रोबोटिक्सचा बूम हा प्रत्यक्षात शिकण्याच्या पद्धतींची कहाणी आहे
ह्युमनॉइड रोबोटिक्स पुन्हा गंभीर भांडवल आकर्षित करत आहे, पण इथला सर्वात महत्त्वाचा बदल सौंदर्यवादी महत्त्वाकांक्षा किंवा विज्ञानकथा-मार्केटिंग नाही. तो पद्धतशीर आहे. उत्साहाची ही नवी लाट रोबोट्सना जगात काम करण्यासाठी कसे शिकवले जाते यामधील बदलानंतर आली आहे, आणि तो बदल दीर्घकाळ चाललेल्या आकांक्षेला अधिक गुंतवणूकयोग्य क्षेत्रात रूपांतरित करण्यात मदत करत आहे.
स्रोत सामग्रीनुसार, कंपन्या आणि गुंतवणूकदारांनी 2025 मध्ये ह्युमनॉइड रोबोट्समध्ये $6.1 अब्ज गुंतवले, जे 2024 मधील रकमेच्या चार पट आहे. स्वतःमध्ये ही एक लक्षवेधी संख्या आहे. पण या वाढीचे अधिक मजबूत स्पष्टीकरण लेख ज्या मुद्द्यावर भर देतो तेच आहे: रोबोटिक्स आता प्रामुख्याने मेहनतीने हाताने कोड केलेल्या नियमांवर अवलंबून राहण्यापासून दूर जाऊन, गोंधळलेल्या वास्तव जगातील वातावरणांसाठी अधिक योग्य असलेल्या शिकण्याच्या रूपांकडे सरकला आहे.
जुना दृष्टिकोन मर्यादांना का भिडला
वर्षानुवर्षे, रोबोटिक्सने सैद्धांतिकदृष्ट्या मोठी उद्दिष्टे ठेवली, पण प्रत्यक्षात त्याची व्याप्ती मर्यादित राहिली. संशोधकांना बदलत्या वातावरणातून फिरू शकणारी, लोकांशी सुरक्षितपणे संवाद साधू शकणारी, जुळवून घेणारी आणि उपयुक्त यंत्रे हवी होती. पण क्षेत्राचे प्रत्यक्ष उत्पादन मोठ्या प्रमाणात विशेषीकृत आणि मर्यादितच राहिले. विज्ञानकथांच्या महत्त्वाकांक्षा आणि औद्योगिक हात तसेच घरगुती रोबोट्स यांच्यातील वास्तव यांमधील विसंगती लेखात ठळकपणे दिसते.
रोबोटिक्सच्या जुन्या कारागिरीत अभियंत्यांनी शक्यता आधीच ओळखून त्या स्पष्टपणे कोड कराव्या लागत असत. उदाहरणार्थ, रोबोटला कपडे घडी करायचे असतील, तर कॉलर ओळखणे, बाही शोधणे, फिरण्याप्रमाणे समायोजन करणे, वळणे दुरुस्त करणे आणि विकृती नियंत्रित करणे यासाठी नियम ठरवण्याचा प्रयत्न करावा लागे. हे काटेकोर मर्यादित कामांसाठी चालू शकते, पण वातावरण अधिक बदलत गेले की नियमांची संख्या झपाट्याने वाढते.
या दृष्टिकोनातून संरचित सेटिंग्जमध्ये विश्वासार्ह प्रणाली तयार झाल्या, पण त्या सर्वसाधारण करण्यास कमी पडल्या. रोबोटला जितका अधिक अनिश्चित वस्तू, बदलती स्थिती आणि अपूर्ण माहिती हाताळावी लागे, तितक्या हाताने तयार केलेल्या सूचनापद्धती नाजूक होत जात.
शिकण्याकडे वळण
लेख 2015 च्या आसपासच्या एका वळणाकडे निर्देश करतो, जेव्हा प्रगत रोबोटिक्स सिम्युलेटेड प्रशिक्षण आणि ट्रायल-आणि-एरर सुधारणा यांकडे अधिक झुकू लागले. प्रत्येक सूचना हाताने लिहिण्याऐवजी, संशोधक डिजिटल वातावरण तयार करू शकत, यशासाठी बक्षीस सिग्नल ठरवू शकत आणि पुनःपुन्हा प्रयत्नांद्वारे प्रणाली सुधारू देऊ शकत. हे संकल्पनात्मकदृष्ट्या काही जुन्या AI प्रणालींनी खेळ शिकण्यासारखे आहे.
हा बदल महत्त्वाचा होता, कारण त्याने श्रम कुठे जातात ते बदलले. प्रत्यक्ष जगातील प्रत्येक शक्य केसची यादी करण्याचा प्रयत्न करण्याऐवजी, अभियंते उपयुक्त वर्तन अनुभवातून शिकू शकणारी वातावरणे, उद्दिष्टे, आणि मॉडेल्स डिझाइन करण्यावर लक्ष केंद्रित करू शकले. याने अडचण संपली नाही. वास्तवातील रोबोटिक्स अजूनही कठोर आहे. पण त्याने हे क्षेत्र व्यापक मशीन-लर्निंग क्रांतीशी अधिक सुसंगत केले.
