Autonomous Robot ने अपना पहला अगले स्केल का स्वयं-समाप्ति विश्व मॉडल WALL-SS लॉन्च किया है, जो रोबोट विश्व मॉडल में कार्रवाई और परिणाम के कारण-परिणाम असंगति की समस्या को हल करने का उद्देश्य रखता है। यह मॉडल एक क्रमिक स्तरीय भविष्यवाणी तंत्र के माध्यम से, विभिन्न कार्रवाइयों को वास्तविक रूप से विभिन्न परिणामों से जोड़ता है और अधिकतम 60 सेकंड तक निरंतर अनुमान लगाने में सक्षम है। परीक्षणों में, WALL-SS का कार्रवाई अनुसरण स्कोर 0.29 पहुँचा, जो Cosmos3-Nano के 0.044 से काफी अधिक है। Autonomous Robot ने 600 वर्चुअल-रियल पेयरिंग प्रयोग पूरे किए, जिसमें कार्य सफलता का सहसंबंध 0.926 था, जो दर्शाता है कि विश्व मॉडल रोबोट को वर्चुअल परिवेश में रणनीति की पूर्व-प्रमाणित करने में मदद कर सकता है।

लेखक, स्रोत: गेक पार्क

रोबोट वर्ल्ड मॉडल की अगली प्रतियोगिता, ग्राफिक्स नहीं, बल्कि आर्किटेक्चर हो सकती है।

लेखक｜ली युआन

संपादित किया गया | जेंग ज्वान

एक मैकेनिकल आर्म का पिंचर स्पष्ट रूप से कप को नहीं पकड़ रहा था, लेकिन कप चुंबक द्वारा आकर्षित होने की तरह पिंचर के साथ ऊपर उठ गया। यह देखने में असंभव प्रतीत होने वाली समस्या रोबोटिक वर्ल्ड मॉडल को परेशान कर रही है, और उद्योग इसे "चुंबकीय पकड़" कहता है।

वीडियो जनरेशन मॉडल केवल इतना करते हैं कि दृश्य तर्कसंगत लगे; लेकिन वर्ल्ड मॉडल केवल 'वास्तविक लगने' तक सीमित नहीं रह सकते। रोबोट ट्रेनिंग डेटा अधिकांशतः सफल प्रदर्शनों से आता है, जिससे मॉडल एक छोटा रास्ता अपना लेता है: यहाँ तक कि एक्शन के सूक्ष्म अंतरों को समझने के बजाय, यह बस दृश्य के आधार पर सबसे संभावित परिणाम को जनरेट कर देता है।

वास्तविक दुनिया में, क्लैम्प की स्थिति में कुछ मिलीमीटर का विस्थापन हो सकता है, जिससे परिणाम पकड़ने से लेकर कप को उलट देने या पूरी तरह से खाली पकड़ने तक हो सकता है। विश्व मॉडल को वास्तव में समझने की आवश्यकता है कि क्रियाओं और परिणामों के बीच कारण-परिणाम का संबंध क्या है।

27 अगस्त को, स्वतंत्र चर रोबोट ने अगले स्केल का स्वयं-पुनर्संगठित विश्व मॉडल WALL-SS लॉन्च किया, जो विश्व मॉडल को 'उपयोगयोग्य' से 'उपयोगिता' तक ले जाने का प्रयास करता है। WALL-SS पूरी छवि को एक साथ जनरेट नहीं करता, बल्कि ग्रेडुएटेड, क्रूड-टू-फाइन तरीके से भविष्य का चित्रण करता है, जिससे विभिन्न क्रियाएँ वास्तविक रूप से विभिन्न परिणामों से मेल खाती हैं; साथ ही, लंबे समय तक की स्मृति तंत्र को शामिल करके, यह 60 सेकंड तक की निरंतर भविष्यवाणी कर सकता है।

टेस्ट दिखाता है कि WALL-SS को 60 सेकंड तक लगातार अनुमान लगाने के बाद भी, चित्र और गति का पथ वास्तविक वीडियो के अधिक करीब है, जिसका एक्शन फॉलो स्कोर 0.29 है, जबकि Cosmos3-Nano का 0.044 है और अन्य टेस्ट मॉडल्स का स्कोर 0 है। इसे कहा जा सकता है कि WALL-SS उन मॉडल्स में से एक है जो एक्शन निर्देशों के साथ चित्र का अनुमान लगाता है।

