एम्बॉडिड इंटेलिजेंस उद्योग में प्रतिस्पर्धा डेटा की सीमाओं पर केंद्रित है, जिसमें क्वानचेइ इंटेलिजेंस ने अलीबाबा क्लाउड के साथ मिलकर क्लाउड-आधारित स्वचालित डेटा प्रोसेसिंग लाइन बनाई है। UMI समाधान का उपयोग रोबोट ऑपरेशन डेटा इकट्ठा करने के लिए किया जाता है, लेकिन इकट्ठा करने के बाद इसे पोज़ रिकवरी, फिशआई कैलिब्रेशन, एक्शन सेगमेंटेशन, मल्टीमॉडल एनोटेशन जैसे जटिल चरणों से गुजरना पड़ता है। अलीबाबा क्लाउड डिस्ट्रीब्यूटेड कंप्यूटिंग क्षमता प्रदान करता है, जिससे पूरी प्रक्रिया स्वचालित हो जाती है, डेटा थ्रूपुट 10 गुना से अधिक बढ़ जाता है, क्लाउड कंप्यूटिंग पावर 100,000+ CU तक लचीले ढंग से विस्तारित की जा सकती है, और मॉडल ट्रेनिंग की कुशलता लगभग 50% बढ़ जाती है। यह सहयोग साबित करता है कि रोबोट डेटा को पैमाने पर, मानकीकृत उत्पादन प्रणाली के रूप में स्थापित किया जा सकता है, जो मॉडल अपडेट के लिए निरंतर डेटा समर्थन प्रदान करता है, और एम्बॉडिड इंटेलिजेंस कंपनियों के लिए नई बुनियादी ढांचे की क्षमता बनता है।

लेखक, स्रोत: जीके पार्क

अगर 2025 को शरीरिक बुद्धिमत्ता के विस्फोट का वर्ष माना जाता है, तो इस साल, उद्योग की प्रतिस्पर्धा पहले से ही एक नए चरण में प्रवेश कर चुकी है।

घरेलू और विदेशी रोबोट कंपनियों की बढ़ती संख्या द्वारा नए उत्पादों के लॉन्च से लेकर पूंजी के निरंतर निवेश तक, एम्बॉडीड इंटेलिजेंस AI के क्षेत्र में सबसे अधिक ध्यान आकर्षित करने वाली दिशाओं में से एक बन गया है। हालांकि, उद्योग के तेजी से विकास के साथ, एक नया सहमति बन रही है: रोबोट के विकास की गति को सीमित करने वाला केवल मॉडल नहीं, बल्कि डेटा है।

बड़े भाषा मॉडल इंटरनेट पर उपलब्ध विशाल पाठ सामग्री का उपयोग कर सकते हैं, लेकिन रोबोट को वास्तविक दुनिया में संचालन क्षमताएँ सीखनी होती हैं। एक बार पकड़ना, एक बार स्थानांतरित करना, एक बार व्यवस्थित करना—ये सभी वास्तविक रूप से घटित होने चाहिए और दृश्य, क्रिया, ट्रैक्ट्री आदि बहु-मॉडल जानकारी को समकालिक रूप से रिकॉर्ड किया जाना चाहिए। उच्च गुणवत्ता वाले डेटा को कैसे निरंतर प्राप्त किया जाए और इन डेटा को तेजी से मॉडल द्वारा सीखे जा सकने वाले डेटासेट में परिवर्तित किया जाए, यह बढ़ती संख्या में शरीर-आधारित बुद्धिमत्ता कंपनियों के सामने एक नया चुनौतीपूर्ण मुद्दा बन गया है।

