AI अपनी ही अध्ययन कर रहा है, और इस बार इसके पास भौतिक दुनिया का उत्तर है।
तीन महीने पहले स्थापित एक कंपनी ने अपना पहला सार्वभौमिक भौतिक रोबोट सिस्टम, Simate-beta लॉन्च किया है: याददाश्त, दीर्घकालिक कार्य, सूक्ष्म ऑपरेशन और कार्य अनुकूलन क्षमता का प्रदर्शन करते हुए, और कंपनी के अनुसार, RoboDojo पर शीर्ष स्थान प्राप्त किया है।
रैंकिंग निश्चित रूप से मॉडल की सभी क्षमताओं का प्रतिनिधित्व नहीं करती, लेकिन यह अनुसंधान गति और क्षमता को देखने का एक दृष्टिकोण प्रदान करती है।
टीम के अनुसार, इस प्रतियोगिता के लिए आधार मॉडल को कोई विशेष अनुकूलन नहीं किया गया था।
तीन महीने के बाद, पहले संस्करण के मॉडल ने ऐसा परिणाम दिया है, जिसका ध्यान देने योग्य है।
टीम का नाम Simate (Silicon Mate) है।
इसका पृष्ठभूमि भी काफी महत्वपूर्ण है। कंपनी के अनुसार, मुख्य टीम ने एक-चरण एंड-टू-एंड ऑटोनॉमस ड्राइविंग मॉडल क्षमता को Tesla FSD के स्तर तक पहुंचाया और इसे बड़े पैमाने पर लागू किया।
वैश्विक स्तर पर, इस सीमा को पार करने वाली टीमें बहुत कम हैं; इस संचय के साथ सामान्य भौतिक AI को आगे बढ़ाना और भी कम है।
हालांकि, इस बार सबसे दिलचस्प बात यह है कि उन्होंने अपनी स्थापना के पहले दिन से ही अपनाया गया अनुसंधान और विकास तरीका:
AI for Physical AI, जिससे AI भौतिक बुद्धिमत्ता के अध्ययन और अद्यतन में शामिल हो।
कंपनी इस रास्ते के आसपास मॉडल, डेटा, कैलकुलेशन शक्ति और प्रयोग प्रक्रियाओं को संगठित करती है। Simate-beta, यही एआई-नेटिव अनुसंधान प्रणाली का पहला अभ्यास उत्पाद है।
और, अनुसंधान उपकरण पहले से ही बाहरी शोधकर्ताओं द्वारा उपयोग किए जा रहे हैं।
कंपनी के अनुसार, MIT, कैलिफोर्निया इंस्टीट्यूट ऑफ टेक्नोलॉजी, त्सिंगहुआ और पेकिंग विश्वविद्यालय जैसे संस्थानों के शोधकर्ता AutoResearch प्लेटफॉर्म के बीटा संस्करण में शामिल हो चुके हैं। इसकी Sinfra बुनियादी ढांचा प्रशिक्षण, प्रतिरूपण और निष्कर्ष निकालने को कवर करता है, और उपलब्ध संसाधनों की पुष्टि आवेदन के आधार पर की जाती है।
इसी दौरान, सिमेट ने कई राउंड में कई अरब युआन की फंडिंग पूरी की है।
तीन महीने में, मॉडल, अनुसंधान मंच, बाहरी परीक्षण और वित्तपोषण समानांतर रूप से आगे बढ़ रहे हैं। इस गति के साथ, अगला कदम देखने की इच्छा होती है।
टीम ने यह भी पूर्वालोकन दिया है: जटिल कार्यों के लिए जीरो-शॉट जनरलाइजेशन की तकनीकी दृष्टिकोण विकसित कर लिया गया है, और इस साल के अंत तक चरणबद्ध परिणाम लॉन्च करने की योजना है।
उनके अनुसार, GPT-6 का भौतिक दुनिया के संचालन में शामिल होना एक अपेक्षित विकास है, और Physical AI का क्रांतिकारी प्रगति बाहरी लोगों की कल्पना से तेज़ हो सकती है। वे प्रत्येक कार्य के अनुकूलन और पोस्ट-ट्रेनिंग पर निर्भरता को और आगे बढ़ाना चाहते हैं, ताकि Physical AI अपना 「GPT-3 क्षण」 प्राप्त कर सके।
मॉडल और ऑटोमेशन रिसर्च जैसे तीन अनुसंधान कार्य, भी क्रमशः पेपर और तकनीकी रिपोर्ट के माध्यम से जारी किए जाएंगे, और संबंधित परिणामों को चरणबद्ध तरीके से ओपन सोर्स किए जाने की योजना है।
इस अनुसंधान और विकास की गति और उसकी निरंतरता, सिमेट के लिए अगला सबसे महत्वपूर्ण मुद्दा बन जाती है।
तो, पहला मॉडल वास्तव में क्या कर पाया? AI शोध में कैसे शामिल हुआ?
