केवळ डिजिटल-आधारित AI चा काळ आता बदलत आहे, कारण स्टार्टअप्स सॉफ्टवेअर इंटेलिजन्स आणि प्रत्यक्ष अंमलबजावणी (physical execution) मधील अंतर कमी करण्याचा प्रयत्न करत आहेत. Meta AI च्या माजी संशोधकांनी स्थापन केलेले Perceptron हे नवीन उपक्रम, यंत्रांना वास्तविक जगामध्ये हालचाल करण्यास आणि संवाद साधण्यास मदत करण्यासाठी प्रगत 'vision models' विकसित करून या क्षेत्रात आघाडी घेत आहे.

द्वैत मोडणे: जनरलिट (Generalist) विरुद्ध नॅरो (Narrow) मॉडेल्स

अनेक वर्षांपासून, औद्योगिक ऑटोमेशन एका तांत्रिक कोंडीत अडकले आहे. डेव्हलपर्सना सहसा दोन पर्यायांपैकी एक निवडावा लागत असे: एकतर प्रचंड, जनरलिट फाउंडेशन मॉडेल्स, ज्यांच्या प्रत्येक वापरासाठी महागड्या आणि समर्पित क्लाउड GPUs ची आवश्यकता असते, किंवा नॅरो (narrow), विशेष मॉडेल्स, जे केवळ 'perception' किंवा 'control' हाताळू शकतात, परंतु दोन्ही गोष्टी करण्याची क्षमता त्यांच्यात नसते.

Perceptron चे सह-संस्थापक, Armen Aghajanyan आणि Akshat Shrivastava—जे दोघेही Meta च्या Fundamental AI Research (FAIR) विभागाचे माजी विद्यार्थी आहेत—त्यांच्या नवीन मॉडेलद्वारे, Isaac 0.5 द्वारे ही समस्या सोडवण्याचा प्रयत्न करत आहेत. एकाच प्रकारच्या, पुनरावृत्ती होणाऱ्या कामांसाठी डिझाइन केलेल्या सध्याच्या सॉफ्टवेअरच्या उलट, Isaac 0.5 हे एक जनरल-पर्पज मॉडेल आहे. हे रोबोट्सना "perceive, reason, and act" (जाणून घेणे, तर्क करणे आणि कृती करणे) करण्याची क्षमता प्रदान करते, ज्यामुळे त्यांना एका विशिष्ट हालचालीसाठी मर्यादित न राहता विविध वातावरणाशी जुळवून घेता येते.

फिजिकल इंटेलिजन्सची कार्यपद्धती

Perceptron च्या दृष्टिकोनातील गुंतागुंत समजून घेण्यासाठी, पॅकेज sort करण्यासारख्या वेअरहाऊसच्या (warehouse) एका सामान्य कामाचा विचार करावा लागेल. एखादा रोबोट केवळ "बॉक्स उचलू" शकत नाही; त्याला प्रथम लेबल्स वाचणे, सभोवतालच्या परिसराचा नकाशा तयार करण्यासाठी 'spatial analysis' करणे, वस्तू उचलण्याचा सर्वोत्तम क्रम ठरवणे आणि त्याच्या हालचालीचा मार्ग (physical trajectory) नियोजित करणे आवश्यक असते.

Isaac 0.5 हे या बहु-स्तरीय संज्ञानात्मक (cognitive) प्रक्रियांचे व्यवस्थापन करण्यासाठी डिझाइन केलेले आहे. विविध परिस्थिती आणि संदर्भांना ओळखण्यासाठी या मॉडेलला प्रचंड प्रमाणात, म्हणजेच १० लाख तासांच्या जनरल व्हिडिओ डेटावर प्रशिक्षित करण्यात आले आहे. शारीरिक चपळता (physical dexterity) आत्मसात करण्यासाठी, कंपनीने "ego video" (वेअरेबल कॅमेऱ्यातून घेतलेले प्रथम-पुरुष दृष्टिकोन) आणि UMI व्हिडिओ (मानवी कृतींचे रेकॉर्डिंग) यांचा वापर केला, जेणेकरून AI ला हालचाली कशा प्रकारे काम पूर्ण करण्यास मदत करतात हे शिकवता येईल. Shrivastava यांनी नमूद केले की, या "algorithmic alchemy" च्या पातळीपर्यंत पोहोचण्यासाठी कंपनीने प्रतिमा, मजकूर, व्हिडिओ आणि रोबोटिक ट्रॅजेक्टरीजचा समावेश असलेले पेटॅबाइट-स्केल डेटासेट तयार केले आहेत.

