट असतात: यंत्र सरळ उभे राहून सांगितलेल्या ठिकाणी जाते, किंवा जात नाही. जनरलायझेशन ही वेगळ्या प्रकारची समस्या आहे. ती प्रश्न संपवणारा एकच निकष नाही, आणि सुधारणा बऱ्याचदा एकाच झटक्यात न होता क्षमतेचा संचय म्हणून हळूहळू दिसते.

एका प्रकारच्या बिनमधून एका प्रकारचा घटक उचलण्यास प्रशिक्षित रोबोट ती क्रिया हजारो वेळा निर्दोष करू शकतो. वेगळ्या आकाराची वस्तू वेगळ्या प्रकाशात ठेवा, तर तीच प्रणाली माणसाला क्षुल्लक वाटणाऱ्या पद्धतीने अपयशी ठरू शकते. अहवालात याच अंतराला सध्याची फ्लीटची स्थिती म्हटले आहे.

जनरलायझेशन इतके कठीण का आहे

मानवी वातावरणाची व्याख्या विविधतेने होते. प्रकाश बदलतो, पृष्ठभाग बदलतात, वस्तू अनपेक्षित कोनात असतात, आणि सूचना संदिग्ध भाषेत येतात. एका विशिष्ट सेटिंगसाठी घट्ट जुळवलेली प्रणाली प्रत्येक फरकाकडे माहितीऐवजी गोंगाट म्हणून पाहते. हे अंतर भरून काढण्यासाठी सामान्यतः व्यापक प्रशिक्षण डेटा, मजबूत आकलन आणि एका कामातून दुसऱ्या कामात ज्ञान हस्तांतरित करणारी मॉडेल्स लागतात, प्रत्येक वेळी सुरुवात करणारी नव्हे.

या गरजा केवळ उत्पादन प्रमाणाने सोडवल्या जात नाहीत. त्या सॉफ्टवेअर आणि डेटाच्या समस्या आहेत, आणि त्या स्वतःच्या वेळापत्रकानुसार पुढे सरकतात.

उत्पादनात आघाडी, पण बुद्धिमत्तेत नाही

अहवालातील मुख्य तणाव दोन घड्याळांमधील विसंगतीत आहे. हार्डवेअरची पुनरावृत्ती टूलिंग, पुरवठादार, मजला जागा आणि अतिरिक्त शिफ्ट्सने वेगवान करता येते. जनरलायझ करणारे सॉफ्टवेअर डेटाच्या विविधतेने, मॉडेल आर्किटेक्चरने आणि कॉम्प्युटने सुधारते, आणि ते नेहमी अधिक भांडवल किंवा अधिक कामाच्या तासांना प्रतिसाद देत नाही. टेस्लाने एक घड्याळ वेगवान केले आहे, तर दुसरे स्वतःचा वेळ चालवत आहे.

आणखी एक सूक्ष्म मुद्दा आहे. आठवड्याला शेकडो रोबोट बनवणे म्हणजे क्षमतेतील अंतर भरण्यासाठी लागणारा डेटा आपोआप तयार होतो असे नाही. जर ती फ्लीट त्याच सुविधेत त्याच मर्यादित कामांचा संच करत असेल, तर ती मोठ्या प्रमाणात अत्यंत पुनरावृत्तीची माहिती निर्माण करते आणि जनरलायझेशनसाठी महत्त्वाची ठरू शकणारी विविधता तुलनेने कमी देते.

मग ही वाढ महत्त्वाची का आहे

जनरलायझेशनची समस्या पाहून उत्पादनाचा टप्पा दुर्लक्षित करणे सोपे आहे. पण अशा वाचनात ही वाढ प्रत्यक्षात काय देते हे दुर्लक्षित होते:

• मोठ्या प्रमाणात हार्डवेअर फीडबॅक. प्रोटोटाइपमध्ये एकदाच दिसणारे दोष शेकडो युनिट्समध्ये पॅटर्न म्हणून दिसतात, ज्यामुळे डिझाइनमधील त्रुटी ओळखणे आणि दुरुस्त करणे सोपे होते.
• खर्च शिकण्याचे वक्र. जास्त प्रमाण पुरवठादार, टूलिंग आणि असेंब्ली प्रक्रियांना खर्च वक्रावर खाली ढकलते, जे कोणत्याही भावी व्यावसायिक प्रकरणासाठी महत्त्वाचे आहे.
• चाचणी फ्लीट. दर आठवड्याला शेकडो नवीन यंत्रे अशी लोकसंख्या तयार करतात की सॉफ्टवेअर अपडेट्स मोजक्याऐवजी अनेक युनिट्सवर तपासता येतात.
• तैनातीचा अनुभव. रोबोट प्रयोगशाळेबाहेर कामाच्या वातावरणात नेल्यावर देखभाल, चार्जिंग, सुरक्षा, अपटाइम यांसारख्या कार्यात्मक समस्या समोर येतात, ज्या कोणतेही सिम्युलेशन पूर्णपणे टिपत नाही.

हा वेग टिकला तर यातील प्रत्येक फायदा चक्रवाढ होतो. वार्षिक आधारावर, आठवड्याला काहीशे युनिट्सचा दर म्हणजे दहा हजारांपेक्षा जास्त यंत्रांचे उत्पादन — इतका प्रमाण कोणताही ह्युमनॉइड कार्यक्रम यापूर्वी जवळपासही आला नाही.

ही युनिट्स कुठे जातात

जमा होणारी ही फ्लीट शेवटी कुठे तैनात होईल, हे अहवालात निश्चित होत नाही. हा प्रश्न महत्त्वाचा आहे, कारण ऑप्टिमस युनिटचे मूल्य मोठ्या प्रमाणात तिच्यावर कोणते काम विश्वासाने सोपवता येते यावर अवलंबून असते. मर्यादित, आधीच नकाशा केलेल्या कामांपुरता मर्यादित रोबोट संरचित वातावरणात उपयुक्त ठरू शकतो, पण त्याचे अर्थशास्त्र पारंपरिक ऑटोमेशनच्या खूप जवळ दिसते, ह्युमनॉइड्सबद्दल रस निर्माण करणाऱ्या सर्वसाधारण श्रमाच्या नव्हे.

जनरलायझेशन पोहोचाबाहेर राहिल्यास, अल्पकालीन मार्ग बहुधा अधिकाधिक संरचित वातावरणातून जाईल: निश्चित स्टेशन्स, माहीत असलेले भाग, नियंत्रित प्रकाश आणि जवळपास मानवी देखरेख. हा एक वैध व्यवसाय आहे, पण क्षेत्राला प्रेरित करणाऱ्या दृष्टीपेक्षा लहान.

पुढे काय पाहावे

पुढे दोन मेट्रिक्सकडे लक्ष देण्यासारखे आहे, आणि ते वेगवेगळ्या दिशांना खेचतात. पहिले म्हणजे वेग — आठवड्याला काहीशे युनिट्स हा किमान स्तर बनतो की तो तात्पुरती वाढ ठरते. दुसरे म्हणजे कामांचा संचय, जो बाहेरून मोजणे कितीतरी अवघड आहे.

लक्ष ठेवण्यासारखे संकेत म्हणजे टेस्ला ऑप्टिमसच्या तैनातीचे वर्णन प्रात्यक्षिकांऐवजी विशिष्ट कामांच्या संदर्भात करू लागते का, रोबोट कंपनीच्या पूर्ण नियंत्रणात नसलेल्या वातावरणात दिसतात का, आणि सॉफ्टवेअर अपडेट्स प्रत्येक नवीन कामासाठी पुन्हा प्रशिक्षण न देता एका युनिटची क्षमता अर्थपूर्णपणे वाढवतात का.

टेस्लाने आता ह्युमनॉइड रोबोट मोठ्या प्रमाणात बनवू शकते हे दाखवले आहे. पण त्याहून कठीण प्रश्न — हे रोबोट ज्यासाठी विशेष तयारी केली नव्हती असे काम हाताळायला शिकू शकतात का — अजून खुला आहे, आणि त्याचे उत्तर कोणतीही उत्पादन मार्ग देत नाही.

हा लेख Electrek च्या अहवालावर आधारित आहे. मूळ लेख वाचा.