Xiaomi म्हणते, रोबोट प्रशिक्षणात मॉडेल आकारापेक्षा डेटा अधिक परिणामकारक आहे

रोबोट मॉडेल वाढवण्यापूर्वी रोबोट डेटा वाढवण्याची Xiaomi ची बाजू

Xiaomi ने Xiaomi-Robotics-1 नावाचे नवीन robotics model जारी केले आहे, जे पुढील पिढीच्या robot systems चे प्रशिक्षण कसे घ्यावे यावर प्रभाव टाकू शकणाऱ्या एका दाव्यावर आधारलेले आहे: वास्तविक जगात वस्तू हाताळणाऱ्या यंत्रांसाठी, मोठ्या मॉडेलपेक्षा जास्त data अधिक महत्त्वाचा असू शकतो.

हा निष्कर्ष large language models मध्ये दिसणाऱ्या परिचित नमुन्याची आठवण करून देतो, जिथे training data आणि compute वाढले की performance अनेकदा सुधारतो. पण robotics मध्ये वेगळा bottleneck आहे. text models सार्वजनिक internet वरून प्रचंड डेटा घेऊ शकतात. robot models तसे करू शकत नाहीत. grasping, lifting, placing, unfamiliar spaces ला adapt होणे यासाठी उपयुक्त data गोळा करणे खूप कठीण, label करणे अधिक खर्चिक, आणि सामान्यतः narrow hardware setups शी बांधलेले असते.

Xiaomi ची पद्धत उल्लेखनीय आहे, कारण ती प्रामुख्याने महागड्या physical robot fleets वर अवलंबून न राहता हा bottleneck मोडण्याचा प्रयत्न करते. त्याऐवजी, company ने camera बसवलेल्या portable handheld grippers वापरून pretraining data चा मोठा भाग गोळा केल्याचे सांगितले आहे. लोकांनी ती साधने थेट हाताने वास्तविक वातावरणात वापरली, ज्यातून kitchens, offices, stores, factory floors, outdoor settings अशा ठिकाणांमधील manipulation tasks capture करण्यात आले.

परिणामी, १,७०० हून अधिक वेगवेगळ्या environments मधून गोळा केलेले १,००,००० तासांहून अधिक motion recordings असलेले dataset तयार झाले, असे कंपनीचे म्हणणे आहे. हा scale महत्त्वाचा आहे, कारण robot learning systems अनेकदा मर्यादित collection runs मध्ये दिसलेल्या layouts, objects, routines पलीकडे generalize करण्यात अडखळतात. सुरुवातीच्या data-gathering टप्प्यात full robot platforms ऐवजी handheld equipment वापरून, Xiaomi अधिक व्यापक अनुभव जलद आणि कमी खर्चात गोळा करू शकतो असा दावा करत आहे.

रोबोटिक्सच्या data shortage साठी वेगळे उत्तर

robot manipulation data गोळा करण्याची पारंपरिक पद्धत धीमी आहे. एक व्यक्ती दूरस्थपणे robot ला task-by-task हालचालींनी चालवतो, ज्यातून त्या machine च्या sensor, joints, grippers साठी अनुकूल demonstrations तयार होतात. ही पद्धत चालू शकते, पण ती सहज scale होत नाही, आणि अनेकदा समान वातावरणांमधून पुनरावृत्ती झालेली sample देते.

Xiaomi चे handheld setup ही मर्यादा टाळण्यासाठी आहे. व्यक्ती gripper वेगवेगळ्या जागांमध्ये घेऊन जाऊन थेट वापरू शकतो, त्यामुळे company अशा अनेक settings मधून उदाहरणे गोळा करू शकते जिथे robot fleet साधारणपणे पोहोचू शकत नाही. पण यामुळे transfer समस्या पूर्णपणे संपत नाही. handheld gripper हे wheeled robot किंवा dual-arm system सारखे नसते. human-operated tool मध्ये नोंदवलेले motion patterns actual robots च्या physical constraints आणि control systems शी कसे जुळतात हे model ला तरीही शिकावे लागते.

पुढील टप्प्यांत wheeled platforms आणि dual-arm systems सह physical robots वर pretrained system transfer करून ही समस्या सोडवली, असे Xiaomi सांगते. post-training साठी, कंपनीने स्वतःच्या real apartment recordings सोबत open-source robot datasets आणि annotated UMI data एकत्र केले. यातून एक layered pipeline दिसते: manipulation experience व्यापकपणे आणि स्वस्तात गोळा करा, scale वर label करा, आणि मग तो डेटा प्रत्यक्ष काम करणाऱ्या hardware शी जुळवून घ्या.

हे व्यापक robotics sector साठी महत्त्वाचे ठरू शकते, कारण हा field दीर्घकाळ एका अस्वस्थ विसंगतीशी झुंजत आहे. संशोधकांना general-purpose robot behavior हवे आहे, पण त्यासाठीची data infrastructure अनेकदा स्थानिक, custom, आणि खर्चिकच राहिली आहे. Xiaomi प्रत्यक्षात असा युक्तिवाद करत आहे की robot AI हे classical robotics engineering पेक्षा foundation-model development प्रमाणे अधिक पुढे जाऊ शकते, जिथे pretraining corpora ची quality, size, diversity ही धोरणात्मक संपत्ती बनते.