स्वतंत्र चर ने WALL-SS के लॉन्च की घोषणा भी की है। जिन रोबोट विश्व मॉडल के लिए अभी तक एक समरूप तकनीकी रास्ता नहीं बना है, उनके लिए इस लॉन्च का महत्व केवल एक मॉडल को खोलने तक सीमित नहीं है, बल्कि यह भी है कि उद्योग सामूहिक रूप से सत्यापित करे: क्या विश्व मॉडल कार्रवाई के आधार पर पूर्वानुमान लगा रहा है, और क्या वर्चुअल सिमुलेशन वास्तविक रोबोट की सेवा कर सकता है।

जब तक तकनीकी परिप्रेक्ष्य स्थिर नहीं हो जाता, तब तक लगातार अन्वेषण ही प्रतिस्पर्धा का आधार है। शरीरिक बुद्धिमत्ता के लिए केवल त्वरित लागू किए जा सकने वाले हार्डवेयर की ही आवश्यकता नहीं, बल्कि पहले से मौजूद रास्तों को चुनौती देने और मूलभूत प्रौद्योगिकी की सीमाओं को विस्तारित करने वाली कंपनियों की भी आवश्यकता है।

वर्ल्ड मॉडल, एम्बॉडीड इंटेलिजेंस की मुख्य पथ

2026 में, वर्ल्ड मॉडल्स रोबोटिक्स क्षेत्र में सबसे अधिक ध्यान आकर्षित करने वाली तकनीकों में से एक बन रहे हैं।

NVIDIA लगातार Cosmos को अपडेट कर रहा है और वीडियो वर्ल्ड मॉडल का उपयोग रोबोट नियंत्रण और योजना बनाने के लिए शुरू कर रहा है; Meta का V-JEPA 2 रोबोट को भौतिक दुनिया के परिवर्तनों का पूर्वानुमान लगाकर अपरिचित परिवेश में पकड़ने के लिए प्रयास करता है। बढ़ती संख्या में शोध अब वर्ल्ड मॉडल का उपयोग करके कुछ वास्तविक मशीन परीक्षणों को प्रतिस्थापित करने की दिशा में कर रहे हैं, ताकि रोबोट 'हाथ लगाने' से पहले, वर्चुअल दुनिया में विभिन्न रणनीतियों के परिणामों का पूर्वानुमान लगा सकें।

इस तरह की चर्चा को समझना जटिल नहीं है। बड़े भाषा मॉडल अगले शब्द का अनुमान लगाकर भाषा के नियम सीखते हैं, जबकि विश्व मॉडल अगले क्षण के विश्व का अनुमान लगाते हैं: रोबोट बाएं ओर खिसकता है, क्या कप गिर जाएगा; क्लैम्प को थोड़ा और संकुचित किया जाए, क्या वस्तु पकड़ी जा सकती है; एक क्रिया को दस सेकंड तक दोहराया जाए, तो परिदृश्य अंततः कैसा हो जाएगा।

यह विशेष रूप से एम्बॉडिड इंटेलिजेंस के लिए महत्वपूर्ण है। पिछले कुछ वर्षों में, उद्योग मुख्य रूप से रोबोट के "कैसे करें" के प्रश्न को हल कर रहा था, VLA दृश्य और भाषाई निर्देशों के आधार पर सीधे कार्रवाई उत्पन्न कर सकता है। लेकिन जैसे-जैसे रोबोट क्षमताएं बढ़ रही हैं, एक नया प्रश्न अधिक स्पष्ट होता जा रहा है: किसी रणनीति को अच्छा या बुरा कैसे निर्धारित किया जाए?

यदि प्रत्येक मॉडल इटरेशन के लिए वास्तविक मशीन पर परीक्षण की आवश्यकता होती है, तो लागत अधिक होती है और चक्र लंबा होता है, जिससे प्रशिक्षण और इटरेशन के लिए बहुत जल्दी बैंकनेक बन जाता है। पारंपरिक सिमुलेशन कुछ परीक्षणों को संभाल सकता है, लेकिन इसमें वस्तुओं के पदार्थ, घर्षण, विकृति और संपर्क संबंधों को मानव द्वारा मॉडल करने की आवश्यकता होती है, जिससे वास्तविक दुनिया की जटिलता को कवर करना मुश्किल हो जाता है। वर्ल्ड मॉडल वास्तविक वीडियो और रोबोट इंटरैक्शन डेटा से सीखने का प्रयास करता है कि दुनिया कैसे बदलती है, ताकि रोबोट वर्चुअल पर्यावरण में रणनीतियों का पुनः-अनुमान और सत्यापन कर सके।