घरेलू एम्बेडेड इंटेलिजेंस कंपनी क्यूनचेयर इंटेलिजेंस ने हमेशा रोबोट इंफ्रास्ट्रक्चर के लिए "डेटा—ट्रेनिंग—डिप्लॉयमेंट" के चारों ओर काम किया है। हाल ही में, क्यूनचेयर इंटेलिजेंस ने अलीबाबा क्लाउड के साथ मिलकर एक क्लाउड-आधारित स्वचालित डेटा प्रोसेसिंग लाइन बनाई है, जिसका उद्देश्य रोबोट डेटा प्रोसेसिंग को मानव-निर्भर, एकल मशीन संचालन मॉडल से बढ़ाकर स्केल करने योग्य, औद्योगिक प्रक्रिया में बदलना है, ताकि मॉडल अपडेट के लिए निरंतर डेटा समर्थन प्रदान किया जा सके।

01

रोबोट के युग में, वास्तविक रूप से दुर्लभ चीज़ डेटा है

एम्बॉडिड इंटेलिजेंस के लिए, डेटा की समस्या केवल इतनी नहीं है कि इसे "एकत्र नहीं किया जा सकता", बल्कि यह भी है कि इसे "संसाधित नहीं किया जा सकता"।

Qiongche Intelligence डेटा संग्रह के लिए UMI (Universal Manipulation Interface) समाधान का उपयोग करता है। ऑपरेटर केवल हाथ में उपकरण लेकर पकड़ना, दरवाजा खोलना, ढोना आदि प्राकृतिक क्रियाएँ करते हैं, और उपकरण पहले दृश्य के दृश्य, क्लैम्प पोज़, गति पथ आदि को समानांतर रूप से रिकॉर्ड करता है, जो रोबोट प्रशिक्षण के लिए उच्च गुणवत्ता वाले ऑपरेशन डेटा प्रदान करता है।

लेकिन वास्तविक चुनौती अक्सर एकत्रीकरण के बाद होती है।

इन कच्चे डेटा को मॉडल ट्रेनिंग के लिए उपयोग करने से पहले, पोज़ रिकवरी, फिशआई कैमरा कैलिब्रेशन, एक्शन सेगमेंटेशन, मल्टीमॉडल एनोटेशन जैसे कई जटिल चरणों से गुजरना होगा। विजुअल SLAM पुनर्निर्माण के लिए बहुत अधिक GPU कैलकुलेशन पावर की आवश्यकता होती है; फिशआई इमेजेस को प्रत्येक फ्रेम पर डिस्टॉर्शन को हटाना और कैलिब्रेट करना होता है; लगातार एक्शन को अलग-अलग परम टास्क में विभाजित किया जाना चाहिए और प्रत्येक के साथ संबंधित प्राकृतिक भाषा वर्णन जोड़ा जाना चाहिए; जैसे-जैसे डेटा संग्रह का पैमाना बढ़ता है, सैकड़ों घंटों के वीडियो डेटा ने समग्र कैलकुलेशन पर भारी दबाव डाला है।

ये कार्य न केवल भारी गणना की मांग करते हैं, बल्कि पूरी प्रक्रिया में कई प्रसंस्करण चरण शामिल होते हैं, और अगर कोई एक चरण बाधित हो जाए, तो पूरे डेटा सेट की पुनः गणना प्रभावित हो सकती है। एम्बॉडीड इंटेलिजेंस कंपनियों के लिए, डेटा प्रसंस्करण एक नई बुनियादी ढांचा क्षमता बन रहा है, जिसे लचीली कैलकुलेशन क्षमता, स्वचालित स्केड्यूलिंग, पूरी प्रक्रिया का ट्रैकिंग और मॉडल ट्रेनिंग सहयोग को समर्थन देने वाली पूर्ण प्रणाली की आवश्यकता होती है।

02

एक बादलों पर चलने वाली डेटा उत्पादन लाइन

रोबोट ट्रेनिंग को कैसे तेज करें

इन समस्याओं को हल करने के लिए, Qiongche Intelligence ने Alibaba Cloud के साथ मिलकर एक एंड-टू-एंड UMI Data + AI Pipeline बनाया है, जो मूल रूप से बिखरे हुए डेटा प्रोसेसिंग प्रक्रियाओं को एक स्वचालित डेटा उत्पादन लाइन में बदलना चाहता है।

