স্বাধীন রোবোট প্রথম পরবর্তী স্কেল অটোরিগ্রেসিভ ওয়ার্ল্ড মডেল WALL-SS প্রকাশ করেছে, যা রোবোট ওয়ার্ল্ড মডেলে ক্রিয়া এবং ফলাফলের কারণ-প্রভাব অসামঞ্জস্যতার সমস্যা সমাধানের উদ্দেশ্যে তৈরি করা হয়েছে। এই মডেলটি একটি গ্রেডুয়েটেড হাইয়ারার্কিক্যাল প্রেডিকশন মেকানিজমের মাধ্যমে বিভিন্ন ক্রিয়াকে প্রকৃতপক্ষে বিভিন্ন ফলাফলের সাথে মিলিয়ে দেয় এবং 60 সেকেন্ড পর্যন্ত অবিচ্ছিন্ন সিমুলেশন অর্জন করে। পরীক্ষায় WALL-SS-এর ক্রিয়া অনুসরণ স্কোর 0.29, যা Cosmos3-Nano-এর 0.044-এর তুলনায় অনেক বেশি। স্বাধীন রোবোট 600টি ভার্চুয়াল-রিয়েল পেয়ারিং পরীক্ষা সম্পন্ন করেছে, যার কাজের সফলতা সহগ 0.926, যা নির্দেশ করে যে ওয়ার্ল্ড মডেলটি রোবোটকে ভার্চুয়াল পরিবেশে কৌশলগুলি পূর্বানুমানের জন্য সহায়তা করতে পারে।

লেখক এবং উৎস: জিকে পার্ক

রোবট বিশ্ব মডেলের পরবর্তী প্রতিযোগিতা হতে পারে গ্রাফিক্স নয়, আর্কিটেকচার।

লেখক | লি ইয়ুয়ান

সম্পাদনা: জেং হুয়ান

একটি রোবটিক আর্মের গ্রিপার যদিও কাপটি ধরে নেই, কাপটি চুম্বকের মতো আকর্ষিত হয়ে গ্রিপারের সাথে উঠে যায়। এই অসম্ভব মনে হওয়া সমস্যাটি রোবটিক্স ওয়ার্ল্ড মডেলকে বিরক্ত করছে, এবং শিল্পে এটিকে "চুম্বকীয় ধরা" বলা হয়।

ভিডিও জেনারেশন মডেলগুলির জন্য শুধুমাত্র চিত্রগুলিকে যুক্তিসঙ্গত দেখানোই লক্ষ্য; কিন্তু ওয়ার্ল্ড মডেলগুলি শুধুমাত্র "প্রকৃতের মতো" হওয়ার প্রতি কেন্দ্রীভূত হতে পারে না। রোবট প্রশিক্ষণের ডেটা বেশিরভাগই সফল প্রদর্শন থেকে আসে, যার ফলে মডেলগুলি সহজ পথে চলতে শেখে: ক্রিয়াগুলির সূক্ষ্ম পার্থক্যগুলি বুঝতে বদলে, চিত্রগুলির ভিত্তিতে সবচেয়ে সম্ভাব্য ফলাফলটি সরাসরি উত্পাদন করা।

বাস্তব জগতে, গ্রিপারের অবস্থান কয়েক মিলিমিটার বিস্থাপিত হলে ফলাফল ধরে রাখা থেকে কাপটি ভেঙে ফেলা বা শূন্য ধরা পর্যন্ত পরিবর্তিত হতে পারে। বিশ্ব মডেলটি সত্যিকারের বুঝতে পারতে হবে ক্রিয়া এবং ফলাফলের মধ্যে কারণ-প্রভাব সম্পর্ক।

আগস্ট ২৭-এ, স্বাধীন চলক রোবট WALL-SS নামক পরবর্তী স্কেলের স্ব-পুনরাবৃত্তি বিশ্ব মডেল প্রকাশ করেছে, যা বিশ্ব মডেলকে "ব্যবহারযোগ্য" থেকে "সহজে ব্যবহারযোগ্য" এ নিয়ে যাওয়ার চেষ্টা করছে। WALL-SS পুরো ছবিটি একবারে জেনারেট করে না, বরং মসৃণ থেকে সূক্ষ্মভাবে ভবিষ্যতকে চিত্রিত করে, যাতে বিভিন্ন ক্রিয়াগুলি প্রকৃতপক্ষে বিভিন্ন ফলাফলের সাথে মিলে যায়; এছাড়াও, দীর্ঘমেয়াদী স্মৃতি মেকানিজমের সাথে একীভূত হয়ে ৬০ সেকেন্ড পর্যন্ত অবিরাম পূর্বানুমান করতে সক্ষম।

