சிமுலேஷன் மட்டும் அல்ல, நிஜ உலகத் தரவு தான் சிறந்த ரோபோட்களைப் பயிற்றுவிக்கும் என Tutor Intelligence நம்புகிறது

ஒரு ஸ்டார்ட்அப் ரோபோட் பயிற்சியை தொழில்மயமாக்குகிறது

ரொபோடிக்ஸின் எதிர்காலம் குறித்து Tutor Intelligence மிகவும் நேரடியான ஒரு வாதத்தை முன்வைக்கிறது: தடையாக இருப்பது சிறந்த மாடல்கள் மட்டும் அல்ல, நிஜ உலகில் செயல்படும் ரோபோக்களிடமிருந்து சேகரிக்கப்படும் சிறந்த தரவும் ஆகும். அந்த சிக்கலை சமாளிக்க, நிறுவனம் DF1 என்ற பெயரில் 100 இருகை இயக்கிகளைக் கொண்ட ஒரு “Data Factory”யை அமைத்துள்ளது; இதை அது உடல் AIக்கான ஒரு வகை குழந்தைநிலைப் பள்ளியாக விவரிக்கிறது.

கருத்தில் எளிமையானது, ஆனால் செயல்படுத்துவதில் மிகுந்த ஆம்பிஷன் கொண்டது. முதன்மையாக சிமுலேஷனில் நம்பிக்கை வைப்பதற்குப் பதிலாக, Tutor தனது Ti0 vision-language-action மாடலைப் பயிற்றுவிக்க நிஜ ரோபோக்கள், மனித teleoperatorகள், மற்றும் மீண்டும் மீண்டும் செய்யப்படும் பணிகளை பயன்படுத்துகிறது. பெரிய மொழி மாதிரிகளுக்குக் கிடைக்கும் அளவிலான தரவுச் செழிப்பை ரோபோடிக்ஸுக்கு இதுவரை கிடைக்காத நிலையில், இந்த அமைப்பு நிலையானதும் அளவுபடுத்தக்கூடியதும் ஆன கற்றல் வழித்தடத்தை உருவாக்க முடியும் என நிறுவனம் கூறுகிறது.

Tutor-ன் வாதத்தின் மையம் இதுதான். இணை நிறுவனர் மற்றும் CEO ஜோஷ் க்ரூன்ஸ்டீன் கூறுவது போல, ரோபோடிக்ஸுக்கு Wikipedia போன்ற இணையதள சமமானது எதுவும் இல்லை. இணையத்தில் உள்ள மனித அறிவு மொழி மாதிரிகளுக்கு கற்றுக்கொள்ள ஒரு மிகப் பெரிய கருவூலத்தை வழங்கியது. ரோபோக்களுக்கு வேறொன்று தேவை: உடல் சார்ந்த விளக்கங்கள், திருத்தும் பின்னூட்டம், மற்றும் உண்மை பொருட்கள் மற்றும் சூழல்களின் குழப்பத்துடன் மீண்டும் மீண்டும் எதிர்கொள்வது.

நிஜ உலகத் தரவு ஏன் மூலோபாய ரீதியாக கவர்ச்சிகரமாக உள்ளது

Tutor-ன் DF1 முயற்சி ரோபோடிக்ஸில் உள்ள ஒரு பெரிய விவாதத்தை பிரதிபலிக்கிறது. சிமுலேஷன் இன்னும் பயனுள்ளது, ஏனெனில் அது மலிவானது, வேகமானது, மற்றும் பாதுகாப்பானது. ஆனால் சிமுலேஷனிலிருந்து நிஜத்துக்கு நடத்தை மாற்றுவது பெரும்பாலும் உண்மையான உடல் தொடர்பின் கடினமான சிக்கல்களால் தடைபடுகிறது. பொருட்கள் வடிவம் மாறுகின்றன, வழுக்குகின்றன, ஒளியை எதிர்பார்க்க முடியாத முறையில் பிரதிபலிக்கின்றன, மேலும் மெய்நிகர் சூழல்கள் முழுமையாகப் பிடிக்க முடியாத குழப்பங்களில் தோன்றுகின்றன.