स्वयंचलित labeling मोठ्या प्रमाणावर collection शक्य करते

१,००,००० तासांचा manipulation data गोळा करणे हे केवळ अर्धे काम आहे. त्या recordings ना model शिकू शकेल अशी वर्णनेही हवीत. इतक्या मोठ्या प्रमाणावर manual labeling व्यावहारिक नव्हते, असे Xiaomi सांगते, म्हणून प्रत्येक motion segment साठी text descriptions तयार करण्यासाठी आणखी एका AI system चा वापर केला. कंपनीच्या म्हणण्यानुसार संपूर्ण dataset सुमारे दोन आठवड्यांत label करण्यात आला.

हा टप्पा महत्त्वाचा आहे, कारण spoken किंवा written instructions पाळणाऱ्या robot models साठी motion आणि language मध्ये दुवा हवा असतो. labeling quality पुरेशी उच्च असेल तर model textual goals ला physical actions आणि scene changes शी जोडू शकतो. labels कमकुवत किंवा विसंगत असतील तर scale alone performance वाचवू शकणार नाही. Xiaomi ने दिलेला timeline सूचित करतो की robotics मध्ये automated annotation आता फक्त सोय राहिलेली नसून, व्यापक generalization ला आधार देईल इतके मोठे datasets तयार करण्यासाठी आवश्यक पूर्वअट बनत आहे.

मॉडेल स्वतः अपरिचित वातावरणात पूर्वानुभवाशिवाय spoken किंवा written commands follow करण्यासाठी आणि कमी अतिरिक्त प्रशिक्षणाने नवीन tasks शी जुळवून घेण्यासाठी डिझाइन केलेले आहे. हे महत्त्वाकांक्षी उद्दिष्ट आहे, पण हे उद्योगातील व्यापक प्रयत्नांशी जुळते: task-specific robot policies पासून पुढे जाऊन अशा systems कडे, जे settings आणि instructions across ज्ञान transfer करू शकतील.

एका model release पेक्षा Xiaomi चा निष्कर्ष का अधिक महत्त्वाचा आहे

Xiaomi च्या चाचण्यांमध्ये, model size वाढवल्याने performance सुधारला, पण training data वाढवल्याने खूप मोठा फायदा झाला. हीच मुख्य takeaway आहे. हे Xiaomi च्या internal evaluation च्या पलीकडेही टिकले, तर better robot manipulation चा सर्वात जलद मार्ग ever-larger architectures एवढाच नाही असे सूचित होईल. तो richer, more varied physical experience गोळा करून त्याला scale वर language शी जोडण्याची क्षमता देखील असू शकतो.

याचे व्यावहारिक परिणाम कंपन्या capital कसे वाटतात यावर होतात. मोठी मॉडेल अधिक compute मागतात, पण मोठी आणि अधिक वैविध्यपूर्ण datasets साठी collection systems, annotation pipelines, storage, curation, transfer methods लागतात, जे messy real-world variation हाताळू शकतील. ही operational problems सोडवणारी कंपनी model scaling alone ने replicate करणे कठीण असा फायदा मिळवू शकते.

हे robotics मधील एका मुख्य प्रश्नाला नव्याने मांडते: मॉडेल किती intelligent आहे यापेक्षा, त्याने भौतिक जगाचा किती भाग प्रत्यक्ष पाहिला आहे हे महत्त्वाचे. language models साठी इंटरनेटने ती रुंदी दिली. robots साठी तसा तयार corpus नाही. Xiaomi चे काम सूचित करते की त्या corpus ची निर्मिती उद्योगाला नव्या tools आणि workflows द्वारे स्वतःच करावी लागेल, तो आपोआप येण्याची वाट पाहून चालणार नाही.

अजूनही काही उघडे प्रश्न आहेत. दिलेल्या सामग्रीमध्ये independent benchmarking details, deployment results, किंवा विशिष्ट tasks वरील failure rates नाहीत. वेगवेगळ्या robot forms मध्ये transfer केल्यावर model performance किती टिकतो हेही दाखवलेले नाही. पण या मर्यादा असूनही, हे release विशेष आहे कारण ते headline model size वरून data generation या कमी चमकदार समस्येकडे लक्ष वळवते.

घरे, कार्यस्थळे, आणि सार्वजनिक जागांमध्ये काम करू शकणारी यंत्रे बनवण्यास उत्सुक असलेल्या उद्योगासाठी, हा अधिक निर्णायक बदल असू शकतो. Xiaomi फक्त एक robot model सादर करत नाही. ते robot AI मधील पुढची प्रगती कुठून येऊ शकते याबद्दल एक मुद्दा मांडत आहे: physical world सोबत व्यापक संपर्क, इतक्या प्रमाणात आणि वैविध्यात नोंदवलेला की robots आधुनिक AI च्या जवळच्या scale वर अनुभवातून शिकू लागतील.

हा लेख The Decoder च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.