পরীক্ষায় দেখা গেছে যে, 60 সেকেন্ড ধরে পুনরাবৃত্তি করার পরও WALL-SS-এর চিত্র এবং গতিপথ বাস্তব ভিডিওর চেয়ে বেশি মিলে যায়, যার অ্যাকশন ফলো-আপ স্কোর 0.29, যেখানে Cosmos3-Nano-এর স্কোর 0.044 এবং অন্যান্য পরীক্ষিত মডেলগুলির স্কোর 0। বলা যায়, WALL-SS হল কয়েকটি মডেলের মধ্যে একটি যা চিত্র পূর্বানুমানের সময় অ্যাকশন নির্দেশনা অনুসরণ করে।

স্বাধীন চলক একসাথে WALL-SS প্রকাশের ঘোষণা করেছে। একটি একীভূত প্রযুক্তিগত পথ এখনও গঠিত হয়নি এমন রোবট বিশ্ব মডেলের জন্য, এই প্রকাশের অর্থ শুধুমাত্র একটি মডেল খোলা নয়, বরং শিল্পকে যাচাই করতে দেওয়া: বিশ্ব মডেলগুলি কি ক্রিয়ার ভিত্তিতে ভবিষ্যদ্বাণী করছে, ভার্চুয়াল সিমুলেশনগুলি কি প্রকৃত রোবটগুলিকে প্রকৃতপক্ষে সহায়তা করতে পারে?

যখন প্রযুক্তিগত প্যারাডাইম এখনও সংক্ষিপ্ত হয়নি, তখন অবিরাম অনুসন্ধানই প্রতিযোগিতামূলক সুবিধা। এমবডিড ইন্টেলিজেন্সের জন্য শুধুমাত্র দ্রুত বাস্তবায়নের হার্ডওয়্যারই যথেষ্ট নয়, এছাড়াও বিদ্যমান পথচলা চ্যালেঞ্জ করে এবং মূল প্রযুক্তির সীমানা বিস্তার করে এমন কোম্পানিরও প্রয়োজন।

ওয়ার্ল্ড মডেল, এমবডিড ইন্টেলিজেন্সের প্রধান পথ

২০২৬ সালে, বিশ্ব মডেলগুলি রোবোটিক্স ক্ষেত্রের সবচেয়ে বেশি মনোযোগ আকর্ষণ করছে এমন একটি প্রযুক্তি হয়ে উঠছে।

নভেডিয়া কসমসকে ধারাবাহিকভাবে আপডেট করছে এবং ভিডিও বিশ্ব মডেলগুলি রোবোট নিয়ন্ত্রণ এবং পরিকল্পনার জন্য ব্যবহার শুরু করেছে; মেটা ভি-জেপিএ 2 রোবোটগুলিকে ভৌত বিশ্বের পরিবর্তনগুলি পূর্বানুমান করে অপরিচিত পরিবেশে ধরে রাখার চেষ্টা করছে। আরও বেশি গবেষণা শুরু হচ্ছে যেখানে রোবোটগুলির "হাতে করা"-এর আগে, ভার্চুয়াল বিশ্বে বিভিন্ন কৌশলের ফলাফল পূর্বানুমান করার জন্য বিশ্ব মডেলগুলির সাহায্যে প্রকৃত মেশিন পরীক্ষা প্রতিস্থাপনের দিকে ঝুঁকছে।

এই তরঙ্গটি বুঝতে কোনও জটিলতা নেই। বড় ভাষা মডেলগুলি পরবর্তী শব্দটি পূর্বানুমান করে ভাষার নিয়মগুলি শেখে, অন্যদিকে বিশ্ব মডেলগুলি পরবর্তী মুহূর্তের বিশ্বটি পূর্বানুমান করে: রোবটটি বামে সরে গেলে, কাপটি পড়ে যাবে কি না; গ্রিপারটি আরও কিছুটা টানলে, বস্তুটি ধরা যাবে কি না; একটি ক্রিয়াকলাপকে দশ সেকেন্ড ধরে চালিয়ে গেলে, দৃশ্যটি চূড়ান্তভাবে কীভাবে পরিবর্তিত হবে।