Simate-beta: शून्य-नमूना सामान्यीकरण के लिए सामान्य भौतिक फ़ास्ट सिस्टम
सिमेट का अंतिम लक्ष्य शून्य-नमूना (Zero-Shot) और कम-नमूना (Few-Shot) के लिए सामान्य भौतिक AI ऑपरेशन को प्राप्त करना है।
एक नए, अज्ञात परिवेश में, प्रत्येक नए कार्य के जोड़े जाने पर सिस्टम को नए डेटा को इकट्ठा करने, मॉडल को पुनः प्रशिक्षित करने और इंजीनियरिंग को पुनः ट्यून करने की आवश्यकता नहीं होनी चाहिए।
यही वर्तमान में भौतिक AI का सबसे लोकप्रिय और सबसे चुनौतीपूर्ण क्षेत्र है—सभी अपनी क्षमता दिखा रहे हैं।
और सिमेट द्वारा दी गई वर्तमान चरण का समाधान, जिसे सामान्य भौतिक फास्ट सिस्टम कहा जाता है।
That is System One.
आइए एक मानव उदाहरण से शुरू करते हैं:
"मुझे टेबल साफ करने में मदद करो" जैसे जटिल निर्देशों के सामने, हमें इरादे को समझने और चरणों को विभाजित करने के लिए 'सिस्टम दो' की आवश्यकता होती है;
लेकिन जब हाथ पहले ही कप की ओर बढ़ चुका हो, तो अगले क्षण में कितने मिलीमीटर बाएं या दाएं समायोजित करना है, ऐसी मिलीसेकंड स्तर की प्रतिक्रिया को हर कदम पर गहन विचार पर निर्भर नहीं रखा जा सकता।
Physical AI is the same.
एक सामान्य "धीमी प्रणाली" उच्च स्तरीय योजना और जटिल तर्क के लिए जिम्मेदार है, जबकि एक पर्याप्त शक्तिशाली "तेज प्रणाली" वास्तविक समय में अपने सामने बदलती भौतिक दुनिया का अनुभव करती है और तुरंत कार्रवाई करती है।
साइमेट ने बाद वाले को ही चुना है—
बड़े पैरामीटर आकार के साथ फास्ट सिस्टम को विकसित करें, जिससे जीरो-शॉट जनरलाइजेशन क्षमता का उभार हो, और एंड-डिवाइस पर डिप्लॉय किए जा सकने वाले मॉडल के आकार और क्षमता की सीमा को चुनौती दें।
A general physical fast system.
