സോഫ്റ്റ്‌വെയർ ബുദ്ധിശക്തിയും ഭൗതികമായ പ്രവർത്തനങ്ങളും തമ്മിലുള്ള അകലം കുറയ്ക്കാൻ സ്റ്റാർട്ടപ്പുകൾ ശ്രമിക്കുന്നതോടെ, ഡിജിറ്റൽ മാത്രമായ AI യുഗം പരിണമിച്ചുകൊണ്ടിരിക്കുകയാണ്. മുൻ Meta AI ഗവേഷകർ സ്ഥാപിച്ച പുതിയ സംരംഭമായ Perceptron, യന്ത്രങ്ങൾക്ക് യഥാർത്ഥ ലോകവുമായി ഇടപഴകാനും സഞ്ചരിക്കാനും സഹായിക്കുന്ന അത്യാധുനിക വിഷൻ മോഡലുകൾ വികസിപ്പിച്ചുകൊണ്ട് ഈ രംഗത്ത് മുന്നേറുന്നു.

ബൈനറി തകർത്തുകൊണ്ട്: ജനറലിസ്റ്റ് വേഴ്സസ് നാരോ മോഡലുകൾ

വർഷങ്ങളായി, ഇൻഡസ്ട്രിയൽ ഓട്ടോമേഷൻ ഒരു സാങ്കേതിക പ്രതിസന്ധിയിലാണ്. ഡെവലപ്പർമാർക്ക് സാധാരണയായി രണ്ട് ഓപ്ഷനുകൾ മാത്രമേ ഉണ്ടായിരുന്നുള്ളൂ: ഓരോ തവണയും ഉപയോഗിക്കാൻ വിലകൂടിയ ക്ലൗഡ് GPU-കൾ ആവശ്യമായ വലിയ ജനറലിസ്റ്റ് ഫൗണ്ടേഷൻ മോഡലുകൾ, അല്ലെങ്കിൽ കാഴ്ചയോ നിയന്ത്രണമോ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന എന്നാൽ ഇവ രണ്ടും ഒരേസമയം ചെയ്യാൻ കഴിയാത്ത പരിമിതമായ (narrow) സ്പെഷ്യലൈസ്ഡ് മോഡലുകൾ.

Perceptron-ന്റെ സഹസ്ഥാപകരായ Armen Aghajanyan, Akshat Shrivastava എന്നിവർ (ഇരുവരും Meta-യുടെ Fundamental AI Research (FAIR) വിഭാഗത്തിലെ മുൻ അംഗങ്ങളാണ്) തങ്ങളുടെ പുതിയ മോഡലായ Isaac 0.5 ലൂടെ ഇതിന് പരിഹാരം കാണാൻ ശ്രമിക്കുന്നു. ഒറ്റപ്പെട്ടതും ആവർത്തന സ്വഭാവമുള്ളതുമായ ജോലികൾക്കായി രൂപകൽപ്പന ചെയ്ത നിലവിലുള്ള സോഫ്റ്റ്‌വെയറുകളിൽ നിന്ന് വ്യത്യസ്തമായി, Isaac 0.5 ഒരു ജനറൽ പർപ്പസ് മോഡലാണ്. ഇത് റോബോട്ടുകൾക്ക് "perceive, reason, and act" (കാണാനും, ചിന്തിക്കാനും, പ്രവർത്തിക്കാനും) ശേഷി നൽകുന്നു, ഇത് അവയെ ഒരു പ്രത്യേക ചലനത്തിന് വേണ്ടി മാത്രം പ്രോഗ്രാം ചെയ്യുന്നതിന് പകരം വിവിധ സാഹചര്യങ്ങളുമായി പൊരുത്തപ്പെടാൻ സഹായിക്കുന്നു.

