சிறிய அறிவிப்பு, ஆனால் robotics-க்கு பெரிய தாக்கம்
Spot-ஐ மேலும் புத்திசாலியாக்க Google DeepMind-இன் Gemini-யை பயன்படுத்துகிறோம் என்று Boston Dynamics கூறுகிறது; இந்த model, AIVI-Learning-க்கு சிறந்த reasoning மற்றும் adaptability-ஐ கொண்டுவரும் வழியாக நிறுவனம் விவரிக்கிறது. வழங்கப்பட்ட மூல உரை சுருக்கமாக இருந்தாலும், மூலோபாய திசை தெளிவாக உள்ளது. மிகவும் பரிச்சயமான robotics நிறுவனங்களில் ஒன்று, இப்போது இயக்கம் மற்றும் கட்டுப்பாட்டைத் தாண்டி, சூழ்நிலைகளை அதிக நெகிழ்வாகப் புரிந்துகொள்ளும் systems-ஐ நோக்கி நகர்கிறது.
இது முக்கியமானது, ஏனெனில் robotics நீண்ட காலமாக கட்டமைக்கப்பட்ட பணிகளில் சிறப்பாக செயல்பட்டு வந்தாலும், குழப்பமான சூழல்களில் தடுமாறி வந்துள்ளது. சூழல் முன்கூட்டியே கணிக்கக்கூடியதாக இருந்தால், விதிகள் நிலைத்திருந்தால், மற்றும் சாத்தியமான செயல்களின் வரம்பு குறுகியதாக இருந்தால் robots மிகவும் நம்பகமாக இருக்க முடியும். ஆனால் சூழ்நிலைகள் மாறும்போது, அறிவுறுத்தல்கள் தெளிவற்றதாக மாறும்போது, அல்லது ஒரு machine கடுமையாக எழுதப்பட்ட வரிசையைப் பின்பற்றாமல் அடுத்ததாக என்ன செய்ய வேண்டும் என்று தீர்மானிக்க வேண்டியபோது சவால் தொடங்குகிறது. அதனால் இச்சூழலில் “reasoning” மற்றும் “adaptability” வெறும் marketing கூடுதல்கள் அல்ல. அவை இந்தத் துறையின் மிகக் கடினமான, இன்னும் தீர்க்கப்படாத engineering பிரச்சினைகளில் ஒன்றைக் குறிக்கின்றன.
இந்த மாற்றத்துக்கு Spot மிகச் சிறந்த platform ஆகும். இந்த quadruped robot, மனிதர்களுக்கு கடினமான அல்லது ஆபத்தான இடங்களில் நகர்வதுடன் ஏற்கனவே தொடர்புடையது; அதன் மதிப்பு நன்றாக நடப்பதிலேயே அல்ல, அது என்ன பார்க்கிறது மற்றும் எப்படி பதிலளிக்க வேண்டும் என்பதைக் grasp செய்வதிலும் உள்ளது. Boston Dynamics கூறுவது போல Gemini, AIVI-Learning-ஐ மேம்படுத்தினால், அந்த முன்னேற்றம் இயற்கையான மொழி தொடர்புகளுக்கு மட்டும் கட்டுப்படாது. அது நிஜ உலக சூழல்களில் robotic நடத்தை குறைவாக brittle ஆக மாற்றுவது பற்றியது ஆகும்.
நடைமுறையில் “reasoning” என்றால் என்ன
Robotics-இல் better reasoning என்பது மனிதர்களைப் போல abstract intelligence-ஐ அவசியமாகக் குறிக்க வேண்டியதில்லை. அது பெரும்பாலும் perception-ஐ action-உடன் அதிக திறனுடன் இணைப்பதைக் குறிக்கலாம். ஒரு robot, ஒரு காட்சியைப் புரிந்துகொள்ள, என்ன முக்கியம் என்பதை ஊகிக்க, போட்டியிடும் பணிகளுக்குள் தேர்வு செய்ய, மற்றும் சூழல் மாறும்போது தன்னைச் சரிசெய்ய வேண்டியிருக்கலாம். இந்த சங்கிலியில் சிறிய முன்னேற்றங்கள்கூட ஒரு system-ஐ மிகவும் பயனுள்ளதாக மாற்ற முடியும், ஏனெனில் அவை தொடர்ந்து மனித மேற்பார்வை மற்றும் முன்கூட்டியே நிரலிடப்பட்ட contingency-களின் தேவையை குறைக்கின்றன.
Adaptability-யும் அதே அளவு நடைமுறைபூர்வமானது. கவனமாகத் தயாரிக்கப்பட்ட சூழல்களில் மட்டும் வேலை செய்யும் ஒரு robot-க்கு வர்த்தக ரீதியான பரப்பு குறைவாக இருக்கும். layout, lighting, obstacles, அல்லது instructions-இல் ஏற்படும் மாறுபாடுகளை சமாளிக்கக்கூடிய ஒரு robot, மேலும் demanding industrial மற்றும் field deployments-க்குள் செல்ல முடியும். அதனால்தான் இங்கே விவரிக்கப்பட்ட pairing கவனிக்கத் தகுந்தது. Boston Dynamics hardware, movement, மற்றும் deployment அனுபவத்தைக் கொண்டுவருகிறது. Gemini, interpretation மற்றும் decision-making-ஐ மேம்படுத்தும் ஒரு layer ஆக நிலைநிறுத்தப்படுகிறது.