लेकिन, बड़ा और तेज़, एक कठिन ट्रेडऑफ़ है।
साइमेट ने दो बातों से शुरुआत की:
1. 4D भौतिक अनुभव
भौतिक दुनिया को समझने के लिए, स्थानीय संरचना और समय आयाम के गतिशील परिवर्तनों को एक साथ पकड़ना आवश्यक है, ताकि भौतिक प्रतिनिधित्व वास्तव में कार्रवाई के लिए सेवा कर सके।
2. हियरार्किकल टाइम सीरीज मेमोरी
लंबी अवधि के कार्यों को पिछली घटनाओं को याद रखना चाहिए, लगातार ऑपरेशन को स्थिति का ट्रैक रखना चाहिए, और तुरंत प्रतिक्रिया को विशाल इतिहास के डेटा से धीमा नहीं होना चाहिए।
4D भौतिक अनुभव और परतबद्ध समयक्रम स्मृति, मानव त्वरित प्रणाली द्वारा लगातार दुनिया को संसाधित करने के तरीके के साथ समानता की ओर इशारा करते हैं।
यह रूपरेखा टीम के बड़े पैमाने पर विजुअल मॉडल, समय श्रेणी मॉडलिंग, रियल-टाइम निष्पादन और बड़े पैमाने पर डिप्लॉयमेंट पर अर्जित ज्ञान को जारी रखती है। विशिष्ट आर्किटेक्चर और मॉडल आकार को भविष्य की तकनीकी रिपोर्ट में प्रकाशित किया जाएगा।
अंतिम लक्ष्य यह है कि मॉडल न केवल वर्तमान में क्या हो रहा है, बल्कि पिछले क्षण में क्या हुआ था, इसे भी याद रखे और अगला कदम तुरंत निर्णय ले।
GPT-6 जैसे अग्रणी मॉडलों द्वारा प्रतिनिधित्व की जाने वाली सामान्य तर्क क्षमता के साथ सहयोग करके, जटिल कार्यों के शून्य-नमूना निष्पादन की ओर बढ़ें।
सीमेट-बीटा के वर्तमान में प्रदर्शित वास्तविक उपकरण से देखा जा सकता है कि परीक्षण मुख्य रूप से प्रदर्शन-संचालित कार्य अनुकूलन, स्मृति, जटिल दीर्घ अवधि कार्यान्वयन और सूक्ष्म संचालन पर केंद्रित है।
2026 अगस्त 23 को कंपनी द्वारा प्रदान और अपडेट किए गए RoboDojo रैंकिंग के अनुसार, simate-beta औसत Score 33.95 के साथ पहले स्थान पर है, जिसका संगत SR 27.96% है। यह परिणाम रैंकिंग मूल्यांकन से संबंधित है, और वास्तविक मशीन प्रदर्शन अलग से प्रदर्शित किया जाएगा।
इस मॉडल उत्तर पत्र के पीछे एक और प्रणाली है, जिसे भी विस्तार से समझाया जा सकता है।
व्हील को घुमाएं
इन कुछ वर्षों में, लोगों ने AI द्वारा कोड लिखने की आदत डाल ली है।
लेकिन वास्तव में AI शोध में, कोड लिखना केवल एक छोटा हिस्सा है।
अक्सर, आवर्तन की दक्षता ही निर्णायक कुंजी होती है। जो इकाई समय में अधिक शोध परिकल्पनाओं की पुष्टि कर सकता है, वही आगे निकल जाता है।
सबसे सरल उदाहरण दें।
रोबोट लंबी दूरी के कार्य हमेशा किसी न किसी चरण में अटक जाते हैं, और कारण आमतौर पर कुछ ही होते हैं: डेटा वितरण में विकृति, मॉडल संरचना की सीमा, ट्रैजेक्टरी अनुपात में असंतुलन, या प्रशिक्षण रणनीति का असफल होना।
प्रत्येक दिशा के पीछे, दसों या अधिक प्रयोग समूह होते हैं।
अगर पूरी तरह से शोधकर्ता मैनुअल रूप से कॉन्फ़िगरेशन बदलते हैं, कार्य शुरू करते हैं, प्रशिक्षण पर नज़र रखते हैं, मूल्यांकन चलाते हैं और फिर परिणाम एकत्रित करते हैं, तो यह सब बहुत देर हो चुकी होगी...