ഫിസിക്കൽ ഇന്റലിജൻസിന്റെ പ്രവർത്തനരീതികൾ

Perceptron-ന്റെ സമീപനത്തിന്റെ സങ്കീർണ്ണത മനസ്സിലാക്കാൻ, പാക്കേജുകൾ തരംതിരിക്കുന്നതുപോലെയുള്ള ഒരു സാധാരണ വെയർഹൗസ് ജോലി പരിശോധിക്കേണ്ടതുണ്ട്. ഒരു റോബോട്ടിന് വെറുതെ ഒരു "ബോക്സ് എടുക്കാൻ" കഴിയില്ല; അതിന് ആദ്യം ലേബലുകൾ വായിക്കണം, ചുറ്റുപാടുകൾ മനസ്സിലാക്കാൻ സ്പേഷ്യൽ അനാലിസിസ് നടത്തണം, ഏറ്റവും അനുയോജ്യമായ രീതിയിൽ എടുക്കാനുള്ള ക്രമം തീരുമാനിക്കണം, കൂടാതെ അതിന്റെ ഭൗതികമായ പാത (trajectory) പ്ലാൻ ചെയ്യുകയും വേണം.

ഈ ബഹുതലത്തിലുള്ള വൈജ്ഞാനിക പ്രക്രിയകൾ കൈകാര്യം ചെയ്യാൻ Isaac 0.5 രൂപകൽപ്പന ചെയ്തിരിക്കുന്നു. വൈവിധ്യമാർന്ന സാഹചര്യങ്ങളും രംഗങ്ങളും തിരിച്ചറിയുന്നതിനായി പത്ത് ലക്ഷം മണിക്കൂർ ജനറൽ വീഡിയോ ഡാറ്റ ഉപയോഗിച്ച് ഈ മോഡലിന് വൻതോതിൽ പരിശീലനം നൽകി. ശാരീരികമായ ചടുലത കൈവരിക്കുന്നതിനായി, കമ്പനി "ego video" (വെയറബിൾ ക്യാമറകളിൽ നിന്നുള്ള ഫസ്റ്റ്-പേഴ്സൺ കാഴ്ചപ്പാടുകൾ), UMI വീഡിയോ (മനുഷ്യരുടെ ആവർത്തന പ്രവൃത്തികളുടെ റെക്കോർഡിംഗുകൾ) എന്നിവ ഉപയോഗിച്ചു. ചലനങ്ങൾ എങ്ങനെ ഒരു ജോലി പൂർത്തിയാക്കുന്നതിലേക്ക് നയിക്കുന്നു എന്ന് AI-യെ പഠിപ്പിക്കാനാണ് ഇത് ഉപയോഗിച്ചത്. ഈ "algorithmic alchemy" കൈവരിക്കുന്നതിനായി ഇമേജുകൾ, ടെക്സ്റ്റ്, വീഡിയോ, റോബോട്ടിക് ട്രാജക്റ്ററികൾ എന്നിവ ഉൾക്കൊള്ളുന്ന പെറ്റാബൈറ്റ് സ്കെയിലിലുള്ള ഡാറ്റാസെറ്റുകൾ കമ്പനി നിർമ്മിച്ചതായി Shrivastava വ്യക്തമാക്കി.

ഓപ്പൺ-വെയ്റ്റ് സ്ട്രാറ്റജിയും വിപണി വിപുലീകരണവും

സുതാര്യതയും ഡെവലപ്പർമാരുടെ ഉപയോഗവും പ്രോത്സാഹിപ്പിക്കുന്ന ഒരു നീക്കത്തിലൂടെ, Perceptron Isaac 0.5 ഒരു ഓപ്പൺ-വെയ്റ്റ് മോഡലായി പുറത്തിറക്കുന്നു. ഇത് ഗവേഷകർക്കും എഞ്ചിനീയർമാർക്കും ഇതിന്റെ പാരാമീറ്ററുകളും പരിശീലന സാമഗ്രികളും പരിശോധിക്കാൻ അനുവദിക്കുന്നു. പ്രവചനാതീതത്വം ഒഴിവാക്കേണ്ടതും കൃത്യത പ്രധാനമായതുമായ ഉയർന്ന നിലവാരമുള്ള ഇൻഡസ്ട്രിയൽ സാഹചര്യങ്ങളിൽ AI സംയോജിപ്പിക്കുന്നതിന് ഇത് നിർണ്ണായകമാണ്.