पुढचा वेग 2022 नंतर आला, जेव्हा मोठ्या भाषा मॉडेल्सनी दाखवले की मोठ्या डेटासेटवर प्रशिक्षित प्रणाली शक्तिशाली भविष्यवेत्ता बनू शकतात. स्रोत म्हणतो, रोबोटिक्ससाठी रूपांतरित संबंधित मॉडेल्स प्रतिमा, सेन्सर रीडिंग्ज, आणि जॉइंट पोझिशन्स घेऊन रोबोटने पुढे काय करावे याचा अंदाज लावू शकतात. हे नियमाधारित प्रोग्रामिंग आणि शुद्ध ट्रायल-आणि-एरर लूप्स या दोन्हींपेक्षा एक महत्त्वाची प्रगती आहे.
गुंतवणूकदार आता का रस घेत आहेत
भांडवल सामान्यतः कथानक नाही, तर क्षमतेतील बदलांचा पाठपुरावा करते. लेख सुचवतो की गुंतवणूकदार आता असा विश्वास धरून प्रतिसाद देत आहेत की रोबोट्स भौतिक वातावरणातील अनिश्चिततेशी अधिक जुळणाऱ्या पद्धतींनी शिकू शकतात. बहुविध इनपुट्स आत्मसात करून पुढील कृतीचा अंदाज लावू शकणारी प्रणाली, प्रत्येक अपवाद आधीच अभियंत्यांनी स्क्रिप्ट करावा लागणाऱ्या प्रणालीपेक्षा व्यवहार्य लवचिकतेच्या अधिक जवळ दिसते.
हे विशेषतः ह्युमनॉइड श्रेणीत महत्त्वाचे आहे. गुंतवणूकदार फक्त ती परिचित दिसतात म्हणून ह्युमनॉइड्सना पाठिंबा देत नाहीत. अधिक सर्वसाधारण शिकण्याच्या पद्धती अखेरीस अधिक सर्वसाधारण यंत्रांना पाठिंबा देऊ शकतील, या शक्यतेवर ते गुंतवणूक करत आहेत.
ही अजूनही एक मांडणी आहे, पूर्ण तथ्य नाही. लेख स्पष्ट करतो की अनेक लोक ज्या यंत्रांची कल्पना करतात ती अजून पूर्णपणे तयार झालेली नाहीत. पण निधीतील वाढ सूचित करते की बाजाराला आकांक्षा आणि अंमलबजावणी यांतील दरी काही वर्षांपूर्वीपेक्षा आता कमी वाटते.
खरी महत्त्वाची गोष्ट
सध्याच्या क्षणाचे खरे महत्त्व हे आहे की रोबोटिक्स आधुनिक AI स्टॅकशी अधिक घट्ट जोडला जात आहे. अंदाजावर चालणारी मॉडेल्स, सिम्युलेशनमध्ये प्रशिक्षित प्रणाली, आणि समृद्ध सेन्सर फ्यूजन रोबोटिक्सला अशा व्यवस्थेकडे ढकलत आहेत जिथे प्रगती पूर्वीपेक्षा जलद प्रमाणात वाढू शकते, विशेषतः बहुतांशी हस्तनिर्मित पद्धतींच्या तुलनेत.
याचा अर्थ असा नाही की ठरावीक वेळापत्रकात व्यापक घरगुती वापर किंवा कामगार परिवर्तन निश्चित आहे. रोबोटिक्सला अजूनही हार्डवेअर खर्च, सुरक्षा, टिकाऊपणा, तैनातीची गुंतागुंत, आणि नियंत्रित वातावरणाबाहेर विश्वासार्ह कार्यप्रदर्शन या आव्हानांना सामोरे जावे लागेल. पण स्रोतामध्ये वर्णन केलेली शिकण्यातील ही झेप क्षेत्राचे केंद्र बदलते.
तसेच उपयुक्ततेबद्दलची चर्चा नव्याने मांडते. आर्थिकदृष्ट्या अर्थपूर्ण होण्यासाठी रोबोटला सुरुवातीला निर्दोष सर्वसाधारण सेवक असण्याची गरज नाही. नवीन शिकण्याच्या पद्धती यंत्रांना कमी नाजूक प्रोग्रामिंगसह विस्तृत कामे हाताळू देत असतील, तर ती टप्प्याटप्प्याने मौल्यवान ठरू शकतात, प्रथम मर्यादित पण कमी कडक वातावरणात, आणि नंतर संभाव्यतः त्यापलीकडे.
नवा अध्याय, संपलेली कथा नाही
2025 मधील रोबोटिक्स बूम अचानक चमत्कारापेक्षा, अनेक वर्षांपासून तयार होत असलेल्या तांत्रिक पुनर्रचनेचा परिणाम वाटतो. हे क्षेत्र प्रत्येक आकस्मिक परिस्थितीची आधीच कल्पना करण्याऐवजी डेटा, सिम्युलेशन, आणि बहुविध संदर्भातून कृतीचे नमुने शिकू शकणाऱ्या प्रणाली तयार करण्याकडे वळले आहे. गुंतवणूकदारांनी हे लक्षात घेतले आहे, आणि $6.1 अब्ज हा आकडा तो बदल अधोरेखित करतो.
हे पैसे टिकाऊ परिणाम देतील की नाही, हे या शिकण्याच्या पद्धती आशादायक प्रात्यक्षिकांपासून विश्वासार्ह भौतिक प्रणालींमध्ये किती चांगल्या प्रकारे रूपांतरित होतात यावर अवलंबून असेल. पण लेख ठोसपणे सांगतो की काही मूलभूत बदलले आहे. रोबोटिक्स आता फक्त चांगले नियम लिहून पुढे जात नाही. मशीनने पुढे काय करायचे ते कसे शिकायचे, हे बदलून ते पुढे जात आहे.
हा लेख MIT Technology Review च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.