इसलिए Simate ने AutoResearch किया, जिससे इस प्रक्रिया को तेज किया जा सके—
मानव शोधकर्ता: परिकल्पना प्रस्तुत करें, लक्ष्य निर्धारित करें, सीमाएँ तय करें।
AutoResearch इंजन: स्वचालित रूप से हाथ बदलें, शेष प्रयोगों को विघटित करें, चलाएं और पूरी प्रक्रिया को स्वचालित करें।
अंतिम परिणाम भी घोषित कर दिए गए हैं, और उन्होंने इस विधि से RoboDojo में पहला स्थान प्राप्त किया।
अधिक महत्वपूर्ण बात है गति।
Simate ने स्थापना से लेकर RoboDojo पर चढ़ने तक केवल तीन महीने का समय लिया।
यह बहुत अजीब है...
तो सवाल यह है:
AI को वास्तव में "AI का अध्ययन" कैसे करना चाहिए?
स्पष्ट रूप से, केवल एक एजेंट डालना काफी नहीं है।
असली रोबोट विकास, नीचले स्तर पर मॉडल कोड, डेटा पाइपलाइन, प्रशिक्षण क्लस्टर, मूल्यांकन वातावरण, वास्तविक मशीन प्रतिक्रिया, और पिछले कई महीनों या वर्षों के प्रयोग रिकॉर्ड को छूता है।
अंततः, यह फिर भी «संदर्भ» की समस्या है। एजेंट को सब कुछ सुचारू रूप से नियंत्रित करने वाला एक सुपर इंटरफेस चाहिए।
इसके लिए, Simate ने एक तीन-स्तरीय आर्किटेक्चर बनाया: SiPAI + AutoResearch + AI-native Infra।
SiPAI: मॉडल आर्किटेक्चर को "AI-अनुसंधानयोग्य" बनाएं
यह एक नेटिव ऑटोमेटेड रिसर्च के लिए प्लगइन मॉडल फ्रेमवर्क है।
सरल शब्दों में, रोबोट मॉडल को ऐसी संरचना में बनाया जाता है जिसे AI आसानी से समझ सके—मॉड्यूल सीमाएँ, सिस्टम इंटरफेस, कॉन्फ़िगरेशन आइटम और प्रमाणीकरण प्रक्रियाएँ बहुत स्पष्ट रूप से परिभाषित होती हैं।
केवल इसी तरह, एजेंट को अध्ययन विषय प्राप्त होने के बाद सटीक रूप से ज्ञात होगा: किस मॉड्यूल को बदलना है? परिवर्तन किन चीजों को प्रभावित करेगा? और अंततः इसकी पुष्टि कैसे करनी है?
अभी, Simate ने इस बुनियादी ढांचे के निर्माण को पूरा कर लिया है और विश्व मॉडल, विश्व क्रिया मॉडल, VLA, VLM जैसे कई प्रमुख आर्किटेक्चर्स को सफलतापूर्वक जोड़ लिया है।
मानव शोधकर्ता या एजेंट दोनों, घटकों को स्वतंत्र रूप से संयोजित कर सकते हैं, स्थानीय कार्यान्वयन को समायोजित कर सकते हैं, और एक समान प्रशिक्षण और मूल्यांकन पाइपलाइन का उपयोग कर सकते हैं।
AutoResearch: रियल-टाइम अपडेटेड 'रिसर्च कॉन्टेक्स्ट' प्रदान करता है
अगर SiPAI एक स्थिर निर्देशिका प्रदान करता है, तो AutoResearch गतिशील जानकारी अंतर को हल करता है:
अध्ययन कहां तक पहुंच गया है? पहले क्या चुनौतियाँ आई थीं? सबसे हालिया सबूत क्या है?