Bessemer Venture Partners നേതൃത്വം നൽകിയ 21 മില്യൺ ഡോളറിന്റെ ഫണ്ടിംഗിന്റെ പിന്തുണയോടെ, Perceptron വിവിധ മേഖലകൾക്കായുള്ള ഇന്റലിജൻസ് ലെയറായി സ്വയം അടയാളപ്പെടുത്തുന്നു. ലോജിസ്റ്റിക്സ്, മാനുഫാക്ചറിംഗ് എന്നിവയിലാണ് പ്രാഥമിക ശ്രദ്ധയെങ്കിലും, സെക്യൂരിറ്റി, മൊബിലിറ്റി, മീഡിയ, എന്റർടൈൻമെന്റ് എന്നിവയിലും ഇതിന് തൊട്ടടുത്ത പ്രയോഗങ്ങൾ ഉണ്ടെന്ന് കമ്പനി കരുതുന്നു. ഒരു ഫ്ലെക്സിബിൾ ഇന്റലിജൻസ് ലെയർ നൽകുന്നതിലൂടെ, ആഗോള വ്യവസായ മേഖലയിൽ വിഷൻ ഗൈഡഡ് റോബോട്ടുകൾ പ്രവർത്തിക്കുന്ന രീതിയെ മാറ്റാൻ Perceptron ലക്ഷ്യമിടുന്നു.

പ്രധാന കാര്യങ്ങൾ

  • വിടവ് നികത്തുന്നു: വിഭവസമ്പന്നമായ ജനറലിസ്റ്റ് മോഡലുകൾക്കും പരിമിതമായ നാരോ മോഡലുകൾക്കും ഇടയിലുള്ള തിരഞ്ഞെടുപ്പ് ഒഴിവാക്കി, ഒരു ജനറൽ പർപ്പസ് "perceive, reason, and act" ഫ്രെയിംവർക്ക് നൽകാൻ Isaac 0.5 ലക്ഷ്യമിടുന്നു.
  • വൻതോതിലുള്ള പരിശീലനം: റോബോട്ടുകളെ സങ്കീർണ്ണമായ സ്പേഷ്യൽ, മാനുവൽ ജോലികൾ പഠിപ്പിക്കുന്നതിനായി പത്ത് ലക്ഷം മണിക്കൂർ വീഡിയോ ഡാറ്റ (ego-centric, UMI വീഡിയോകൾ ഉൾപ്പെടെ) ഈ മോഡൽ ഉപയോഗിക്കുന്നു.
  • ഓപ്പൺ-വെയ്റ്റ് ലഭ്യത: Isaac 0.5 ഓപ്പൺ വെയ്റ്റുകളോടെ പുറത്തിറക്കുന്നതിലൂടെ, അത്യാധുനിക വിഷൻ AI-യെ ഇൻഡസ്ട്രിയൽ വർക്ക്ഫ്ലോകളിലേക്ക് വേഗത്തിൽ സംയോജിപ്പിക്കാനും ആഴത്തിൽ പരിശോധിക്കാനും Perceptron സഹായിക്കുന്നു.

Perceptron, Isaac 0.5 എന്ന ഓപ്പൺ-വെയ്റ്റ് വിഷൻ മോഡൽ പുറത്തിറക്കി. റോബോട്ടുകൾക്ക് ഏകീകൃതമായ ഒരു “perceive-reason-act” മസ്തിഷ്കം നൽകുമെന്ന് ഇത് വാഗ്ദാനം ചെയ്യുന്നു. Bessemer Venture Partners നേതൃത്വം നൽകിയ 21 മില്യൺ ഡോളറിന്റെ ഫണ്ടിംഗിലൂടെ വളരുന്ന ഈ സ്റ്റാർട്ടപ്പ്, ലോജിസ്റ്റിക്സ്, മാനുഫാക്ചറിംഗ്, മറ്റ് ഫിസിക്കൽ-ഓട്ടോമേഷൻ വിപണികൾ എന്നിവയ്ക്കായുള്ള ഒരു ഇന്റലിജൻസ് ലെയറായി ഈ മോഡലിനെ അവതരിപ്പിക്കുന്നു.