এটি বিশেষ করে শরীরবাদী বুদ্ধিমত্তার জন্য গুরুত্বপূর্ণ। গত কয়েক বছরে, শিল্পটি মূলত রোবটের "কীভাবে" সমস্যার সমাধানে কাজ করেছে, যেখানে VLA ভিজুয়াল এবং ভাষ্য নির্দেশ অনুযায়ী সরাসরি ক্রিয়া আউটপুট দেয়। কিন্তু রোবটের ক্ষমতা বৃদ্ধির সাথে সাথে, একটি নতুন সমস্যা আরও বেশি উঠে আসছে: কীভাবে বুঝবেন একটি কৌশল প্রকৃতপক্ষে ভালো কিনা?

যদি প্রতিটি মডেল ইটারেশনের জন্য বাস্তব মেশিন টেস্টিংয়ের উপর নির্ভর করতে হয়, তাহলে খরচ বেশি এবং সময় বেশি লাগে, যা ট্রেনিং এবং ইটারেশনের জন্য বাধা হয়ে দাঁড়ায়। প্রচলিত সিমুলেশন কিছু টেস্টিং কাজ করতে পারে, কিন্তু বস্তুর উপাদান, ঘর্ষণ, বিকৃতি এবং সংযোগ সম্পর্কগুলি ম্যানুয়ালি মডেলিং করা প্রয়োজন, যা বাস্তব জগতের জটিলতা কভার করতে কঠিন। ওয়ার্ল্ড মডেলগুলি বাস্তব ভিডিও এবং রোবটের ইন্টারঅ্যাকশন ডেটা থেকে শিখতে চায় যে বিশ্বটি কীভাবে পরিবর্তিত হয়, যাতে রোবটগুলি ভার্চুয়াল পরিবেশে পুনরাবৃত্তভাবে স্ট্র্যাটেজি পূর্বাভাস দিতে এবং যাচাই করতে পারে।

এটি রোবটের সিদ্ধান্ত গ্রহণে আরও গভীরভাবে অংশগ্রহণ করতে পারে। ভিএলএ কাপটি দেখার পর সরাসরি সিদ্ধান্ত নেয় "হাত বাড়ানো" — কিন্তু বিশ্ব মডেলটি প্রথমে বিভিন্ন ক্রিয়ার ফলাফল পূর্বানুমান করে, তারপর রোবটকে আরও উপযুক্ত কৌশল বেছে নিতে সাহায্য করে — "সরাসরি ক্রিয়া" থেকে "প্রথমে কল্পনা করুন, তারপর ক্রিয়া করুন"-এর দিকে।

কিন্তু বাস্তবিকভাবে শরীরবাদী বুদ্ধিমত্তার অবকাঠামো হতে হলে, আজকের বিশ্ব মডেলগুলি এখনও তিনটি প্রধান বাধা অতিক্রম করে।

প্রথমত, ক্রিয়া এবং ফলাফলের কার্যকারণ সামঞ্জস্য। মডেলটি শুধুমাত্র প্রত্যাশিত দৃশ্য তৈরি করতে পারে না, বরং এটি ক্রিয়ার ফলাফল সঠিকভাবে প্রতিফলিত করতে হবে, অন্যথায় একটি বাস্তবে কাপটি ধরতে অক্ষম কৌশলও ভার্চুয়াল পরিবেশে সফল হিসাবে চিহ্নিত হতে পারে।

দ্বিতীয়ত, দীর্ঘস্থায়ী পূর্বানুমান ক্ষমতা। রোবট কাজগুলি প্রায়শই দশ সেকেন্ড বা তার বেশি সময় ধরে চলে, এবং মডেলটিকে নিজের পূর্বানুমানকে পরবর্তী মুহূর্তের ইনপুট হিসাবে নিয়মিত ব্যবহার করতে হয়; যেকোনো ক্ষুদ্র ত্রুটি দীর্ঘস্থায়ী পূর্বানুমানের মধ্যে জমা হয়ে যেতে পারে।

তৃতীয়ত, ভার্চুয়াল প্রেডিকশন এবং বাস্তব মেশিন অপারেশনের সামঞ্জস্যতা। যতই বাস্তবসম্মত এবং দীর্ঘ প্রেডিকশন তৈরি করা হোক না কেন, এটি নিশ্চিত করে না যে মডেলটি আসলে রোবট স্ট্র্যাটেজি মূল্যায়ন করতে পারে। শুধুমাত্র যখন ভার্চুয়াল ওয়ার্ল্ডের পারফরম্যান্স বাস্তব ফলাফলের সাথে স্থিতিশীলভাবে সংযুক্ত হয়, তখনই ওয়ার্ল্ড মডেলটি বাস্তব ট্রায়াল-এন্ড-এররের কিছুটা প্রতিস্থাপনের মূল্য অর্জন করে।