यह बाहरी अग्रणी शोध पत्रों, टीम के आंतरिक चर्चा सामग्री, मॉडल कोड, डेटा अनुपात, ऐतिहासिक प्रयोग लॉग और नवीनतम मूल्यांकन प्रतिक्रियाओं को एक साथ जोड़कर एक गतिशील अध्ययन संदर्भ में समेकित करता है।
नया पेपर प्रकाशित होने, आंतरिक कोड में नया संस्करण जमा होने या नवीनतम प्रयोगात्मक डेटा द्वारा पुरानी मान्यताओं को खारिज किए जाने पर, यह Context वास्तविक समय में अपडेट हो जाता है।
इस तरह, एजेंट द्वारा प्रस्तावित प्रत्येक अनुसंधान सुझाव को विशिष्ट कोड शाखा और प्रयोग संस्करण के साथ सटीक रूप से जोड़ा जा सकता है:
सबसे दिलचस्प बात यह है कि "मानव अनुभव" और "एजेंट प्रयोग" का गहरा सम्मिश्रण है:
मानव शोधकर्ता किसी भी समय प्रतिबंध और अनुकूलन दिशा जोड़ सकते हैं; जब कोई प्रयोग प्रभावी घटक की पुष्टि करता है, तो यह तुरंत भविष्य के प्रयोगों के लिए एक नया आधार बन जाता है; किसी शाखा द्वारा विकसित विधि को अगले एजेंट बिना किसी बाधा के पुनः उपयोग कर सकते हैं।
अनुसंधान के परिणाम, वास्तव में अगली श्रृंखला के अनुसंधान के उत्पादन साधन बन गए।
AI-नेटिव इंफ्रास्ट्रक्चर: 7×24 घंटे के रिसर्च एंड डेवलपमेंट फ्लाइव्हील को घुमाएं
Of course, just writing code isn't enough for the agent; the experiments must run efficiently.
Simate ने प्रशिक्षण, निष्कर्ष निकालना और मूल्यांकन की पूरी प्रक्रिया को अपने स्वयं के Infra में एकीकृत किया है, जिससे अत्यधिक कार्य व्यवस्था और संसाधन आवंटन के माध्यम से दर्जनों परस्पर स्वतंत्र अनुसंधान दिशाओं को समानांतर रूप से आगे बढ़ाया जा सकता है।
ताकि कैलकुलेशन की बर्बादी न हो, Simate द्वारा उच्च आवृत्ति छानबीन प्रक्रिया अपनाई गई है: सभी मार्ग पहले 'विश्व मॉडल + सिमुलेशन वातावरण' द्वारा पहले चरण में त्वरित छानबीन के लिए पारित किए जाते हैं, जिससे अधिकांश अवैध दिशाओं को हटा दिया जाता है;
केवल वास्तविक क्षमता वाले प्रस्ताव ही वास्तविक मशीन पर परीक्षण के लिए चुने जाते हैं।
वास्तविक मशीन पर नए समस्याएँ सामने आईं, इसलिए अनुसंधान के संदर्भ में वापस जाना पड़ा, इस प्रकार बंद चक्र बन गया:
अंतिम परिणाम यह होता है: मनुष्य को केवल एक अन्वेषण की दिशा देनी होती है, और निचले स्तर की प्रणाली स्वयं ही दर्जनों प्रयोगों को समानांतर रूप से चलाती है।
यही कारण है कि सिमेट तीन महीनों में शीर्ष पर पहुंचने में सफल रहा।
लेकिन सबसे आश्चर्यजनक बात यह है कि उन्होंने इतने महत्वपूर्ण आंतरिक उत्पादकता उपकरणों को सीधे ओपन सोर्स कर दिया!