यह रोबोट के निर्णय में आगे भाग ले सकता है। VLA कप को देखकर सीधे "पकड़ने के लिए हाथ बढ़ाएं" का निर्णय लेता है, जबकि वर्ल्ड मॉडल पहले विभिन्न कार्रवाइयों के परिणामों का अनुमान लगा सकता है और फिर रोबोट को अधिक उपयुक्त रणनीति चुनने में मदद कर सकता है—“सीधी कार्रवाई” से “पहले कल्पना करें, फिर कार्रवाई करें” की ओर।

लेकिन वास्तविक रूप से शरीरिक बुद्धिमत्ता के लिए बुनियादी ढांचा बनने के लिए, आज के विश्व मॉडल के सामने तीन प्रमुख बाधाएँ हैं।

पहला कार्य और परिणाम के कारण-परिणाम संगति है। मॉडल केवल अपेक्षित दृश्य उत्पन्न ही नहीं कर सकता, बल्कि कार्य द्वारा लाए गए परिणाम को सटीकता से प्रतिबिंबित करना चाहिए, अन्यथा एक वास्तविक रूप से कप को पकड़ने में असमर्थ रणनीति भी वर्चुअल दुनिया में सफल मानी जा सकती है।

दूसरा लंबे समय तक अनुमान लगाने की क्षमता है। रोबोट के कार्य अक्सर कई दशक सेकंड या उससे अधिक समय तक चलते हैं, और मॉडल को अपने भविष्यवाणी को अगले क्षण के इनपुट के रूप में लगातार प्रयोग करना होता है, जिसमें कोई भी सूक्ष्म त्रुटि लगातार अनुमान लगाने में जमा हो सकती है।

तीसरा बात है कि वर्चुअल प्रेडिक्शन और रियल-वर्ल्ड ऑपरेशन की संगति। जितना भी रियलिस्टिक जेनरेट किया गया हो या जितना भी लंबा सिमुलेशन किया गया हो, इसका मतलब यह नहीं है कि मॉडल वास्तव में रोबोट स्ट्रैटेजी का मूल्यांकन कर सकता है। केवल तभी वर्चुअल वर्ल्ड का प्रदर्शन रियल-वर्ल्ड परिणामों के साथ स्थिर संबंध बना सकता है, जब वर्ल्ड मॉडल वास्तविक प्रयोग-त्रुटि के कुछ हिस्से को वास्तविक रूप से प्रतिस्थापित करने के योग्य हो।

ये तीन बाधाएँ अगले चरण के विश्व मॉडल प्रतिस्पर्धा का केंद्र बन रही हैं।

WALL-SS, वर्ल्ड मॉडल में आर्किटेक्चरल लेवल पर सुधार

WALL-SS इन समस्याओं के लिए एक नया प्रयास है। पेपर के अनुसार, यह पहला वर्ल्ड मॉडल है जो अगले स्केल के ऑटोरिग्रेसिव आर्किटेक्चर का उपयोग करता है।

पहले, कई विश्व मॉडल वीडियो डिफ़्यूज़न के दृष्टिकोण का अनुसरण करते थे: इतिहास के दृश्य और क्रियाओं को इनपुट के रूप में लेकर, बहु-चरणीय शोर हटाने के माध्यम से भविष्य का वीडियो उत्पन्न किया जाता था। क्रियाएँ हालांकि उत्पादन की शर्तें होती हैं, लेकिन उन्हें स्पष्ट रूप से 'क्रिया → परिणाम' उत्पादन श्रृंखला में शामिल नहीं किया गया था, इसलिए मॉडल दृश्य पूर्वधारणों पर अधिक निर्भर हो जाता था और 'संभावित सफल' भविष्य का सीधा अनुमान लगा देता था—भले ही क्लैम्प वास्तव में कप को पकड़े नहीं हो, फिर भी कप को सफलतापूर्वक उठाए जाने का दृश्य उत्पन्न कर सकता है।