এই তিনটি বাধা পরবর্তী পর্যায়ের বিশ্ব মডেল প্রতিযোগিতার কেন্দ্রবিন্দু হয়ে উঠছে।

WALL-SS, আর্কিটেকচারের ভিত্তিতে বিশ্ব মডেল উন্নত করুন

WALL-SS হল এই সমস্যাগুলির জন্য একটি নতুন প্রচেষ্টা। পেপারের বর্ণনা অনুযায়ী, এটি প্রথম বিশ্ব মডেল যা পরবর্তী স্কেল অটোরিগ্রেসিভ আর্কিটেকচার ব্যবহার করে।

আগে, অনেক বিশ্ব মডেল ভিডিও ডিফিউশনের ধারণা অনুসরণ করেছিল: ইতিহাসের দৃশ্য এবং ক্রিয়াকলাপ ইনপুট হিসাবে দেওয়া হয়, এবং একাধিক পুনরাবৃত্তি ডিনয়েজিংয়ের মাধ্যমে ভবিষ্যতের ভিডিও তৈরি করা হয়। ক্রিয়াকলাপ যদিও জেনারেশনের শর্ত হয়, তবুও এটি "ক্রিয়াকলাপ → ফলাফল" জেনারেশন চেইনে স্পষ্টভাবে অন্তর্ভুক্ত করা হয়নি, ফলে মডেলটি দৃশ্যমান পূর্বধারণার উপর নির্ভর করে, একটি "সম্ভাব্যতা সহকারে সফল" ভবিষ্যতকে সরাসরি পূর্বানুমান করে—যদিও গ্রিপারটি আসলে কাপটি ধরে না রাখে, তবুও কাপটি সফলভাবে উত্তোলনের দৃশ্যটি তৈরি করা যেতে পারে।

WALL-SS পর্যবেক্ষণ এবং ক্রিয়াকলাপকে "পর্যবেক্ষণ—ক্রিয়া—নতুন পর্যবেক্ষণ" কার্যকারণ ধারায় সংগঠিত করে, যাতে ক্রিয়াকলাপগুলি ভবিষ্যতের অবস্থার সৃষ্টিতে সক্রিয়ভাবে অংশগ্রহণ করে। সহজ ভাষায়, প্রথমে বিশ্বের কীভাবে পরিবর্তিত হবে তা নির্ধারণ করা হয়, তারপর ধাপে ধাপে বিস্তারিত বিবরণ যোগ করা হয়: মসৃণ স্কেলে মেকানিক্যাল আর্ম এবং বস্তুর প্রাথমিক অবস্থা নির্ধারণ করা হয়, এবং সূক্ষ্ম স্কেলে গতি এবং সংস্পর্শ পুনরুদ্ধার করা হয়। ব্যর্থতা, হস্তান্তর এবং সংশোধনের ডেটা সহযোগিতায়, মডেলটি "ক্রিয়াটি ভিন্ন, ফলাফলও ভিন্ন" হবে তা শেখে।

এই ক্ষমতাটি মেট্রিক্সে যাচাই করা হয়েছে। WALL-SS-এর অ্যাকশন ফলো স্কোর 0.29 এবং ট্র্যাজেক্টরি অ্যাকুরেসি 0.539; তুলনায়, Cosmos3-Nano-এর অ্যাকশন ফলো স্কোর মাত্র 0.044। অন্যান্য মডেলগুলির স্কোর শূন্য।

একটি অন্যান্য গুরুত্বপূর্ণ সমস্যা হল বিশ্ব মডেলটি যথেষ্ট দীর্ঘ সময় মনে রাখতে পারে কিনা। WALL-SS বহু-স্কেল দীর্ঘমেয়াদী স্মৃতির মাধ্যমে সাম্প্রতিক বিস্তারিত ধরে রাখে, দীর্ঘমেয়াদী ইতিহাসকে সংকুচিত করে এবং মডেলটিকে প্রশিক্ষণের সময় নিজের ভবিষ্যদ্বাণীর উপর ভিত্তি করে পরবর্তী প্রক্রিয়াটি চালিয়ে যেতে দেয়, যাতে ত্রুটির সঞ্চয় কমে। এর ফলে মডেলটি 60 সেকেন্ড পর্যন্ত অবিচ্ছিন্নভাবে প্রক্রিয়াকরণ করতে পারে, যখন অন্যান্য মডেলগুলির জন্য 20-30 সেকেন্ডই সীমা।