ഈ ലോഞ്ച് പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

ഇൻഡസ്ട്രിയൽ റോബോട്ടുകൾ കാലങ്ങളായി ഒരു വിട്ടുവീഴ്ചാ സാഹചര്യത്തിലാണ്. ഒരു വലിയ ജനറൽ പർപ്പസ് ഫൗണ്ടേഷൻ മോഡൽ ഉപയോഗിച്ചാൽ നിരന്തരമായ ക്ലൗഡ് GPU ആക്സസ്സിനായി പണം നൽകേണ്ടി വരും; അല്ലെങ്കിൽ ഒരു പ്രത്യേക ജോലിക്കായി മാത്രം രൂപകൽപ്പന ചെയ്ത നാരോ വിഷൻ സിസ്റ്റം ഉപയോഗിച്ചാൽ സാഹചര്യങ്ങൾ മാറുമ്പോൾ ഫ്ലെക്സിബിലിറ്റി നഷ്ടപ്പെടും. ഓരോ തവണയും ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ് ആവശ്യമില്ലാതെ തന്നെ പെർസെപ്ഷൻ, പ്ലാനിംഗ്, കൺട്രോൾ എന്നിവ കൈകാര്യം ചെയ്യാൻ കഴിയുന്ന ഒരു മോഡലായി Isaac 0.5 വിപണിയിൽ അവതരിപ്പിക്കപ്പെടുന്നു.

ഇന്നത്തെ റോബോട്ട് മസ്തിഷ്കങ്ങളിലെ പ്രശ്നങ്ങൾ

ഒരു സാധാരണ വെയർഹൗസ് റോബോട്ട് ഒരു ബോക്സ് പിടിച്ചെടുക്കുന്നതിനേക്കാൾ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യുന്നു. ഒരു ലേബൽ വായിക്കുക, സാധനങ്ങൾക്കിടയിൽ നിന്ന് ആവശ്യമുള്ള വസ്തു കണ്ടെത്തുക, ഏറ്റവും അനുയോജ്യമായ രീതിയിൽ അവ എടുക്കാനുള്ള ക്രമം തീരുമാനിക്കുക, തടസ്സങ്ങളില്ലാത്ത രീതിയിൽ റോബോട്ടിക് ആം ചലിപ്പിക്കാനുള്ള പാത (trajectory) കണക്കാക്കുക - ഇവയെല്ലാം തത്സമയം (real time) ചെയ്യേണ്ടതുണ്ട്. നിലവിലുള്ള പരിഹാരങ്ങൾ സാധാരണയായി ഈ ഘട്ടങ്ങളെ വ്യത്യസ്ത സോഫ്റ്റ്‌വെയർ ഘടകങ്ങളായി വിഭജിക്കുന്നു: ലേബലിനായി ഒരു ലഘുവായ ഡിറ്റക്റ്റർ (detector), ചലനത്തിനായി ഒരു ഹാൻഡ്ക്രാഫ്റ്റഡ് പ്ലാനർ (planner), നിർവ്വഹണത്തിനായി ഒരു റൂൾ-ബേസ്ഡ് കൺട്രോളർ (controller). ഈ വിഭജനം സംയോജനത്തിന് (integration) കൂടുതൽ പ്രയാസമുണ്ടാക്കുകയും, പുതിയ ഉൽപ്പന്നങ്ങളോ പാക്കേജിംഗ് രീതികളോ ലേഔട്ടുകളോ വരുമ്പോൾ റോബോട്ടിന് അതിനനുസരിച്ച് മാറാനുള്ള കഴിവിനെ പരിമിതപ്പെടുത്തുകയും ചെയ്യുന്നു.