वेबसाइट ऐसी दिखती है, रुचि रखने वाले दोस्त नीचे स्वयं प्राप्त कर सकते हैं।
अभी, त्सिंहुआ, MIT, हॉंग कॉंग साइंस एंड टेक्नोलॉजी यूनिवर्सिटी जैसे शीर्ष विश्वविद्यालयों के शोधकर्ता पहले ही आंतरिक परीक्षण में शामिल हो चुके हैं।
कम RSI, केवल शुरुआत है
संस्थापक ज़ंग यिंग, पूर्व किसी प्रमुख ऑटोमेटेड ड्राइविंग कंपनी के कोर तकनीकी प्रमुख।
बहुत अधिक इंजीनियरिंग प्रैक्टिकल अनुभव है, जिसमें चित्र वाले, चित्र रहित और एंड-टू-एंड तीन पीढ़ियों के स्मार्ट ड्राइविंग समाधानों में शामिल होना और कई वर्षों तक उत्पादन में भाग लेना शामिल है।
बताया गया है कि उनके द्वारा विकसित ड्राइविंग सिस्टम देश का सबसे अधिक Tesla FSD के करीबी ड्राइविंग सिस्टम है।
इसके अलावा, टीम में दो आत्मा हैं।
1. जिसका अधिकार है।
हांगकांग साइंस एंड टेक्नोलॉजी यूनिवर्सिटी के असिस्टेंट प्रोफेसर और World Mind Lab के प्रमुख, जो विश्व मॉडल और फिजिकल AI की लंबे समय तक अध्ययन कर रहे हैं।
2. जी माज़ेयू।
00 के दशक के युवा वैज्ञानिक, जिनका शोध क्षेत्र 3D संवेदन, चतुर अभियान और मानव रूपी रोबोट के पूरे शरीर के नियंत्रण को शामिल करता है।
सिमेट के शामिल होने से पहले, वह सिलिकॉन वैली के एस्यूर्ड रोबोट इंटेलिजेंस के संस्थापक सदस्य थे।
ARI was later acquired by Meta.
बाजार ने भी असली पैसे से वोट दे दिया है।
केवल तीन महीने के बाद, सिमेट ने कई राउंड में प्रत्येक राउंड में कई अरब युआन का फंडिंग पूरा किया।
और यह सब, एक ही चीज पर बेट लगाने के बारे में है—
फिजिकल RSI।
Simate ने अपनी स्थापना के पहले दिन से ही इस दिशा को लक्षित किया है और तीन अलग-अलग प्रकार के RSI को परिभाषित किया है।
1. कम SI: स्पष्ट सीमाएँ, त्वरित बंद चक्र
मैन-मशीन को-ड्राइव मोड, जहाँ शोधकर्ता लक्ष्य और सीमाएँ निर्धारित करते हैं, सामान्य निष्पादन के दौरान शोधकर्ता को चरणबद्ध रूप से शामिल नहीं किया जाता, और असामान्य स्थितियों को उच्च स्तर पर अपग्रेड किया जा सकता है।
यह RoboDojo पर चढ़ना पहले चरण का इंजीनियरिंग प्रमाणन है।
2. मध्य SI: दिशा स्पष्ट है, लेकिन उत्तर अज्ञात है
मॉडल की स्मृति को कैसे सुधारें? किसी विशिष्ट प्रकार के कार्य के लिए डेटा अनुपात कैसे तय करें?
दिशा तो पहले से ही है, लेकिन कौन सा विकल्प कारगर है, इसका पता लगाने के लिए कई प्रयोग करने पड़ेंगे।
इस समय, एजेंट विवरण, कार्यान्वयन योजना, प्रयोग चलाने और परिणामों की तुलना करने के लिए जिम्मेदार होता है; शोधकर्ता अनुमानों को छाँटने, विरोधाभासी साक्ष्यों की व्याख्या करने और महत्वपूर्ण निर्णय लेने के लिए जिम्मेदार होता है।
यह वास्तव में वर्तमान चरण में सबसे अधिक वास्तविक मूल्य वाला प्रकार है।
3. शक्तिशाली SI: अनुसंधान को खोजा जाना चाहिए
सबसे कठिन, और बुद्धि की मूल बात को सबसे अधिक छूने वाला प्रकार—
किसी नए कार्य में मॉडल की सामान्यीकरण क्षमता को कैसे बेहतर बनाया जाए?