100 ரோபோக்களை ஒரே பயிற்சி சூழலில் வைத்து, e-commerce மற்றும் kitting-இல் பொதுவாக உள்ள piece-picking பணிகளைச் செய்ய வைப்பதன் மூலம், Tutor உண்மையான சிரமங்கள் ஏற்படும் இடத்திலேயே தரவைச் சேகரிக்க முயலுகிறது. ஆரம்பத்தில் ரோபோக்கள் தடுமாறினாலும், மெக்சிகோ மற்றும் பிலிப்பைன்ஸில் உள்ள 45 முதல் 50 தொலைநிலை “tutors” teleoperation அமைப்புகளின் வழிகாட்டுதலின் கீழ் சில வாரங்களில் மேம்பட்டதாக நிறுவனம் கூறுகிறது.

அந்த முன்னேற்றம் மீண்டும் உருவாக்கக்கூடியதாக இருந்தால், அதன் விளைவுகள் குறிப்பிடத்தக்கவை. ரோபோடிக்ஸ், நவீன AIயின் மிக ஆழமான பலன்களில் ஒன்றை எடுத்துக்கொள்ளத் தொடங்கலாம்: அளவோடு கூடிய வேகமான மறுஉருவாக்கம். இணைய உரை மூலம் அல்ல, பல்வேறு இயந்திரங்களுக்கிடையே பரவியுள்ள கட்டமைக்கப்பட்ட மனிதப் பயிற்சியின் மூலம்.

வணிகத் திணைப்பு பயிற்சி சுழற்சியின் ஒரு பகுதியாகும்

Tutor DF1-ஐ ஆய்வகக் கண்ணோட்டமாக முன்வைப்பதில்லை. நிறுவனம் இந்த அமைப்பை “virtuous cycle” என்ற சுழற்சியின் முதல் படியாகக் காட்டுகிறது, இதில் வணிக ரீதியாக திணைக்கப்பட்ட ரோபோக்கள் எதிர்கால செயல்திறனை மேம்படுத்த தேவையான தரவைத் தொடர்ந்து உருவாக்கும். இது முக்கியமான மூலோபாய வேறுபாடு. இந்த மாதிரியில், deployment வெறும் தொழில்நுட்பத்தைப் பணமாக்குவதற்காக மட்டுமல்ல. அதற்கு உணவளிக்கவும் செய்கிறது.

அந்தச் சுழற்சி வேலை செய்தால், அது மிகவும் சக்திவாய்ந்ததாக இருக்கும். ரோபோ செய்யும் ஒவ்வொரு நிஜப் பணியும் edge cases, corrections, examples ஆகியவற்றின் மூலமாக மாறி, பின்னர் சிறந்த policies-க்கு மீண்டும் பயன்படுத்தப்படலாம். காலப்போக்கில், fleets மென்பொருள் புதுப்பிப்புகள் மூலமே அல்ல, தொழில்துறை பயன்பாட்டிலிருந்து சேகரிக்கப்பட்ட வளர்ந்து வரும் operational memory மூலமாகவும் மேம்படலாம்.

நிச்சயமாக, இந்த அணுகுமுறை மிகுந்த உட்கட்டமைப்பைத் தேவைப்படுத்துகிறது. hardware, teleoperation labor, cloud compute, மற்றும் demonstrations-ஐ பயனுள்ள training signals-ஆக மாற்றக்கூடிய workflow ஆகியவை அவசியம். Tutor இவையனைத்திலும் ஒரே நேரத்தில் முதலீடு செய்து வருகிறது. நிறுவனம் 2025 டிசம்பரில் Series A funding-இல் $34 million திரட்டியுள்ளது, மேலும் Physical AI Fellowship ecosystem-இன் ஒரு பகுதியாக AWS மற்றும் NVIDIA உடன் பணியாற்றியுள்ளது.

