آزاد متغیر روبوٹ نے اپنا پہلا اگلے سائز کا خود-regressive دنیا ماڈل WALL-SS جاری کیا ہے، جو روبوٹ دنیا ماڈلز میں اقدامات اور نتائج کے درمیان علیحدگی کے مسئلے کو حل کرنے کے لیے ڈیزائن کیا گیا ہے۔ یہ ماڈل ایک خاکہ سے تفصیل تک کے طبقاتی پیشگوئی مکینزم کے ذریعے مختلف اقدامات کو مختلف نتائج سے منسلک کرتا ہے اور 60 سیکنڈ تک کی مسلسل پیشگوئی کا انعقاد کرتا ہے۔ ٹیسٹنگ کے مطابق، WALL-SS کا اقدامات کا فالو اسکور 0.29 ہے، جو Cosmos3-Nano کے 0.044 سے کافی زیادہ ہے۔ آزاد متغیر نے 600 جوڑے مجازی اور حقیقی تجربات مکمل کیے، جن میں کامیابی کا تعلق 0.926 تھا، جو ظاہر کرتا ہے کہ دنیا ماڈل روبوٹس کو ورچوئل ماحول میں اپنے حکمت عملیوں کو پہلے سے تصدیق کرنے میں مدد دے سکتا ہے۔

مضمون کے مصنف، ذریعہ: جیک پارک

روبوٹ دنیا کے ماڈل کا اگلا مقابلہ شاید ریزولوشن نہیں، بلکہ آرکیٹیکچر ہوگا۔

مصنف | Li Yuan

ایڈیٹ کیا گیا: زہنگ ہوان

ایک مکینیکل بازو کا گریپر جبکہ کپ کو نہیں پکڑ رہا تھا، کپ ایسے اُٹھ گیا جیسے کہ اسے چुمبک نے کھینچ رہا ہو۔ یہ لگ بھگ مضحکہ خیز مسئلہ روبوٹکس ورلڈ مڈل کو پریشان کر رہا ہے، جسے صنعت میں "چُمبکی گریپنگ" کہا جاتا ہے۔

ویڈیو جنریشن ماڈل صرف اس بات کو یقینی بناتا ہے کہ منظر منطقی لگے، تو کام ختم ہو جاتا ہے؛ لیکن ورلڈ ماڈل صرف "حقیقی جیسا" لگنے کا تعاقب نہیں کر سکتا۔ روبوٹ کے تربیتی ڈیٹا کا زیادہ تر حصہ کامیاب ڈیمو سے آتا ہے، جس کی وجہ سے ماڈل راستہ اختیار کر لیتا ہے: اس کے بجائے کہ افعال کے نازک فرق کو سمجھے، وہ صرف منظر کے مطابق سب سے زیادہ امکانی نتیجہ پیدا کر دیتا ہے۔

حقیقی دنیا میں، گریپر کی پوزیشن میں کچھ ملی میٹر کا انحراف، نتیجہ کو پکڑنے سے لے کر کپ کو الٹا دینے یا پکڑنے میں ناکام ہونے تک بدل سکتا ہے۔ عالمی ماڈل کو حقیقی طور پر سمجھنا ہوگا کہ افعال اور نتائج کے درمیان علیحدگی کیا ہے۔

27 اگست کو، آزاد متغیر روبوٹ نے اگلے سائز کا خود ریگریشن ورلڈ ماڈل WALL-SS جاری کیا، جو ورلڈ ماڈل کو "استعمال کے قابل" سے "آسان استعمال" تک لے جانے کی کوشش کرتا ہے۔ WALL-SS پوری تصویر ایک ساتھ نہیں بناتا، بلکہ خشک سے تفصیلی طریقے سے مستقبل کو تصور کرتا ہے، تاکہ مختلف اقدامات حقیقی طور پر مختلف نتائج کے ساتھ مطابقت رکھیں؛ اس کے علاوہ، لمبے وقت کی یادداشت کے مکینزم کو جوڑ کر، 60 سیکنڈ تک مسلسل استنباط کا امکان فراہم کرتا ہے۔