Isaac 0.5 ഈ വിടവ് നികത്താൻ ശ്രമിക്കുന്നത് എങ്ങനെ

മെറ്റ FAIR (Meta FAIR) ഗവേഷകരായിരുന്ന പെർസെപ്റ്റണിന്റെ (Perceptron) സഹസ്ഥാപകരായ ആർമെൻ അഘജാനിയൻ (Armen Aghajanyan), അക്ഷത് ശ്രീവാസ്തവ (Akshat Shrivastava) എന്നിവർ Isaac 0.5 ഒരു സിംഗിൾ, എൻഡ്-ടു-എൻഡ് (end-to-end) നെറ്റ്‌വർക്കായി നിർമ്മിച്ചു. വീടിനുള്ളിലെയും പുറത്തെയും വൈവിധ്യമാർന്ന ദൃശ്യങ്ങൾ ഉൾക്കൊള്ളുന്ന ഏകദേശം പത്ത് ലക്ഷം മണിക്കൂർ ദൈർഘ്യമുള്ള ജനറൽ വീഡിയോ ഡാറ്റ ഉപയോഗിച്ചാണ് ഈ മോഡലിനെ പരിശീലിപ്പിച്ചത്. ഇതിൽ ഏറ്റവും പ്രധാനമായി, “ego video” (ധരിക്കാവുന്ന ക്യാമറകളിൽ നിന്നുള്ള ഫസ്റ്റ്-പേഴ്സൺ ദൃശ്യങ്ങൾ), “UMI video” (മനുഷ്യരുടെ ആവർത്തന സ്വഭാവമുള്ള പ്രവൃത്തികളുടെ റെക്കോർഡിംഗുകൾ) എന്നിവയും ഉൾപ്പെടുന്നു. റോബോട്ടിന്റെ പാതയുമായി (trajectory) ബന്ധപ്പെട്ട ഡാറ്റയും വിഷ്വൽ സ്ട്രീമുകളും നെറ്റ്‌വർക്കിന് നൽകുന്നതിലൂടെ, കാഴ്ചകൾ എങ്ങനെ ശാരീരിക ചലനങ്ങളായി മാറുന്നു എന്ന് ഈ മോഡൽ പഠിക്കുന്നുണ്ടെന്ന് പെർസെപ്റ്റൺ അവകാശപ്പെടുന്നു.

പറ്റാബൈറ്റുകളോളം വരുന്ന ചിത്രങ്ങൾ, ടെക്സ്റ്റ്, വീഡിയോ, റോബോട്ടിക് പാതകൾ (trajectories) എന്നിവ അടങ്ങുന്നതാണ് തങ്ങളുടെ ഡാറ്റാസെറ്റ് എന്ന് കമ്പനി പറയുന്നു. ഒരു പ്രത്യേക കൺട്രോൾ മോഡ്യൂൾ ഇല്ലാതെ തന്നെ പുതിയൊരു വസ്തുവിനെ തിരിച്ചറിയാനും, അതിന്റെ ഉപയോഗക്ഷമത (affordances - എങ്ങനെ പിടിക്കാം എന്നത്) മനസ്സിലാക്കാനും, ഒരു ചലന പ്ലാൻ (motion plan) തയ്യാറാക്കാനും Isaac 0.5-നെ പ്രാപ്തമാക്കുക എന്നതാണ് ഈ വിപുലമായ ഡാറ്റയുടെ ലക്ഷ്യം.

ഓപ്പൺ-വെയ്റ്റ് മോഡൽ: സുതാര്യതയും പ്രായോഗികതയും ഒത്തുചേരുന്നു

വെറും ഒരു API മാത്രം നൽകുന്ന മിക്ക വാണിജ്യ AI സേവനങ്ങളിൽ നിന്നും വ്യത്യസ്തമായി, പെർസെപ്റ്റൺ Isaac 0.5 ഓപ്പൺ വെയ്റ്റുകളോടെയാണ് (open weights) പുറത്തിറക്കുന്നത്. എഞ്ചിനീയർമാർക്ക് ഇതിന്റെ പാരാമീറ്ററുകൾ പരിശോധിക്കാനും, സ്വന്തം ഡാറ്റ ഉപയോഗിച്ച് നെറ്റ്‌വർക്കിനെ ഫൈൻ ട്യൂൺ ചെയ്യാനും, അല്ലെങ്കിൽ മോഡൽ നേരിട്ട് എഡ്ജ് ഹാർഡ്‌വെയറിൽ (edge hardware) ഉൾപ്പെടുത്താനും സാധിക്കും.