రోబోటిక్స్ దిశ ఎందుకు మారింది, పెట్టుబడిదారులు బిలియన్లతో ఎందుకు అనుసరించారు

రోబోటిక్స్ బూమ్ నిజానికి నేర్చుకునే పద్ధతుల కథ

హ్యూమనాయిడ్ రోబోటిక్స్ మళ్లీ గణనీయమైన మూలధనాన్ని ఆకర్షిస్తోంది, కానీ ఇక్కడి అతి ముఖ్యమైన మార్పు సౌందర్యాత్మక ఆశయమో సైన్స్-ఫిక్షన్ మార్కెటింగో కాదు. అది విధానపరమైనది. తాజా ఉత్సాహ అల ఉంటుంది, ఎందుకంటే రోబోట్లకు ప్రపంచంలో ఎలా పనిచేయాలో నేర్పే విధానం మారింది, ఆ మార్పే దీర్ఘకాల ఆకాంక్షను మరింత పెట్టుబడి పెట్టదగిన రంగంగా మార్చడంలో సహాయపడుతోంది.

మూల సమాచార ప్రకారం, కంపెనీలు మరియు పెట్టుబడిదారులు 2025లో హ్యూమనాయిడ్ రోబోట్లలో $6.1 బిలియన్ పెట్టారు, ఇది 2024లో పెట్టిన మొత్తానికి నాలుగు రెట్లు. అది తనంతట తానే ఆశ్చర్యకరమైన సంఖ్య. కానీ ఈ పెరుగుదలకు మరింత బలమైన వివరణను వ్యాసం హైలైట్ చేస్తోంది: రోబోటిక్స్ ఇప్పుడు ప్రధానంగా శ్రద్ధగా చేతితో కోడ్ చేసిన నియమాలపై ఆధారపడటం నుంచి, గజిబిజి వాస్తవ ప్రపంచ వాతావరణాలకు మరింత సరిపోయే నేర్చుకునే రూపాల వైపు మారింది.

పాత విధానం ఎందుకు పరిమితులకు చేరుకుంది

ఏళ్ల తరబడి రోబోటిక్స్ సిద్ధాంతపరంగా ఎత్తైన లక్ష్యాలను, కానీ ఆచరణలో సంకుచిత పరిధినే లక్ష్యంగా పెట్టుకుంది. పరిశోధకులు మారే వాతావరణాల్లో కదులుతూ, మనుషులతో సురక్షితంగా పరస్పరించగల అనువైన, ఉపయోగకరమైన యంత్రాలను కోరుకున్నారు. అయినప్పటికీ, రంగం నుంచి వచ్చిన వాస్తవ ప్రపంచ ఫలితాల్లో ఎక్కువ భాగం ప్రత్యేక పనులకు పరిమితమైనవే. శాస్త్ర-కల్పన ఆశయాలు మరియు పారిశ్రామిక భుజాలు, గృహోపయోగ రోబోట్ల వాస్తవం మధ్య ఉన్న వ్యత్యాసాన్ని వ్యాసం స్పష్టంగా చూపిస్తుంది.

రోబోటిక్స్ పాత కళలో ఇంజినీర్లు ముందే అన్ని అవకాశాలను ఊహించి, వాటిని స్పష్టంగా కోడ్ చేయాల్సి వచ్చేది. ఉదాహరణకు, ఒక రోబో దుస్తులు మడవాలంటే, కాలర్‌ను గుర్తించడం, చేతి భాగాలను కనుగొనడం, తిరుగుదలకు అనుగుణంగా సర్దుబాటు చేయడం, ముడతలు సరిచేయడం, మరియు వంకరలను నియంత్రించడం వంటి నియమాలను నిర్వచించడానికి ఇంజినీర్లు ప్రయత్నించేవారు. ఇది కట్టుదిట్టంగా పరిమితమైన పనులలో పనిచేయవచ్చు, కానీ వాతావరణాలు మరింత మారుతూ ఉంటే నియమాల సంఖ్య వేగంగా పెరుగుతుంది.

ఈ విధానం నిర్మిత సెట్టింగుల్లో విశ్వసనీయ వ్యవస్థలను ఇచ్చింది, కానీ సాధారణీకరణలో తడబడింది. రోబో ఎక్కువ అనిశ్చిత వస్తువులు, మారుతున్న పరిస్థితులు, మరియు అపూర్ణ సమాచారం తో వ్యవహరించాల్సి వచ్చిన కొద్దీ, చేతితో తయారు చేసిన సూచన సముదాయాలు మరింత సున్నితంగా మారాయి.