ٹیسٹ نے ظاہر کیا کہ WALL-SS کو 60 سیکنڈ تک لگاتار ایکسپلیٹ کرنے کے بعد، ویڈیو اور حرکت کا راستہ اصل ویڈیو کے زیادہ قریب رہا، جس کا ایکشن فولو اسکور 0.29 تھا، جبکہ Cosmos3-Nano کا 0.044 تھا، اور دیگر ٹیسٹ مڈلز کا صفر تھا۔ کہا جا سکتا ہے کہ WALL-SS ایسے مڈلز میں سے ایک ہے جو حرکت کے حکم کے ساتھ تصویر کی پیشگوئی کرتا ہے۔

ساتھ ہی، ویل-ایس ایس کا اعلان کیا گیا ہے۔ ایسے روبوٹ ورلڈ مڈل کے لیے جن کی متحدہ ٹیکنالوجی کی راہ ابھی تک نہیں بنی، اس اعلان کا مقصد صرف ایک ماڈل کو کھولنا نہیں، بلکہ صنعت کو یہ تصدیق کرنے کا موقع دینا ہے کہ کیا ورلڈ ماڈل افعال کے مطابق پیشگوئی کر رہا ہے اور ورچوئل سیمیولیشن حقیقی روبوٹس کی خدمت کر سکتی ہے۔

جب تک ٹیکنالوجی کا پیرادائم ایک ہی راستہ نہیں اپناتا، تب تک مستقل تلاش کرنا خود ایک مقابلہ ہے۔ جسمانی ذہانت کے لیے صرف تیزی سے لاگو ہونے والے ہارڈویئر کی ضرورت نہیں، بلکہ موجودہ راستوں کو چیلنج کرنے اور بنیادی ٹیکنالوجی کے حدود کو وسعت دینے والی کمپنیوں کی بھی ضرورت ہوتی ہے۔

عالمی ماڈل، جسمانی ذہانت کا مرکزی راستہ بن جائیں

2026 میں، ورلڈ مڈلز روبوٹیکس کے شعبے میں سب سے زیادہ توجہ حاصل کرنے والی ٹیکنالوجی کی طرف سے تبدیل ہو رہے ہیں۔

نیوڈیا Cosmos کو لگاتار اپ ڈیٹ کر رہی ہے اور ویڈیو ورلڈ ماڈلز کو روبوٹ کنٹرول اور منصوبہ بندی کے لیے استعمال کرنا شروع کر چکی ہے؛ میٹا کا V-JEPA 2 روبوٹس کو غیر جانے والے ماحول میں گریپ کرنے کے لیے فزیکل دنیا کے تبدیلیوں کا پیش گوئی کرنے کی کوشش کر رہا ہے۔ مزید تحقیق بھی اب ورلڈ ماڈلز کا استعمال کرکے کچھ حقیقی مشین ٹیسٹنگ کو بدلنے کی طرف جا رہی ہے، تاکہ روبوٹس "ہاتھ لگانے" سے پہلے ورچوئل دنیا میں مختلف حکمت عملیوں کے نتائج کا پیش گوئی کر سکیں۔

اس ہجوم کو سمجھنا کوئی پیچیدہ بات نہیں۔ بڑے زبانی ماڈلز اگلے الفاظ کی پیش گوئی کرکے زبان کے قوانین سیکھتے ہیں، جبکہ عالمی ماڈلز اگلے لمحے کے عالم کی پیش گوئی کرتے ہیں: روبوٹ بائیں طرف حرکت کرے گا، کپ گر جائے گا ؟کلیم کو تھوڑا زیادہ سکڑاۓ، کیا شے پکڑی جا سکتی ہے؟ ایک حرکت دس سیکنڈ تک جاری رہے، تو منظر آخر میں کیسا ہو جائے گا؟