அறிவிப்பில் AIVI-Learning-ன் முக்கியத்துவம், இன்னும் ஒரு பெரிய trend-ஐப் பற்றிய குறிப்பையும் தருகிறது. Robotics நிறுவனங்களுக்கு இப்போது systems தேவை, அவை வெறும் execution மட்டும் அல்லாமல், learning மற்றும் generalization-ஐயும் செய்ய வேண்டும். Traditional automation இன்னும் வலுவானது, ஆனால் அது பெரும்பாலும் மிகுந்த சிரத்தையுடன் செய்யப்பட்ட setup-ஐ சார்ந்திருக்கிறது. AI-assisted approaches setup நேரத்தை குறைத்து, ஒரு scenario-இல் இருந்து இன்னொரு scenario-க்கு பயனுள்ள நடத்தையை robots எடுத்துச் செல்ல உதவுவதை நோக்கமாகக் கொண்டுள்ளன. அது தான் promise, குறைந்தபட்சம், மேலும் அந்த promise-ஐ industry இன்னும் முழுமையாக நிறைவேற்றவில்லை.
இந்த partnership field-இன் திசையுடன் ஏன் பொருந்துகிறது
Robotics sector, physical systems மற்றும் பெரிய AI models இடையே tighter integration-ஐ நோக்கி நகர்கிறது. அதன் appeal புரிந்துகொள்வது எளிது. Foundation models, language, images, மற்றும் pattern recognition-ஐ பரவலான அளவில் கையாள முடியும் என்பதை காட்டியுள்ளன. இதற்கிடையில், physical robots அந்த broad competence-ஐ reliable action-ஆக மாற்றுவதற்கான சிறந்த வழிகளை இன்னும் தேவைப்படுகின்றன. இரண்டையும் ஒன்றாகக் கொண்டுவருவது அடுத்த தெளிவான படியாகும், understanding மற்றும் execution இடையேயான technical gap இன்னும் பெரியதாக இருந்தாலும் கூட.
Boston Dynamics ஆரம்பத்திலிருந்து தொடங்கவில்லை. அதன் robots ஏற்கனவே திறமையான இயக்கமும் நுட்பமான autonomy demonstrations-உம் கொண்டவை. ஆனால் mobility மட்டும் ஒரு machine-ஐ general-purpose machine-ஆக் மாற்றாது. பயனுள்ள autonomy-க்கு goals, context, மற்றும் exceptions குறித்து judgment தேவை. அதனால், reasoning மற்றும் adaptability-ஐ மேம்படுத்தும் என்று கூறப்படும் model, நிஜமான operational constraints-இல் நன்றாக செயல்பட்டால், அது மிகப் பெரிய தாக்கத்தை ஏற்படுத்த முடியும்.
ஆனால் constraint பக்கத்தை புறக்கணிக்கக் கூடாது. Physical systems, software products-க்கு அவ்வளவாக தேவையில்லாத அளவுக்கு robustness-ஐ கோருகின்றன. ஒரு chatbot-க்கு தவறான பதிலுக்காக மன்னிப்பு கிடைக்கலாம். ஆனால் மக்கள், உபகரணங்கள், அல்லது சமமற்ற நிலப்பரப்பின் அருகில் இயங்கும் ஒரு robot-க்கு சூழ்நிலையை தவறாகப் புரிந்துகொண்டதற்காக அவ்வளவு எளிதில் மன்னிப்பு கிடைக்காது. அதனால்தான் AI-enabled robotics-இல் வரும் ஒவ்வொரு முன்னேற்றமும் novelty-யால் மட்டும் அல்ல, consistency, safety, மற்றும் விஷயங்கள் தவறாகச் செல்லும் போது recover செய்யும் திறனாலும் மதிப்பிடப்பட வேண்டும்.
அடுத்ததாக கவனிக்க வேண்டியது
இப்போது முக்கியமான கேள்வி AI models robots-இணையுமா என்பதல்ல. அது ஏற்கனவே துறையெங்கும் நடந்து கொண்டிருக்கிறது. உண்மையான கேள்வி, அந்த integration எவ்வளவு நடைமுறை திறனைச் சேர்க்கிறது என்பதுதான். Gemini, AIVI-Learning மூலம் Spot-இன் reasoning மற்றும் adaptability-ஐ மேம்படுத்தும் என்று Boston Dynamics கூறுகிறது. அடுத்த proof point என்னவென்றால், இந்த முன்னேற்றங்கள் demos-க்கு வெளியே முக்கியமான பணிகளில் தெரியுமா என்பது: inspection, navigation, operator interaction, மற்றும் மாறும் சூழல்களில் operation.
அவை நடந்தால், இந்த அறிவிப்பு robotics-இல் ஒரு பெரிய திருப்புமுனையின் பகுதியாகத் தோன்றும். அவை நடக்கவில்லை என்றாலும், better perception மற்றும் better language மட்டும் போதாது என்ற industry consensus-ஐ அது காட்டும். Robots-க்கு loop-இல் stronger decision-making தேவை. எப்படியிருந்தாலும், Gemini-யைத் தேர்ந்தெடுத்தது, போட்டி அழுத்தம் எங்கே உருவாகிறது என்பதை வெளிப்படுத்துகிறது: impressively நகரும் machines-ஐ உருவாக்குவதில் மட்டும் அல்ல, movement உண்மையில் என்ன தேவை என்பதை மேலும் திறம்பட தீர்மானிக்கக்கூடிய machines-ஐ உருவாக்குவதில் கூட.
அதுவே modern robotics வெல்லவோ தோற்கவோ வாய்ப்புள்ள கடினமான நடுக்கட்டம். Hardware capability ஒரு robot-ஐ அறைக்குள் கொண்டு சேர்க்கிறது. Reasoning மற்றும் adaptability, அது அங்கு சென்ற பிறகு ஏதாவது மதிப்புள்ளதைச் செய்ய முடியுமா என்பதைத் தீர்மானிக்கின்றன.
இந்த கட்டுரை The Robot Report-இன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. மூல கட்டுரையைப் படியுங்கள்.
