फिजिकल एआई की व्याख्या: यह क्या है और यह सॉफ्टवेयर एआई से अलग क्यों है

भौतिक एआई को परिभाषित करना

भौतिक एआई कृत्रिम बुद्धिमत्ता प्रणालियों को संदर्भित करता है जो सेंसर के माध्यम से भौतिक दुनिया को समझते हैं और पाठ, चित्र या कोड उत्पन्न करने के बजाय एक्चुएटर्स - मोटर्स, न्यूमेटिक्स, एंड-इफ़ेक्टर - के माध्यम से उस पर कार्य करते हैं। भौतिक एआई में "भौतिक" विशुद्ध रूप से डिजिटल एआई से अंतर पर जोर देता है: एक भाषा मॉडल टोकन को संसाधित और उत्पन्न करता है; एक भौतिक एआई सिस्टम सेंसर रीडिंग को संसाधित करता है और मोटर कमांड उत्पन्न करता है जो अंतरिक्ष के माध्यम से द्रव्यमान को स्थानांतरित करता है और वस्तुओं के साथ बातचीत करता है।

रोबोटिक्स और स्वायत्त मशीनों के लिए एआई सिस्टम के आने वाले युग का वर्णन करने के लिए एनवीआईडीआईए के जेन्सेन हुआंग द्वारा इस शब्द को लोकप्रिय बनाया गया है, और उद्योग में इसे व्यापक रूप से अपनाया गया है। यह अनिवार्य रूप से "अवशोषित एआई" का पर्याय है - पुराना शैक्षणिक शब्द - लेकिन विशुद्ध रूप से अनुसंधान के बजाय भौतिक उत्पादों और औद्योगिक प्रणालियों में तैनाती पर अधिक जोर दिया गया है।

क्यों अवतार सब कुछ बदल देता है

सॉफ़्टवेयर AI को पूरी तरह से पहले से मौजूद डेटा पर प्रशिक्षित किया जा सकता है - इंटरनेट से निकाले गए टेक्स्ट, चित्र, वीडियो। भौतिक एआई को अपना प्रशिक्षण डेटा उत्पन्न करने के लिए दुनिया के साथ बातचीत की आवश्यकता होती है। एक भाषा मॉडल सदियों से निर्मित मानव लेखन से सीख सकता है; एक रोबोट को वास्तविक समय में, एक समय में एक एपिसोड, भौतिक टेलीऑपरेशन या स्वायत्त अन्वेषण के माध्यम से अपना स्वयं का प्रदर्शन उत्पन्न करना होगा। यह फिजिकल एआई की मूलभूत डेटा बाधा है।

अवतार परिणाम भी प्रस्तुत करता है। जब कोई भाषा मॉडल कोई त्रुटि करता है, तो यह गलत पाठ उत्पन्न करता है। जब कोई रोबोट कोई गलती करता है, तो वह वस्तुओं को नुकसान पहुंचा सकता है, लोगों को घायल कर सकता है या खुद को नष्ट कर सकता है। यह परिणाम संरचना विश्वसनीयता, अनिश्चितता मात्रा निर्धारण और सुरक्षित विफलता मोड की आवश्यकताओं को उन तरीकों से बदल देती है जिनका सॉफ़्टवेयर AI को सामना नहीं करना पड़ता है। एक भौतिक एआई प्रणाली जो 95% विश्वसनीय है, कुछ सेटिंग्स में व्यावसायिक रूप से स्वीकार्य हो सकती है और अन्य में विनाशकारी रूप से खतरनाक हो सकती है, जो 5% विफलताओं के जोखिम पर निर्भर करती है।

डेटा समस्या

भौतिक एआई की परिभाषित चुनौती डेटा की कमी है। इंटरनेट में पाठ के सैकड़ों खरबों टोकन और अरबों छवियां हैं, जो भाषा और दृष्टि मॉडल के प्रशिक्षण के लिए एक विशाल सब्सट्रेट प्रदान करती हैं। रोबोट इंटरैक्शन डेटा का कोई समतुल्य संग्रह नहीं है। ओपन एक्स-एम्बोडिमेंट डेटासेट, 2026 तक का सबसे बड़ा ओपन रोबोट डेटासेट, इसमें लगभग दस लाख रोबोट एपिसोड शामिल हैं - एलएलएम पूर्व-प्रशिक्षण उपयोग की तुलना में कम परिमाण के डेटा के ऑर्डर।

इस अंतर को पाटना एसवीआरसी जैसे संगठनों का केंद्रीय मिशन है। हमारा डेटा सेवा मंच अनुसंधान टीमों और एआई कंपनियों को बड़े पैमाने पर उच्च गुणवत्ता वाले रोबोट प्रदर्शन डेटा एकत्र करने में मदद करने के लिए मौजूद है। भौतिक एआई के लिए डेटा वास्तविक हार्डवेयर पर, वास्तविक वातावरण में, कुशल मानव ऑपरेटरों द्वारा या सावधानीपूर्वक डिज़ाइन की गई स्वायत्त संग्रह पाइपलाइनों के माध्यम से एकत्र किया जाना चाहिए - इसे वेब से स्क्रैप नहीं किया जा सकता है। यही कारण है कि डेटा संग्रह बुनियादी ढांचा भौतिक एआई के लिए रणनीतिक रूप से उतना ही महत्वपूर्ण है जितना कि सॉफ्टवेयर एआई के लिए कंप्यूट बुनियादी ढांचा।