یہ خصوصی طور پر جسمانی ذہانت کے لیے اہم ہے۔ گزشتہ کچھ سالوں میں، صنعت نے زیادہ تر روبوٹ کے "کیسے کریں" کے مسئلے کو حل کیا ہے، VLA ویژول اور زبانی ہدایات کے مطابق براہ راست اقدامات کا اخراج کرتا ہے۔ لیکن جیسے جیسے روبوٹ کی صلاحیتیں بڑھ رہی ہیں، ایک نیا مسئلہ زیادہ واضح ہوتا جا رہا ہے: کس طرح پتہ چلے کہ ایک حکمت عملی اچھی ہے یا نہیں؟

اگر ہر مدل کی تکرار کے لیے حقیقی ٹیسٹ کی ضرورت ہو، تو اس کی لاگت زیادہ ہوگی اور دورہ لمبا ہوگا، جس سے تربیت اور تکرار کا بہت جلد瓶颈 بن جائے گا۔ روایتی محاکہ صرف کچھ ٹیسٹس کو ہی سنبھال سکتا ہے، لیکن اس میں انسانی طور پر اشیاء کے مواد، رگڑ، تبدیلی اور رابطے کا ماڈل بنانا پڑتا ہے، جس سے حقیقی دنیا کی پیچیدگی کو کور کرنا مشکل ہو جاتا ہے۔ دنیا کا ماڈل اس بات کو سمجھنے کی کوشش کرتا ہے کہ حقیقی ویڈیوز اور روبوٹ انٹرایکشن ڈیٹا سے دنیا کیسے تبدیل ہوتی ہے، تاکہ روبوٹ ورچوئل ماحول میں اپنے اسٹریٹجیز کو دہرائے اور تصدیق کر سکے۔

یہ مزید طور پر روبوٹ کے فیصلوں میں شرکت بھی کر سکتا ہے۔ VLA کو کپ دیکھ کر فوراً "ہاتھ بڑھانا" کا فیصلہ کر دیتا ہے، جبکہ ورلڈ ماڈل پہلے مختلف اقدامات کے نتائج کا تخمہ لگا سکتا ہے، اور پھر روبوٹ کو زیادہ مناسب حکمت عملی منتخب کرنے میں مدد کر سکتا ہے — "فوری عمل" سے "پہلے تصور کریں، پھر عمل کریں" کی طرف جائیں۔

لیکن جسمانی ذہانت کی بنیادی ڈھانچہ بننے کے لیے، آج کے عالمی ماڈل تین اہم رکاوٹوں کا سامنا کر رہے ہیں۔

پہلا امر اعمال اور نتائج کے درمیان علیحدگی ہے۔ ماڈل صرف توقعات کے مطابق تصویر پیدا نہیں کر سکتا، بلکہ اسے اعمال کے نتائج کو درست طریقے سے ظاہر کرنا ہوگا، ورنہ ایک ایسی حکمت عملی جو حقیقت میں کپ نہیں پکڑ سکتی، ورچوئل دنیا میں کامیاب قرار دی جا سکتی ہے۔

دوسرا طویل مدتی پیش بینی کی صلاحیت ہے۔ روبوٹ کے کام عام طور پر دہاں سیکنڈ تک یا اس سے زیادہ جاری رہتے ہیں، اور ماڈل کو اپنی پیش بینیوں کو بعد کے اقدامات کے لیے ان پٹ کے طور پر مستقل طور پر استعمال کرنا ہوتا ہے، جس میں کوئی بھی چھوٹی سی غلطی طویل مدتی پیش بینی میں جمع ہو سکتی ہے۔