నేర్చుకునే దిశగా మార్పు

2015 చుట్టూ ఒక మలుపు వచ్చిందని వ్యాసం సూచిస్తోంది, అప్పట్లో ఆధునిక రోబోటిక్స్ సిమ్యులేటెడ్ ట్రైనింగ్ మరియు ట్రయల్-అండ్-ఎర్రర్ మెరుగుదల వైపు మరింత మొగ్గుచూపింది. ప్రతి సూచనను చేతితో రాయడం బదులుగా, పరిశోధకులు డిజిటల్ వాతావరణాలను నిర్మించి, విజయానికి రివార్డ్ సిగ్నల్స్‌ను నిర్వచించి, పునరావృత ప్రయత్నాల ద్వారా వ్యవస్థలు మెరుగుపడేలా చేయగలిగారు. ఇది కొన్ని పాత AI వ్యవస్థలు ఆటలను ఎలా నేర్చుకున్నాయో దానితో సారూప్యంగా ఉంటుంది.

ఈ మార్పు ముఖ్యమైనది, ఎందుకంటే శ్రమ ఎక్కడ వెళ్తుందో మార్చింది. భౌతిక ప్రపంచంలోని ప్రతీ సంభావ్య సందర్భాన్ని జాబితా చేయడానికి ప్రయత్నించటం బదులు, ఇంజినీర్లు అనుభవం ద్వారా ఉపయోగకరమైన ప్రవర్తనను నేర్చుకోగల వాతావరణాలు, లక్ష్యాలు, మరియు మోడళ్లను రూపొందించడంపై దృష్టి పెట్టగలిగారు. ఇది కష్టం తొలగించలేదు. నిజ జీవిత రోబోటిక్స్ ఇంకా కఠినంగానే ఉంటుంది. కానీ ఇది రంగాన్ని విస్తృత యంత్ర-అభ్యాస విప్లవంతో మరింత అనుకూలంగా చేసింది.

తదుపరి వేగం 2022 తర్వాత వచ్చింది, అప్పుడు పెద్ద భాషా నమూనాలు పెద్ద డేటాసెట్లపై శిక్షణ పొందిన వ్యవస్థలు శక్తివంతమైన అంచనాకర్తలుగా మారగలవని చూపించాయి. మూలం ప్రకారం, రోబోటిక్స్‌కు అనుగుణంగా మార్చిన సంబంధిత నమూనాలు చిత్రాలు, సెన్సార్ రీడింగులు, మరియు జాయింట్ పొజిషన్లను తీసుకుని, రోబో తీసుకోవాల్సిన తదుపరి చర్యను అంచనా వేయగలవు. ఇది నియమ-ఆధారిత ప్రోగ్రామింగ్ మరియు పూర్తిగా ట్రయల్-అండ్-ఎర్రర్ లూపుల రెండింటితో పోలిస్తే ఒక ముఖ్యమైన పురోగతి.

పెట్టుబడిదారులు ఇప్పుడెందుకు ఆసక్తి చూపుతున్నారు

మూలధనం సాధారణంగా కథనాలను కాకుండా సామర్థ్యంలో వచ్చిన మార్పులను అనుసరిస్తుంది. భౌతిక వాతావరణాల అనిశ్చితిని మెరుగ్గా సరిపోల్చే విధాలుగా రోబోట్లు ఇప్పుడు నేర్చుకోగలవన్న నమ్మకానికి పెట్టుబడిదారులు స్పందిస్తున్నారని వ్యాసం సూచిస్తోంది. బహుముఖ ఇన్‌పుట్లను గ్రహించి, తదుపరి చర్యను ఊహించగల వ్యవస్థ, ముందుగా ప్రతి ఎడ్జ్ కేసును ఇంజినీర్లు స్క్రిప్ట్ చేయాల్సిన వ్యవస్థ కంటే వాస్తవ అనుకూలతకు దగ్గరగా కనిపిస్తుంది.

ఇది ముఖ్యంగా హ్యూమనాయిడ్ విభాగంలో ప్రాధాన్యం సంతరించుకుంది. పెట్టుబడిదారులు హ్యూమనాయిడ్లను అవి తెలిసినవిగా కనిపిస్తున్నాయనే కారణంతో మాత్రమే మద్దతు ఇవ్వడం లేదు. మరింత సాధారణ-ప్రయోజన నేర్చుకునే పద్ధతులు చివరికి మరింత సాధారణ-ప్రయోజన యంత్రాలను మద్దతివ్వగలవన్న అవకాశంపై వారు పెట్టుబడి పెడుతున్నారు.