Data factories வழக்கமான ஒன்றாக மாறுமா என்பதே பெரிய கேள்வி

DF1 அமெரிக்காவில் மிகப் பெரிய robotic data factory என்று Tutor கூறுகிறது. அது நீண்ட காலம் அப்படியே இருக்குமா இல்லையா என்பது ஒரு பக்கம்; ஆனால் அதன் பின்னுள்ள கருத்தே முக்கியமானதாக இருக்கலாம். பொதுப்பயன் அல்லது அரை-பொதுப்பயன் ரோபோடிக்ஸ் இறுதியில் model architecture-ஐ விட data quality-ஆல் அதிகமாக கட்டுப்படுத்தப்பட்டால், mass robot teaching-க்காக குறிப்பாக வடிவமைக்கப்பட்ட வசதிகள் தொழில்துறையின் வழக்கமான பகுதியாக மாறலாம்.

அவ்வாறு நடந்தால், ரோபோடிக்ஸ் முதன்மையாக hardware engineering-இலிருந்து hardware இணைந்த data operations business-ஆக மாறும். அந்த உலகில், மனித வழிகாட்டுதல், fleet deployment, மற்றும் model improvement ஆகியவற்றுக்கிடையேயான feedback loop-களை சிறப்பாக அமைக்கும் நிறுவனங்களே வெற்றிபெறலாம்.

piece-picking-இலிருந்து தொடங்கும் Tutor-ன் முடிவும் வெளிப்படையானது. இது வணிக ரீதியாக பொருத்தமானது, அதிக எண்ணிக்கையிலான உதாரணங்களை உருவாக்குவதற்கு போதுமான மீளுருப்படையானது, மேலும் manipulations-ஐ சோதிக்க போதுமான உடல் மாறுபாடும் கொண்டது. இதுவே ஒரு பணியை business application-ஆகவும் training substrate-ஆகவும் பயனுள்ளதாக மாற்றும் பண்புகள்.

Physical AI-க்கு இன்னும் ஆதாரம் தேவை, ஆனால் கருதுகோள் பொருத்தமானது

Tutor Intelligence தனது data-factory அணுகுமுறை பொதுவாக திறமையான robot intelligence-ஐ உருவாக்கும் என்பதை இன்னும் நிரூபிக்கவில்லை. அது warehouse-style பணிகளில் வேகமான முன்னேற்றம் காட்டுவதைவிட மிகப்பெரிய கோரிக்கை. இருந்தாலும், நிறுவனத்தின் அடிப்படை எண்ணத்தை நிராகரிப்பது கடினம். ரோபோக்கள் தாங்கள் தொடாத உலகத்தைப் பற்றி மனித மொழியிலிருந்து மட்டும் கற்றுக்கொள்ள முடியாது. இறுதியில், யாரோ ஒருவர் அவர்களுக்கு physical reality-யில் கற்றுத்தர வேண்டும்.

DF1 அந்தக் கற்றல் செயல்முறையை அளவுபடுத்தும் முயற்சி. சிதறிய deployment-களிலிருந்து ரோபோக்கள் தற்செயலாக கற்றுக்கொள்ளும் வரை காத்திருப்பதற்குப் பதிலாக, Tutor instruction-ஐ ஒரு வளமாக உருவாக்கும் சூழலை கட்டுகிறது. அந்த வளத்தை நிறுவனம் மேலும் மாற்றத்தக்க நடத்தையாக மாற்ற முடிந்தால், simulation-first அணுகுமுறைகளைவிட physical AI-க்கு மேலும் நடைமுறைசார்ந்த பாதையை உருவாக்க உதவும்.

தற்போது Tutor-ன் முக்கியத்துவம் ஒரு முடிவான பதிலை கூறுவதில் அல்ல, robot data collection-ஐ ஒரு தொழில்துறை பிரச்சினையாகக் கருதி, அதற்காக தனித்த உட்கட்டமைப்பு தேவை என்பதில் உள்ளது. பிரமிப்பூட்டும் demos-இலிருந்து நம்பத்தகுந்த பயன்பாட்டுக்கு மிக வேகமான வழியைத் தேடும் துறையில், இது ஒரு முக்கியமான யோசனை.

இந்தக் கட்டுரை The Robot Report-இன் செய்தியளிப்பை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.