تیسری بات یہ ہے کہ ورچوئل پیشگوئی اور اصل مشین کے عمل میں ایک جانچ ہونی چاہیے۔ جتنا بھی واقعی لگنے والا یا لمبا تجزیہ بنایا جائے، اس کا مطلب یہ نہیں کہ ماڈل حقیقی طور پر روبوٹ کی حکمت عملی کا جائزہ لے سکتا ہے۔ صرف تب ہی ورچوئل دنیا کا عمل اصل نتائج کے ساتھ مستقل طور پر مطابقت رکھتا ہے جب تک کہ دنیا کا ماڈل حقیقی تجربات کے کچھ حصوں کو بدلنے کا اصلی متبادل نہ بن جائے۔

یہ تین رکاوٹیں اگلے مراحل میں عالمی ماڈل کے مقابلے کا مرکز بن رہی ہیں۔

WALL-SS، عالمی ماڈل کو اس کی بنیادی ساخت میں بہتر بنائے گا

WALL-SS ان مسائل کے خلاف ایک نئی کوشش ہے۔ پیپر کے مطابق، یہ پہلا عالمی ماڈل ہے جو اگلے سطح کے آٹو ریگریسیو آرکیٹیکچر کا استعمال کرتا ہے۔

پہلے، کئی عالمی ماڈلز نے ویڈیو ڈiffsیوشن کے خیال کو اپنایا: تاریخی مناظر اور حرکات کو ان پٹ کیا جاتا تھا، اور متعدد بار نویز کم کرکے مستقبل کا ویڈیو تخلیق کیا جاتا تھا۔ حرکات تخلیق کی شرط تھیں، لیکن انہیں واضح طور پر "حرکت → نتیجہ" کے تخلیقی سلسلے میں شامل نہیں کیا گیا، جس کی وجہ سے ماڈل آسانی سے بصری پہلے سے مانے گئے خیالات پر انحصار کرتا تھا اور صرف ایک "زیادہ امکانی کامیاب" مستقبل کا تخمینہ لگاتا تھا—حتیٰ کہ اگر گریپر واقعی میں گلاس کو نہیں پکڑ رہا ہو، تو بھی گلاس کو کامیابی سے اٹھائے جانے کا منظر تخلیق کر سکتا تھا۔

WALL-SS مشاہدہ اور اقدامات کو "مشاہدہ—اقدام—نیا مشاہدہ" کے سببی سلسلے میں منظم کرتا ہے، جس سے اقدامات مستقبل کی حالت کے تشکیل میں حقیقی طور پر شامل ہوتے ہیں۔ سادہ الفاظ میں، پہلے یہ طے کیا جاتا ہے کہ دنیا کیسے تبدیل ہو رہی ہے، اور پھر تفصیلات کو مرحلہ وار مکمل کیا جاتا ہے: خشک تفصیل سے مکینیکل ہاتھ اور اشیاء کی تقریبی حالت طے کی جاتی ہے، اور باریک تفصیل سے حرکت اور رابطہ کو مزید درست کیا جاتا ہے۔ ناکامی، ہاتھ ڈالنے اور درستگی کے ڈیٹا کے ساتھ ملا کر، ماڈل "اقدامات مختلف ہوں گے، نتائج بھی مختلف ہوں گے" سیکھتا ہے۔

یہ صلاحیت اندیکیٹرز پر تصدیق کی گئی۔ WALL-SS کا ایکشن فولو اسکور 0.29 اور ٹریجکٹری اکیورسی 0.539 تھی؛ جبکہ Cosmos3-Nano کا ایکشن فولو اسکور صرف 0.044 تھا۔ دیگر مڈلز کا اسکور صفر تھا۔

ایک اور اہم مسئلہ یہ ہے کہ دنیا کا ماڈل کتنی لمبی دیر تک "یاد رکھ سکتا ہے"۔ WALL-SS، تازہ ترین تفصیلات کو برقرار رکھنے، دور کے تاریخی مواد کو دباؤ دینے، اور ماڈل کو تربیت کے دوران اپنے پیشگوئیوں کو جاری رکھنے کے لیے متعدد سcales کی لمبی مدتی یادداشت کا استعمال کرتا ہے، جس سے غلطیوں کے جمع ہونے کا مسئلہ کم ہوتا ہے۔ اس سے ماڈل 60 سیکنڈ تک مسلسل پیشگوئی کر سکتا ہے، جبکہ دوسرے ماڈلز کے لیے 20-30 سیکنڈ تک جانا ہی حد ہے۔