WALL-SS अवलोकन और क्रियाओं को "अवलोकन—क्रिया—नया अवलोकन" के कार्यकारण अनुक्रम के रूप में संगठित करता है, जिससे क्रियाएँ भविष्य की स्थिति के निर्माण में सक्रिय रूप से शामिल होती हैं। सरल शब्दों में, पहले यह निर्धारित करता है कि दुनिया कैसे बदलेगी, और फिर स्तर दर स्तर विवरण भरता है: बड़े पैमाने पर हथियार और वस्तुओं की सामान्य स्थिति निर्धारित की जाती है, और छोटे पैमाने पर गति और संपर्क को और अधिक सटीकता से पुनर्स्थापित किया जाता है। इसके साथ ही, विफलता, हस्तक्षेप और सुधार के डेटा का उपयोग करके मॉडल को "अलग क्रिया, अलग परिणाम" सीखने में मदद मिलती है।

इस क्षमता की पुष्टि सूचकों द्वारा की गई है। WALL-SS का एक्शन फॉलो स्कोर 0.29 है और ट्रैजेक्टरी एक्यूरेसी 0.539 है; इसके विपरीत, Cosmos3-Nano का एक्शन फॉलो स्कोर केवल 0.044 है। अन्य मॉडल्स का स्कोर 0 है।

एक अन्य महत्वपूर्ण समस्या है कि विश्व मॉडल क्या "पर्याप्त समय तक याद रख सकता है"। WALL-SS बहु-स्केल लंबे समय की स्मृति के माध्यम से हाल के विवरणों को बनाए रखता है, दीर्घकालिक इतिहास को संपीड़ित करता है, और मॉडल को प्रशिक्षण के दौरान अपने ही भविष्यवाणी के आधार पर आगे अनुमान लगाने की अनुमति देता है, जिससे त्रुटियों के संचयी रूप से बढ़ने की समस्या कम होती है। इससे मॉडल 60 सेकंड तक निरंतर अनुमान लगा सकता है, जबकि अन्य मॉडलों के लिए 20-30 सेकंड तक ही सीमा है।

अधिक महत्वपूर्ण बात यह है कि इन क्षमताओं का अंतिम परीक्षण वास्तविक मशीनों पर किया गया। स्वतंत्र चर ने एक ही रणनीति को WALL-SS और वास्तविक रोबोट पर क्रमशः निष्पादित किया और 600 युग्मित प्रयोग पूरे किए। परिणामों में देखा गया कि दोनों के कार्य सफलता गुणांक 0.926 था और विभिन्न रणनीतियों की शक्ति के क्रम की सटीकता 89% थी।

इसका अर्थ है कि विश्व मॉडल एक अधिक महत्वपूर्ण मूल्य प्राप्त करने लगते हैं: केवल “वास्तविक” भविष्य का उत्पादन करने के बजाय, वे रोबोट्स को विभिन्न कार्रवाइयों के परिणामों को समझने और वर्चुअल दुनिया में रणनीतियों की पूर्व-सत्यापन करने में मदद कर सकते हैं।

वाल-एसएस के अभी भी सीमाएँ हैं। इसके एक्शन इनपुट में मुख्य रूप से मैनिपुलेटर के अंतिम बिंदु की स्थिति, दिशा और पिंजरे का खुलना-बंद होता है, पूर्ण जॉइंट स्थिति, बल और बलाघूर्ण शामिल नहीं हैं, इसलिए सूक्ष्म संपर्क और बहु-उंगली चतुर हाथ के समर्थन के लिए और अधिक पुष्टि की आवश्यकता है।

जब रूट अभी अभिसरित नहीं हुआ है, तो आर्किटेक्चर इनोवेशन जारी रखें

WALL-SS दुनिया मॉडल के बारे में अचानक बढ़ी हुई रुचि का परिणाम नहीं है। पिछले वर्ष, स्वतंत्र चर ने एक ही समस्या का अन्वेषण किया है: रोबोट की दुनिया की समझ, कार्रवाई के अनुमान और वास्तविक निष्पादन को कैसे वास्तविक रूप से जोड़ा जाए।

WALL-OSS ने विशाल बहुआयामी पूर्व-प्रशिक्षण के माध्यम से दृश्य, भाषा और रोबोटिक क्रियाओं को एक ही एम्बॉडिड फाउंडेशन मॉडल में शामिल किया; WALL-OSS-0.5 ने पूर्व-प्रशिक्षण क्षमताओं को वास्तविक मशीनों में स्थानांतरित करने की दिशा में आगे बढ़ाया; इसके बाद, WALL-WM ने दुनिया के परिवर्तन और रोबोटिक क्रियाओं का संयुक्त मॉडलिंग शुरू किया, जबकि X-Tokenizer ने विभिन्न रोबोटों और विभिन्न क्रियाओं को एक समान मॉडल में कैसे शामिल किया जाए, इसकी खोज की। WALL-SS पर, यह रास्ता एक मूलभूत प्रश्न की ओर और अधिक संकेत करता है: एक क्रिया को निष्पादित करने के बाद, दुनिया में क्या होगा?