ओपन-वेट स्ट्रॅटेजी आणि मार्केट विस्तार

पारदर्शकता आणि डेव्हलपर्सना प्रोत्साहन देण्यासाठी, Perceptron हे Isaac 0.5 एक 'open-weight' मॉडेल म्हणून रिलीज करत आहे. यामुळे संशोधक आणि इंजिनिअर्सना त्याचे पॅरामीटर्स आणि ट्रेनिंग मटेरियल तपासता येईल, जे अशा औद्योगिक वातावरणात AI समाविष्ट करण्यासाठी एक महत्त्वाचे पाऊल आहे जिथे अंदाज वर्तवता येणे (predictability) अत्यंत आवश्यक असते.

Bessemer Venture Partners च्या नेतृत्वाखालील $21 million च्या फंडिंग राउंडद्वारे समर्थित, Perceptron स्वतःला विविध क्षेत्रांसाठी एक 'intelligence layer' म्हणून प्रस्थापित करत आहे. जरी मुख्य लक्ष लॉजिस्टिक आणि मॅन्युफॅक्चरिंगवर असले, तरी कंपनीला सुरक्षा, मोबिलिटी आणि अगदी मीडिया आणि एंटरटेनमेंटमध्येही याचे तात्काळ उपयोग दिसत आहेत. एक लवचिक इंटेलिजन्स लेयर प्रदान करून, जगभरातील औद्योगिक क्षेत्रात 'vision-guided' रोबोट्स कसे कार्य करतात, यामध्ये बदल करण्याचे Perceptron चे उद्दिष्ट आहे.

मुख्य मुद्दे

  • अंतर कमी करणे: Isaac 0.5 हे "perceive, reason, and act" हे जनरल-पर्पज फ्रेमवर्क देऊन, संसाधने खर्चिक करणारे जनरलिट मॉडेल्स आणि मर्यादित नॅरो मॉडेल्स यांमधील निवड करण्याची गरज संपवण्याचे उद्दिष्ट ठेवते.
  • प्रचंड ट्रेनिंग स्केल: रोबोट्सना जटिल अवकाशीय (spatial) आणि मॅन्युअल कामे शिकवण्यासाठी हे मॉडेल १० लाख तासांच्या व्हिडिओ डेटाचा (ज्यामध्ये ego-centric आणि UMI व्हिडिओचा समावेश आहे) वापर करते.
  • ओपन-वेट सुलभता: Isaac 0.5 ओपन-वेट्ससह रिलीज करून, Perceptron औद्योगिक वर्कफ्लोमध्ये प्रगत 'vision AI' चे सखोल निरीक्षण आणि जलद एकत्रीकरण सुलभ करते.

Perceptron ने Isaac 0.5 चे अनावरण केले आहे, जे एक ओपन-वेट व्हिजन मॉडेल आहे आणि रोबोट्सना एकसंध “perceive-reason-act” मेंदू देण्याचे आश्वासन देते. या स्टार्टअपने Bessemer Venture Partners च्या नेतृत्वाखाली $21 million उभारले आहेत आणि हे मॉडेल लॉजिस्टिक, मॅन्युफॅक्चरिंग आणि इतर फिजिकल-ऑटोमेशन मार्केटसाठी एक 'drop-in intelligence layer' म्हणून सादर करत आहे.

हे लॉन्च का महत्त्वाचे आहे

औद्योगिक रोबोट्सना दीर्घकाळापासून एका तडजोडीला (trade-off) सामोरे जावे लागत आहे. एक प्रचंड, जनरल-पर्पज फाउंडेशन मॉडेल तैनात केल्यास तुम्हाला सतत क्लाउड GPU वापरासाठी पैसे मोजावे लागतात; आणि जर तुम्ही नॅरो, टास्क-स्पेसिफिक व्हिजन सिस्टम वापरली, तर वातावरण बदलल्यावर तुम्ही लवचिकता गमावता. Isaac 0.5 ला एक मध्यम मार्ग म्हणून सादर केले जात आहे—असे एक मॉडेल जे प्रत्येक वापरासाठी क्लाउड कम्प्युटची गरज न पडता 'perception', 'planning' आणि 'control' हाताळू शकते.