مزید اہم بات یہ ہے کہ ان صلاحیتوں کا حقیقی مشینوں پر ٹیسٹ کیا گیا۔ متغیر نے ایک ہی حکمت عملی کو WALL-SS اور حقیقی روبوٹ دونوں پر انجام دیا، جس سے 600 جوڑے کے مصنوعی اور حقیقی تجربات مکمل ہوئے۔ نتائج نے ظاہر کیا کہ دونوں کی کامیابی کے درمیان متعلقہ گُنگا 0.926 تھا، اور مختلف حکمت عملیوں کی طاقت کے ترتیب کی درستگی 89% تھی۔

اس کا مطلب ہے کہ عالمی ماڈل ایک اہم ترین قیمت حاصل کرنے لگا ہے: صرف "واقعی لگنے والے" مستقبل کو جنریٹ کرنے کے بجائے، یہ روبوٹس کو مختلف اقدامات کے نتائج کو سمجھنے اور ورچوئل دنیا میں اپنی حکمت عملی کو پہلے سے تصدیق کرنے میں مدد کر سکتا ہے۔

بالکل، WALL-SS کے ابھی تک کچھ سرحدیں ہیں۔ اس کے ایکشن ان پٹ میں بنیادی طور پر مکینیکل ہاتھ کے اختتامی پوزیشن، سمت اور گریپر کے کھلنا بند ہونا شamil ہے، مکمل جوائنٹ حالت، طاقت اور ٹارک شامل نہیں ہیں، اس لیے باریک مواصلات اور متعدد انگلیوں والے چالاک ہاتھ کے لیے حمایت کو مزید تصدیق کی ضرورت ہے۔

جب راستہ ابھی تک متحد نہیں ہوا ہے، تو مستقل طور پر ڈھانچے میں نوآوری کرتے رہیں

WALL-SS نے دنیا کے ماڈل کے رجحان کا پیچھا کرنا شروع نہیں کیا۔ گزشتہ سال، سویل فیکٹر نے ایک ہی مسئلے کا جائزہ لیا ہے: روبوٹس کو دنیا کی سمجھ، اقدامات کی پیش گوئی اور حقیقی انجام دہی کو کیسے جوڑا جائے۔

WALL-OSS، بڑے پیمانے پر بہ متعدد ماڈل پر تربیت کے ذریعہ، بصری، زبانی اور روبوٹک حرکات کو ایک ہی جسمانی بنیادی ماڈل میں شامل کرتا ہے؛ WALL-OSS-0.5 پر تربیت کی صلاحیت کو حقیقی مشینوں تک منتقل کرنے کا اضافہ کرتا ہے؛ اس کے بعد، WALL-WM دنیا کے تبدیلی اور روبوٹک حرکات کا مشترکہ ماڈلنگ شروع کرتا ہے، جبکہ X-Tokenizer مختلف روبوٹس اور مختلف حرکات کو ایک ہی ماڈل میں کیسے شامل کیا جائے، اس کا تجربہ کرتا ہے۔ WALL-SS تک، یہ راستہ ایک مرکزی سوال کی طرف مزید بڑھتا ہے: ایک حرکت کو انجام دینے کے بعد، دنیا میں کیا ہوگا؟

