मेटा फक्त एक लहान टीम नाही, तर क्षमता विकत घेत आहे
मेटाने humanoid robotics startup Assured Robot Intelligence, म्हणजेच ARI, चे अधिग्रहण केले आहे. या पावलामुळे कंपनीच्या AI युनिट Superintelligence Labs मधील robotics महत्त्वाकांक्षा अधिक मजबूत होतात. कंपनीने ARI ला robotic intelligence च्या अग्रभागी काम करणारी संस्था म्हणून वर्णन केले, ज्याचा भर रोबोटांना गुंतागुंतीच्या, गतिमान वातावरणात मानवी वर्तन समजून घेणे, भाकीत करणे आणि त्यानुसार जुळवून घेणे यावर आहे.
वरकरणी हा सौदा परिचित talent-and-technology acquisition सारखा वाटतो. ARI ने AIX Ventures कडून seed round उभारली होती आणि घरकामांसारख्या शारीरिक श्रमासाठी humanoid robots साठी foundation models तयार करत होती. संस्थापक Xiaolong Wang आणि Lerrel Pinto हे Nvidia, UC San Diego, NYU आणि पूर्वीच्या robotics ventures शी जोडलेल्या पार्श्वभूमीमुळे विशेष संशोधन ताकद घेऊन येतात. मेटानुसार, ही टीम robot control, self-learning आणि whole-body humanoid control साठी models आणि frontier capabilities डिझाइन करण्यात मदत करेल.
पण मोठा संकेत रणनीतिक आहे. मेटा फक्त आणखी एका जवळच्या उत्पादन क्षेत्रात विस्तार करत नाही. model capability मधील पुढच्या मोठ्या झेपेसाठी physical world मध्ये शिकणे आवश्यक ठरू शकते, या AI संशोधनातील वाढत्या दृष्टिकोनाशी ती स्वतःला जोडत आहे.
Embodied AI आता का महत्त्वाची आहे
सध्याची frontier models text, images, audio, video अशा digital data वर मोठ्या प्रमाणात प्रशिक्षित केली जातात. या पद्धतीने आश्चर्यकारक निकाल दिले आहेत, पण तिच्या मर्यादाही आहेत. physical competence, common-sense interaction आणि real-world adaptation या गोष्टी screen-based training corpora मध्ये पूर्णपणे पकडल्या जात नाहीत. Humanoid robots कृती, अभिप्राय आणि वातावरण यांना training signals मध्ये रूपांतरित करून या दरीचा काही भाग भरून काढू शकतात.
TechCrunch च्या वार्तांकनानुसार, अनेक AI तज्ज्ञ आता मानतात की artificial general intelligence कडे जाणारी प्रगती physical-world learning वर अवलंबून असू शकते. तो नेमका milestone योग्य चौकट आहे की नाही, हा वेगळा मुद्दा; व्यावसायिक तर्क स्पष्ट आहे. घरे, कामाची ठिकाणे किंवा गोदामांमध्ये काम करू शकणाऱ्या रोबोटांना uncertainty मध्ये generalize करू शकणारी, मानवी वर्तन हाताळू शकणारी आणि जगाशी संपर्कातून सतत शिकू शकणारी models लागतात.
ARI ने नेमके याच क्षेत्राला लक्ष्य केले होते. जर मेटाला फक्त संभाषणात्मक किंवा multimodal assistants नव्हे, तर कृती करू शकणारी systems तयार करायची असतील, तर robotics हे side project न राहता training ground बनते. ते अधिक सक्षम AI साठी प्रशिक्षणाचे मैदान ठरते.