इस तरह के प्रश्नों के लिए अब कोई स्पष्ट समाधान मार्ग नहीं है। प्रणाली को लक्ष्य को समझना होगा, वास्तविक रूप से अध्ययन के योग्य समस्याओं की पहचान करनी होगी, और लंबे समय तक दिशा बनाए रखनी होगी तथा निरंतर मार्ग सुधारती रहनी होगी।
यह अब उसे कहा जाने वाला «अनुसंधान स्वाद» शुरू होता है।
इस चरण में, ऐसे कार्यों की अभी भी अनुभवी शोधकर्ताओं द्वारा नेतृत्व किया जाना आवश्यक है। एजेंट अधिकांशतः साहित्य, साक्ष्य, प्रयोग और रास्तों की खोज में समर्थन प्रदान करते हैं।
ध्यान दें कि सिमेट द्वारा उल्लिखित कमजोर, मध्यम और मजबूत SI के कोई स्तर नहीं हैं, और तीनों एक ही रिसर्च और डेवलपमेंट सिस्टम में एक साथ मौजूद हो सकते हैं।
लेकिन महत्वपूर्ण बात यह है कि "विकास" यह प्राथमिक सिद्धांत ही है।
एक और बात
हर बार सिस्टम के स्व-सुधार से अगला सुधार आसानी से होने लगता है।
जब डेटा, मॉडल और वास्तविक डिप्लॉयमेंट एक खुद को चलाने वाले बंद चक्र में जुड़ जाते हैं, तो रोबोट की सीमा केवल मनुष्य की सीमा पर ही निर्भर नहीं रहती।
यह Physical RSI है, जो वर्तमान में शीर्ष उम्मीदवार रूट है जो physical AGI को ट्रिगर करता है।
जी हाँ, सामाइट अभी जो दिखा रहा है, वह केवल प्रारंभिक रूप है।
मानव-लूप अभी भी मौजूद है, और शोधकर्ता अभी भी पूरे चक्र में सबसे महत्वपूर्ण दिशा निर्णय पर काबू रखते हैं।
लेकिन यह ठीक इस बात को भी दर्शाता है कि स्वचालित अनुसंधान को तब तक प्रतीक्षा करने की आवश्यकता नहीं है जब तक कि 「पूर्णतः मानव हस्तक्षेप रहित」 दिन न आ जाए, तभी इसका मूल्य उत्पन्न होना शुरू हो।
जब तक एक अधिक मजबूत स्वयं-अनुसंधान क्षमता वास्तव में नहीं आ जाती, तब तक प्रयोग डिजाइन, प्रशिक्षण, मूल्यांकन और प्रतिक्रिया जैसे उच्च लागत वाले, प्रक्रियागत रूप से स्वीकार्य चरणों को क्रमिक रूप से एजेंट को सौंपना ही अनुसंधान थ्रूपुट में महत्वपूर्ण वृद्धि कर सकता है।
रोबोडोजो का रिपोर्ट कार्ड, भौतिक AI क्षेत्र में "मानव-मशीन सह-चालन" के पथ की संभावना की पुष्टि करता है—
RSI, वास्तव में शुरू हो गया है।
और एक बात।
AutoResearch रिसर्च प्लेटफॉर्म का बीटा टेस्ट शुरू हो चुका है, और यह अभी गर्मजोशी से भागीदारों को आमंत्रित कर रहा है!
किलोकैलोरी की कैलकुलेशन पावर, आइए मिलकर खेलें~
वेबसाइट:
https://mate-robot.cn/
AutoResearch रिसर्च प्लेटफॉर्म:
https://mate-robot.cn/research/sinfra/
यह लेख वेचेन ग्रुप "क्वांटम बिट" (ID: QbitAI) से आया है, लेखक: जेेय