اس سلسلہ تلاش کے ذریعہ، متغیر کا "دنیا-عمل" کے ایک جامع ماڈل پر طویل مدتی زور ہے۔ روبوٹ صرف ایکٹ کرنے کے قابل نہیں ہونا چاہیے، بلکہ اسے اپنے ایکشن کے نتائج کا پیش گوئی بھی کرنا چاہیے اور نتائج کے مطابق اپنے رویے کو مستقل طور پر درست کرنا چاہیے۔ ماڈل، ڈیٹا، اور حقیقی مشین کے تجربات کے مسلسل جمع ہوتے رہنے سے، یہ تلاشیں ایک باہمی ردعمل والی ٹیکنالوجی کا حلقہ بن رہی ہیں۔

جس طرح کی جسمانی ذہانت کی بنیادی ساخت، ابھی تک ایک مستقل شکل اختیار نہیں کر چکی۔ اس مرحلے میں، ہر کوشش کے ساتھ آخری جواب کا اندازہ لگانا اہم نہیں، بلکہ یہ اہم ہے کہ آیا آپ نئی ساختی فرضیات پیش کر سکتے ہیں، انہیں ڈیٹا اور حقیقی مشینوں کے ذریعے ٹیسٹ کر سکتے ہیں، اور نتائج کے مطابق اپنے راستے مسلسل تبدیل کر سکتے ہیں۔

اس بار کے اعلان کے ساتھ WALL-SS کا اطلاق اسی خیال کی مزید تکمیل ہے۔ صرف ایک ماڈل نہیں، بلکہ ایک ایسی ٹیکنالوجی کا راستہ جو صنعت کے ساتھ مشترکہ طور پر جانچا جا سکتا ہے: کیا اگلے سائز کا آٹو ریگریسیو روبوٹس کے لیے زیادہ مناسب ہے؟ کیا اقدامات اور نتائج حقیقت میں مطابقت رکھتے ہیں؟ کیا ورچوئل ٹیسٹنگ حقیقی مشین کے اداء کو درست طور پر ظاہر کرتی ہے؟ محققین اس کے بنیاد پر مزید تحقیق کر سکتے ہیں، اور روبوٹکس کمپنیاں براہ راست یہ جانچ سکتی ہیں کہ کیا یہ اپنے ٹریننگ اور ایوانٹس سسٹم میں شامل ہو سکتا ہے۔

یہ ابتدائی جسمانی بہت بڑی اہمیت رکھتا ہے: صنعت کی تلاش کی لاگت کو کم کرنا اور مختلف راستوں کو حقیقی застосуванні میں ٹیسٹ کرنا۔

گزشتہ کچھ سالوں میں، گھریلو جسمانی بہت بڑھ چڑھ کر مقابلہ زیادہ تر جسم، ڈیٹا اور مصنوعات کے عملی اطلاق پر مرکوز رہا۔ لیکن ایک ابھی تک متعین نہ ہونے والی صنعت صرف اس بات کا انتظار نہیں کر سکتی کہ بالغ ڈھانچہ ظاہر ہو جائے اور پھر پیچھے چلی جائے، بلکہ کسی کو عالمی ماڈل، حرکت کے نمائندگی اور سیکھنے کے طریقوں جیسے زیادہ بنیادی علاقوں میں داخل ہونا چاہئے تاکہ اگلے ممکنہ ترقی کو مستقل طور پر تلاش کیا جا سکے۔

WALL-SS قطعاً آخری جواب نہیں ہے، لیکن یہ ایک تبدیلی کی نمائندگی کرتا ہے: گھریلو کمپنیاں اب صرف موجودہ راستوں کا پیروی نہیں کر رہیں، بلکہ اپنی اپنی ساختی فرضیات پیش کر رہی ہیں اور انہیں صنعت کے جائزے کے لیے کھول رہی ہیں۔

جب تکنیکی راستہ حقیقی طور پر تبدیل ہوتا ہے، تو ایک کمپنی کا فیصلہ صرف اس بات پر نہیں ہوتا کہ وہ پچھلی نسل کے ساتھ کیسے چل رہی ہے، بلکہ یہ بھی کہ وہ ہمیشہ اگلی نسل کی تلاش کی صلاحیت برقرار رکھتی ہے۔