এর চেয়েও গুরুত্বপূর্ণ হলো, এই ক্ষমতাগুলি চূড়ান্তভাবে বাস্তব মেশিনে পরীক্ষিত হয়েছে। স্বাধীন চলকগুলি একই কৌশলকে WALL-SS এবং বাস্তব রোবটে যথাক্রমে বাস্তবায়ন করে 600টি ভার্চুয়াল-বাস্তব জোড়া পরীক্ষা সম্পন্ন করে। ফলাফলগুলি দেখায় যে, উভয়ের কার্যসফলতা সহসম্পর্ক 0.926 এ পৌঁছেছে, এবং বিভিন্ন কৌশলের শক্তির ক্রমানুসারে সঠিকভাবে সাজানোর মাত্রা 89%।

এর অর্থ হল বিশ্ব মডেলটি একটি গুরুত্বপূর্ণ মূল্য অর্জন করতে শুরু করেছে: শুধুমাত্র "বাস্তবসম্মত" ভবিষ্যত তৈরি করা নয়, বরং রোবটগুলিকে বিভিন্ন ক্রিয়াকলাপের ফলাফল বুঝতে এবং ভার্চুয়াল বিশ্বে কৌশলগুলি পূর্বে যাচাই করতে সাহায্য করা।

অবশ্যই, WALL-SS এখনও সীমাবদ্ধতা রাখে। এর অ্যাকশন ইনপুটগুলি প্রধানত মেকানিক্যাল আর্মের শেষ পয়েন্টের অবস্থান, দিক এবং গ্রিপারের খোলা-বন্ধ অবস্থাকে অন্তর্ভুক্ত করে, যা সম্পূর্ণ জয়েন্ট স্টেট, বল এবং টর্ককে অন্তর্ভুক্ত করে না, তাই সূক্ষ্ম সংযোগ এবং বহু-আঙুলির দক্ষ হাতের সমর্থনের জন্য আরও যাচাইয়ের প্রয়োজন।

রুট এখনও কনভার্জ হয়নি, তাই অ্যার্কিটেকচার ইনোভেশন চালিয়ে যান

WALL-SS হল স্বাধীন চলকের হঠাৎ করে বিশ্ব মডেলের জনপ্রিয়তার পিছনে দৌড়ানোর ফলাফল নয়। গত বছর ধরে, স্বাধীন চলক একই সমস্যার অনুসন্ধান করে আসছে: কীভাবে রোবটের বিশ্বের বোঝাপড়া, ক্রিয়ার পূর্বানুমান এবং বাস্তব কার্যক্রমকে প্রকৃতপক্ষে সংযুক্ত করা যায়।

WALL-OSS একটি একক এমবডিড বেস মডেলে দৃশ্য, ভাষা এবং রোবট ক্রিয়াকলাপকে বৃহৎ বহুমাধ্যমিক প্রাক-প্রশিক্ষণের মাধ্যমে একীভূত করে; WALL-OSS-0.5 প্রাক-প্রশিক্ষণের ক্ষমতাকে বাস্তব রোবটে স্থানান্তরিত করে; তারপর, WALL-WM বিশ্বের পরিবর্তন এবং রোবট ক্রিয়াকলাপের সমন্বিত মডেলিং শুরু করে, এবং X-Tokenizer বিভিন্ন রোবট এবং বিভিন্ন ক্রিয়াকলাপকে একটি একক মডেলে কীভাবে একীভূত করা যায় তা অন্বেষণ করে। WALL-SS-এ, এই পথটি একটি মৌলিক প্রশ্নের দিকে আরও এগিয়ে যায়: একটি ক্রিয়াকলাপ সম্পন্ন করার পরে, বিশ্বটি কীভাবে পরিবর্তিত হবে?