डेटा प्रोसेसिंग चरण में, अलीबाबा क्लाउड MaxCompute MaxFrame डिस्ट्रीब्यूटेड कंप्यूटिंग क्षमता प्रदान करता है, जो वीडियो डिस्टॉर्शन कोरेक्शन, SLAM पोज़ रिकवरी, मल्टीमॉडल एनोटेशन जैसे कार्यों को क्लाउड संसाधनों पर समानांतर रूप से विभाजित करता है। पहले जिन बड़े पैमाने पर कंप्यूटेशन कार्यों को एकल मशीन पर पूरा करना पड़ता था, अब उनके आधार पर कंप्यूटिंग क्षमता को लचीले ढंग से स्केल किया जा सकता है, जिससे समग्र प्रोसेसिंग दक्षता में सुधार होता है। इसके अलावा, बड़े मॉडल क्षमताओं को सीधे डेटा प्रोसेसिंग प्रवाह में एम्बेड किया गया है, जिससे क्रिया अंशों का स्वचालित अर्थपूर्ण एनोटेशन संभव होता है और मानव-आधारित एनोटेशन लागत में कमी होती है।

पूरी डेटा प्रोसेसिंग प्रक्रिया DataWorks द्वारा एकीकृत रूप से व्यवस्थित की जाती है। चाहे वह नियमित शेड्यूलिंग हो, इतिहास के डेटा को पुनः चलाना हो, या अपवादों का स्वचालित निवारण हो, सभी कार्य एक ही प्लेटफॉर्म पर पूरे किए जा सकते हैं, जिससे मानवीय हस्तक्षेप कम होता है और पूरी डेटा उत्पादन लाइन स्थिर रूप से चलती रहती है।

प्रोसेसिंग के बाद का डेटा Hologres में एकीकृत प्रबंधन के लिए भेजा जाता है, जो भविष्य के सैंपल रिट्रीवल, डेटा ऑडिट और ट्रेनिंग प्रबंधन के लिए रियल-टाइम डेटा सेवाएं प्रदान करता है; इसके बाद यह PAI प्लेटफॉर्म पर मॉडल ट्रेनिंग, प्रदर्शन अनुकूलन और डिप्लॉयमेंट वेरिफिकेशन पूरा करने के लिए जाता है, जिससे डेटा उत्पादन से मॉडल ट्रेनिंग और फिर प्रभाव प्रतिक्रिया तक का एक पूर्ण बंद चक्र बनता है।

इस साझेदारी से वास्तविक परिणाम भी मिले। डोंगचे इंटेलिजेंट का डेटा प्रोसेसिंग पूरी प्रक्रिया में स्वचालित हो गया, जिससे कुल थ्रूपुट 10 गुना से अधिक बढ़ गया, मल्टीमॉडल एनोटेशन को स्केल पर स्वचालित रूप से पूरा किया जा सकता है, क्लाउड कंप्यूटिंग पावर को 10 लाख+ CU तक लचीले ढंग से विस्तारित किया जा सकता है, और मॉडल ट्रेनिंग की दक्षता लगभग 50% बढ़ गई।

शरीरिक बुद्धिमत्ता के क्षेत्र के लिए, इस सहयोग ने एक बात की पुष्टि की है: रोबोट डेटा को भी स्केलेबल और स्वचालित डेटा उत्पादन प्रणाली बनाया जा सकता है। जब डेटा संग्रह, प्रसंस्करण और प्रशिक्षण धीरे-धीरे मानकीकृत प्रक्रियाओं में बदल जाते हैं, तो रोबोट मॉडल की पुनर्निर्माण गति भी तेज हो जाएगी। जैसे-जैसे उद्योग की प्रतिस्पर्धा मॉडल क्षमता से डेटा अवसंरचना तक विस्तारित हो रही है, डेटा उत्पादन क्षमता पर अनुसंधान शरीरिक बुद्धिमत्ता के अगले चरण की महत्वपूर्ण प्रतिस्पर्धात्मक क्षमता बन जाएगी।