आजच्या रोबोट ब्रेन मधील समस्या

एका सामान्य वेअरहाऊस रोबोटचे काम केवळ बॉक्स उचलण्यापुरते मर्यादित नसते. त्याला लेबल वाचणे, विखुरलेल्या वस्तूंमधून वस्तू शोधणे, उचलण्याचा सर्वोत्तम क्रम ठरवणे आणि कोणत्याही अडथळ्याशिवाय हाताचा मार्ग (trajectory) मोजणे - हे सर्व रिअल टाइममध्ये करावे लागते. सध्याचे उपाय सहसा या पायऱ्या वेगवेगळ्या सॉफ्टवेअर घटकांमध्ये विभागतात: लेबलसाठी एक हलका डिटेक्टर (lightweight detector), हालचालीसाठी एक मॅन्युअली तयार केलेला प्लॅनर (handcrafted planner) आणि अंमलबजावणीसाठी एक नियम-आधारित कंट्रोलर (rule-based controller). या विभाजनामुळे इंटिग्रेशनचा भार वाढतो आणि नवीन उत्पादन, पॅकेजिंग शैली किंवा लेआउट समोर आल्यावर रोबोटची जुळवून घेण्याची क्षमता मर्यादित होते.

Isaac 0.5 ही दरी कशी भरून काढण्याचा प्रयत्न करते

Perceptron चे सह-संस्थापक, Armen Aghajanyan आणि Akshat Shrivastava, जे दोघेही Meta FAIR चे माजी संशोधक आहेत, त्यांनी Isaac 0.5 हे एक सिंगल, एंड-टू-एंड नेटवर्क म्हणून विकसित केले आहे. हे मॉडेल साधारणपणे दहा लाख तासांच्या सामान्य व्हिडिओ डेटावर प्रशिक्षित केले गेले आहे, ज्यामध्ये विविध प्रकारच्या इनडोअर आणि आउटडोअर दृश्यांचा समावेश आहे. महत्त्वाचे म्हणजे, ट्रेनिंग सेटमध्ये "ego video" – वेअरेबल कॅमेऱ्यातून घेतलेले फर्स्ट-पर्सन फुटेज – आणि "UMI video," म्हणजेच मानवी कृतींच्या पुनरावृत्तीचे रेकॉर्डिंग यांचाही समावेश आहे. रोबोट-ट्रॅजेक्टरी डेटासह व्हिज्युअल स्ट्रीम्स नेटवर्कला पुरवून, Perceptron चा दावा आहे की हे मॉडेल व्हिज्युअल संकेत (visual cues) प्रत्यक्ष हालचालींमध्ये कसे रूपांतरित होतात हे शिकते.

कंपनीचे म्हणणे आहे की त्यांचा डेटासेट पेटॅबाइट्सच्या प्रतिमा, मजकूर, व्हिडिओ आणि रोबोटिक ट्रॅजेक्टरीज व्यापतो. ही व्याप्ती Isaac 0.5 ला नवीन वस्तू ओळखणे, तिची 'अफोर्डन्स' (affordances - ती कशी पकडता येईल) ओळखणे आणि हालचालीचा प्लॅन तयार करणे, हे सर्व कोणत्याही वेगळ्या कंट्रोल मॉड्यूलशिवाय करण्याची क्षमता देण्यासाठी आहे.

ओपन-वेट मॉडेल: पारदर्शकता आणि व्यवहार्यता यांचा संगम

केवळ API प्रदान करणाऱ्या बहुतेक व्यावसायिक AI सेवांच्या उलट, Perceptron Isaac 0.5 ओपन वेट्ससह (open weights) रिलीज करत आहे. इंजिनिअर्स पॅरामीटर्सची तपासणी करू शकतात, स्वतःच्या डेटावर नेटवर्कला फाईन-ट्यून करू शकतात किंवा मॉडेल थेट एज हार्डवेअरवर (edge hardware) एम्बेड करू शकतात.