అది ఇంకా పూర్తి అయిన నిజం కాదు, ఒక ప్రతిపాదన మాత్రమే. అనేక మంది ఊహించే యంత్రాలు ఇంకా పూర్తిగా నిర్మించబడలేదని వ్యాసం స్పష్టంగా చెబుతోంది. కానీ నిధుల బూమ్, ఆశయం మరియు అమలుకు మధ్య ఉన్న అంతరం కొన్ని సంవత్సరాల క్రితం కంటే ఇప్పుడు తక్కువగా ఉందని మార్కెట్ చూస్తున్నదని సూచిస్తుంది.

లోతైన ప్రాముఖ్యత

ప్రస్తుత క్షణం యొక్క నిజమైన ప్రాముఖ్యత ఏమిటంటే, రోబోటిక్స్ ఆధునిక AI స్టాక్‌తో మరింత దగ్గరగా కలుస్తోంది. అంచనాలపై పనిచేసే నమూనాలు, సిమ్యులేషన్‌లో శిక్షణ పొందిన వ్యవస్థలు, మరియు మరింత సమృద్ధిగా ఉన్న సెన్సార్ ఫ్యూజన్ రోబోటిక్స్‌ను, ఎక్కువగా చేతితో రూపొందించిన విధానాల కాలంతో పోలిస్తే, పురోగతి వేగంగా కూడబెట్టుకునే స్థితికి తోస్తున్నాయి.

అది నిర్దిష్ట కాలపట్టికలో విస్తృత గృహ వినియోగం లేదా కార్మిక మార్పును హామీ ఇవ్వదు. రోబోటిక్స్ ఇంకా హార్డ్వేర్ ఖర్చు, భద్రత, దీర్ఘకాలికత, అమలు సంక్లిష్టత, మరియు నియంత్రిత వాతావరణాల వెలుపల నమ్మదగిన ఆపరేషన్ అనే సవాళ్లను ఎదుర్కొనాల్సి ఉంది. కానీ మూలంలో వివరించిన ఈ నేర్చుకునే పురోగతి రంగం యొక్క కేంద్ర గురుత్వాన్ని మార్చుతోంది.

ఇది ఉపయోగకరతపై చర్చను కూడా మళ్లీ రూపకల్పన చేస్తోంది. ఆర్థికంగా అర్థవంతం కావడానికి రోబో మొదట సంపూర్ణ సాధారణ సేవకుడిగా ఉండాల్సిన అవసరం లేదు. కొత్త నేర్చుకునే పద్ధతులు యంత్రాలు తక్కువ నాజూకైన ప్రోగ్రామింగ్‌తో విస్తృత పనులను నిర్వహించగలిగితే, అవి క్రమంగా విలువైనవిగా మారవచ్చు, మొదట పరిమిత కానీ తక్కువ కట్టుబాట్లు ఉన్న వాతావరణాల్లో, తర్వాత మరింత ముందుకు కూడా.

కొత్త అధ్యాయం, పూర్తి కథ కాదు

2025లో రోబోటిక్స్ బూమ్ అకస్మాత్తు అద్భుతం కన్నా, ఎన్నో సంవత్సరాలుగా రూపుదిద్దుకుంటున్న సాంకేతిక పునఃదిశీకరణ ఫలితంగా కనిపిస్తోంది. ఈ రంగం ప్రతి అనిశ్చితిని ముందే ఊహించడానికి ప్రయత్నించటం నుంచి, డేటా, సిమ్యులేషన్, మరియు బహుముఖ సందర్భం నుండి చర్య నమూనాలను నేర్చుకోగల వ్యవస్థలను నిర్మించడంపైకి మారింది. పెట్టుబడిదారులు దీన్ని గమనించారు, మరియు $6.1 బిలియన్ అనే సంఖ్య ఆ మార్పును బలంగా చూపిస్తోంది.

ఆ డబ్బు స్థిరమైన ఫలితాలను ఇస్తుందా లేదా అనేది, ఈ నేర్చుకునే విధానాలు ఆశాజనక డెమోల నుంచి నమ్మదగిన భౌతిక వ్యవస్థలుగా ఎంత బాగా మారుతాయన్నదానిపై ఆధారపడి ఉంటుంది. కానీ వ్యాసం ఒక కీలకమైన మార్పు జరిగిందని బలమైన వాదన చేస్తోంది. రోబోటిక్స్ ఇక మెరుగైన నియమాలను రాయడం ద్వారా మాత్రమే ముందుకు సాగడం లేదు. యంత్రాలు తర్వాత ఏం చేయాలో ఎలా నేర్చుకుంటాయో మార్చడం ద్వారా అది ముందుకు సాగుతోంది.

ఈ వ్యాసం MIT Technology Review రిపోర్టింగ్ ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.