भौतिक दुनिया के लिए फाउंडेशन मॉडल

एआई क्षेत्र भौतिक एआई के लिए फाउंडेशन मॉडल बनाने के लिए सक्रिय रूप से काम कर रहा है जो भाषा और छवियों के लिए जीपीटी-4 और जेमिनी के समानांतर है। ये मॉडल - जिन्हें कभी-कभी रोबोट फाउंडेशन मॉडल, विश्व मॉडल या सामान्यवादी रोबोट नीतियां कहा जाता है - बड़े क्रॉस-अवतार डेटासेट पर प्रशिक्षित होते हैं और अपेक्षाकृत कुछ अतिरिक्त प्रदर्शनों के साथ विशिष्ट रोबोट और कार्यों के लिए ठीक से ट्यून किए जा सकते हैं। उदाहरणों में ऑक्टो (यूसी बर्कले से), ओपनवीएलए, π0 (फिजिकल इंटेलिजेंस से), और Google के RT-2 और RT-2-X शामिल हैं।

ये मॉडल एक वास्तविक प्रतिमान बदलाव का प्रतिनिधित्व करते हैं: प्रत्येक कार्य के लिए एक नई नीति को शुरू से प्रशिक्षित करने के बजाय, टीमें एक पूर्व-प्रशिक्षित फाउंडेशन मॉडल से शुरू कर सकती हैं जो पहले से ही समझता है कि वस्तुओं में हेरफेर कैसे करना है और निर्देशों का पालन करना है, फिर इसे अपने विशिष्ट रोबोट और कार्य डोमेन के लिए ठीक करना है। प्री-ट्रेनिंग डेटासेट की गुणवत्ता और कवरेज सीधे तौर पर यह निर्धारित करती है कि फाउंडेशन मॉडल कितना उपयोगी है, यही कारण है कि बड़े पैमाने पर डेटा संग्रह पूरे क्षेत्र के लिए एक रणनीतिक प्राथमिकता है।

अग्रणी अनुसंधान समूह और उद्योग के खिलाड़ी

भौतिक एआई अनुसंधान में अकादमिक नेताओं में यूसी बर्कले (चेल्सी फिन, पीटर एबील, केन गोल्डबर्ग समूह), स्टैनफोर्ड (फी-फी ली, डोरसा सैडिघ, चेल्सी फिन लैब्स), सीएमयू (दीपक पाठक, डेविड हेल्ड), एमआईटी (पुलकित अग्रवाल, रस टेड्रेके), और ईटीएच ज्यूरिख (मार्को हटर के पैर वाले रोबोटिक्स समूह) शामिल हैं। उद्योग जगत के नेताओं में फिजिकल इंटेलिजेंस (π), गूगल डीपमाइंड रोबोटिक्स, एनवीआईडीआईए आइजैक लैब, माइक्रोसॉफ्ट रिसर्च रोबोटिक्स और प्रमुख ह्यूमनॉइड कंपनियों के रोबोटिक्स डिवीजन शामिल हैं।

भौतिक एआई में एसवीआरसी की भूमिका

एसवीआरसी भौतिक एआई पारिस्थितिकी तंत्र में एक महत्वपूर्ण बुनियादी ढांचे पर कब्जा कर लेता है: हम हार्डवेयर और डेटा संग्रह सेवाएं प्रदान करते हैं जो भौतिक एआई अनुसंधान और तैनाती को सक्षम करते हैं। हमारी पालो ऑल्टो सुविधा, रोबोट लीजिंग प्रोग्राम और डेटा प्लेटफ़ॉर्म को भौतिक एआई विकास को उन टीमों के लिए सुलभ बनाने के लिए डिज़ाइन किया गया है जिनके पास अपने स्वयं के हार्डवेयर बेड़े और संग्रह बुनियादी ढांचे के निर्माण के लिए संसाधन नहीं हैं। चाहे आप नई नीति का प्रशिक्षण देने वाली अनुसंधान प्रयोगशाला हों, भौतिक उत्पाद बनाने वाला स्टार्टअप हों, या रोबोटिक्स पायलट चलाने वाला उद्यम हों, एसवीआरसी भौतिक बुनियादी ढांचा परत प्रदान करता है जिसकी भौतिक एआई को आवश्यकता होती है। हमारे साथ शुरू करें डेटा सेवाएँ या रोबोट पट्टे पर देना कार्यक्रम, या हमसे संपर्क करें आपके विशिष्ट भौतिक AI प्रोजेक्ट पर चर्चा करने के लिए।