এই সিরিজের মাধ্যমে অনুসন্ধানের মূল বিষয় হল স্বাধীন চলকের উপর ভিত্তি করে “বিশ্ব-ক্রিয়া” একীভূত মডেলিংয়ের দীর্ঘমেয়াদী প্রচেষ্টা। রোবটকে শুধু ক্রিয়া করতে পারতে হবে না, বরং ক্রিয়ার ফলাফল পূর্বানুমান করতে হবে এবং ফলাফলের ভিত্তিতে নিজের আচরণকে নিয়মিত সংশোধন করতে হবে। মডেল, ডেটা, অন্তর্ভুক্তি এবং বাস্তব মেশিনের অভিজ্ঞতা যতই সঞ্চিত হচ্ছে, এই অনুসন্ধানগুলি ধীরে ধীরে পরস্পরের সাথে প্রতিক্রিয়াশীল প্রযুক্তিগত বন্দনা গঠন করছে।

আর এমবডিড ইন্টেলিজেন্সের ভিত্তিগত কাঠামো এখনও সংকুচিত হয়নি। এই পর্যায়ে, প্রতিবার চেষ্টায় চূড়ান্ত উত্তরটি সঠিকভাবে অনুমান করা নয়, বরং নতুন কাঠামোর অনুমান নিয়মিতভাবে উত্থাপন করা, ডেটা এবং বাস্তব মেশিন দিয়ে এটি যাচাই করা, এবং ফলাফলের ভিত্তিতে পথ নিয়মিতভাবে সামঞ্জস্য করা সবচেয়ে গুরুত্বপূর্ণ।

এই ঘোষণাটি WALL-SS প্রকাশের সাথে একই চিন্তাধারার পরবর্তী পদক্ষেপ। এটি শুধু একটি মডেল প্রকাশ নয়, বরং একটি এমন প্রযুক্তিগত পথ যা শিল্পটি একসাথে যাচাই করতে পারে: পরবর্তী স্কেলের অটোরিগ্রেসিভ মডেল কি রোবটের জন্য বেশি উপযুক্ত? ক্রিয়া এবং ফলাফল কি প্রকৃতপক্ষে মিলবে? ভার্চুয়াল টেস্টিং কি বাস্তব রোবটের পারফরম্যান্সকে প্রতিফলিত করতে পারে? গবেষকরা এটির উপর ভিত্তি করে আরও অনুসন্ধান করতে পারেন, এবং রোবট কোম্পানিগুলি সরাসরি যাচাই করতে পারেন যে এটি তাদের ট্রেনিং এবং মূল্যায়ন সিস্টেমে প্রবেশ করতে পারে কিনা।

এটি প্রাথমিক এমবডিড ইন্টেলিজেন্স শিল্পের জন্যও গুরুত্বপূর্ণ: শিল্পের অনুসন্ধানের খরচ কমানো এবং বিভিন্ন পথকে বাস্তব প্রয়োগে পরীক্ষা করা।

গত কয়েক বছরে, দেশীয় এমবডিড ইন্টেলিজেন্সের প্রতিযোগিতা বেশি করে শরীর, ডেটা এবং পণ্যের বাস্তবায়নের উপর কেন্দ্রীভূত হয়েছিল। কিন্তু একটি এখনও পরিষ্কারভাবে গঠিত শিল্পকে শুধুমাত্র পরিপক্ক আর্কিটেকচারের অপেক্ষায় থাকা উচিত নয়, এটির জন্য বিশ্ব মডেল, অ্যাকশন রিপ্রেজেন্টেশন এবং শিক্ষার পদ্ধতির মতো আরও মৌলিক স্তরে প্রবেশ করে পরবর্তী সম্ভাবনা খুঁজতে থাকা প্রয়োজন।

WALL-SS অবশ্যই চূড়ান্ত উত্তর নয়, কিন্তু এটি একটি পরিবর্তনকে প্রতিনিধিত্ব করে: দেশীয় কোম্পানিগুলি শুধুমাত্র বিদ্যমান পথের অনুসরণ করার পরিবর্তে নিজস্ব আর্কিটেকচারাল ধারণা প্রস্তাব করতে শুরু করেছে এবং এগুলিকে শিল্পের পরীক্ষার জন্য খুলে দিয়েছে।

যখন প্রযুক্তিগত পথ প্রকৃতপ্রস্তাবে পরিবর্তিত হয়, তখন একটি কোম্পানির সিদ্ধান্ত নির্ভর করে শুধুমাত্র এটি পূর্বপুরুষের সাথে পাল্লা দিয়েছে কিনা, বরং এটি কি সর্বদা পরবর্তী প্রজন্মের অন্বেষণের ক্ষমতা বজায় রেখেছে।