इस श्रृंखला के माध्यम से, स्वतंत्र चर द्वारा "विश्व-क्रिया" एकीकृत मॉडलिंग पर दीर्घकालिक निवेश होता रहा है। रोबोट केवल क्रिया करने में सक्षम होना ही नहीं, बल्कि क्रियाओं के परिणामों का पूर्वानुमान लगाना और परिणामों के आधार पर अपनी क्रियाओं को लगातार सुधारना भी आवश्यक है। मॉडल, डेटा, ऑन्टोलॉजी और वास्तविक मशीन के अनुभव के संचय के साथ, ये अन्वेषण धीरे-धीरे एक परस्पर प्रतिक्रिया वाले तकनीकी बंद चक्र के रूप में विकसित हो रहे हैं।

और एम्बुडिड इंटेलिजेंस की बुनियादी ढाँचा अभी तक समाप्त नहीं हुआ है। इस चरण में, यह वास्तव में महत्वपूर्ण नहीं है कि प्रत्येक प्रयास अंतिम उत्तर पर सही अनुमान लगाए, बल्कि यह है कि क्या आप नए आर्किटेक्चर हाइपोथीसिस लगातार प्रस्तुत कर सकते हैं, डेटा और वास्तविक मशीनों के साथ सत्यापित कर सकते हैं, और परिणामों के आधार पर रास्ता लगातार समायोजित कर सकते हैं।

इस बार स्वतंत्र चर की घोषणा WALL-SS के प्रकाशन के साथ इसी दृष्टिकोण की निरंतरता है। यहाँ केवल एक मॉडल ही नहीं, बल्कि एक ऐसी तकनीकी राह है जिसे उद्योग सामूहिक रूप से सत्यापित कर सकता है: क्या अगले स्तर का स्वयं-पुनर्निर्माण रोबोट के लिए अधिक उपयुक्त है, क्रियाओं और परिणामों के बीच वास्तविक संबंध क्या है, और क्या वर्चुअल परीक्षण वास्तविक मशीन के प्रदर्शन को प्रतिबिंबित कर सकता है? शोधकर्ता इसके आधार पर आगे अनुसंधान कर सकते हैं, और रोबोट कंपनियाँ सीधे इसे अपनी प्रशिक्षण और मूल्यांकन प्रणाली में शामिल करने की संभावना की जांच कर सकती हैं।

यह शुरुआती एम्बॉडिड इंटेलिजेंस उद्योग के लिए प्रकाशन का अधिक महत्वपूर्ण अर्थ भी है: उद्योग के अन्वेषण की लागत को कम करना और विभिन्न दृष्टिकोणों को वास्तविक अनुप्रयोगों में परखना।

पिछले कुछ वर्षों में, घरेलू एम्बॉडिड इंटेलिजेंस की प्रतिस्पर्धा अधिकांशतः शरीर, डेटा और उत्पाद लॉन्च पर केंद्रित रही है। लेकिन एक अभी तक स्थिर न हुए उद्योग के लिए, केवल परिपक्व आर्किटेक्चर का इंतजार करना पर्याप्त नहीं है; इसके अलावा, कुछ ऐसे लोगों की आवश्यकता है जो वर्ल्ड मॉडल, एक्शन रिप्रेजेंटेशन और लर्निंग पैराडाइम जैसे अधिक मूलभूत क्षेत्रों में प्रवेश करें और अगली संभावना की खोज करते रहें।

WALL-SS निश्चित रूप से अंतिम उत्तर नहीं है, लेकिन यह एक परिवर्तन का प्रतिनिधित्व करता है: घरेलू कंपनियाँ अब केवल पहले से मौजूद रास्तों का अनुसरण नहीं कर रही हैं, बल्कि अपनी अपनी आर्किटेक्चरल मान्यताएँ प्रस्तुत कर रही हैं और उन्हें उद्योग के परीक्षण के लिए खोल रही हैं।

जब तकनीकी रास्ता वास्तव में बदलता है, तो एक कंपनी का निर्णय यह नहीं होता कि वह पिछली पीढ़ी के साथ कैसे चली, बल्कि यह होता है कि क्या वह हमेशा अगली पीढ़ी की खोज की क्षमता को बनाए रखती है।