سیمیٹ-بیٹا RoboDojo پر سب سے زیادہ کارکردگی والے فزیکل AI ماڈل کے طور پر متعارف کرایا گیا

AI نے AI کا مطالعہ کیا، اور اب اس کے لیے فزیکل دنیا کا جواب موجود ہے۔

تین ماہ کی عمر کی ایک کمپنی نے اپنا پہلا جامع فزیکل روبوٹ سسٹم، Simate-beta، متعارف کرایا ہے: یادداشت، لمبی مدتی کام، دانشمندہ عمل اور کام کے لیے تطبیق کی صلاحیت کا مظاہرہ کرتے ہوئے، اور کمپنی کے مطابق، RoboDojo پر ٹاپ پوزیشن حاصل کی ہے۔

رینکنگ لسٹ بالکل بھی مدل کی تمام صلاحیتوں کی نمائندگی نہیں کرتی، لیکن یہ ترقی کی رفتار اور طاقت کا ایک نظرثانی کا نقطہ فراہم کرتی ہے۔

ٹیم کے مطابق، اس جائزے کے لیے استعمال کی جانے والی بنیادی ماڈل کو اس فہرست کے لیے کوئی خاص بہتری نہیں کی گئی ہے۔

تین ماہ کے بعد، پہلے ورژن کا یہ نتیجہ قابل توجہ ہے۔

ٹیم کا نام Simate (Silicon Mate) ہے۔

اس کا پس منظر بھی کافی اہم ہے۔ کمپنی کے مطابق، مرکزی ٹیم نے ایک ایسے ایک مرحلہ والے ڈور ٹو ڈور آٹو ڈرائیو مدل کو ٹیسلا FSD کے برابر تک پہنچایا اور اسے مصنوعات کے طور پر لانچ کر دیا۔

دُنیا بھر میں، اس سرحد کو عبور کرنے والی ٹیمیں بہت کم ہیں؛ اور اس تجربے کو لے کر جامع فزیکل AI پر آگے بڑھنا اور بھی کم دیکھنے کو ملتا ہے۔

لیکن، اس بار سب سے دلچسپ بات یہ ہے کہ انہوں نے اپنی بنیاد ڈالنے کے پہلے دن سے ہی ریسرچ اور ترقی کا طریقہ مقرر کر لیا تھا:

AI for Physical AI، جس میں AI کو فزیکل انسٹیلنس کے تحقیق اور ترقی میں شامل کیا جائے۔

کمپنی نے اس راستے کے حوالے سے ماڈلز، ڈیٹا، کمپوٹیشنل پاور اور تجرباتی عمل کو منظم کیا ہے۔ سائمیٹ-بتا، اس AI-نیٹو ریسرچ سسٹم کا پہلا عملی نتیجہ ہے۔

اور، تحقیقی ٹولز کو باہری تحقیق کاروں نے شروع کر دیا ہے۔

کمپنی کے مطابق، MIT، کیلیفورنیا انسٹی ٹیوٹ آف ٹیکنالوجی، چنگہوا یونیورسٹی، پکنگ یونیورسٹی جیسے اداروں کے محققین AutoResearch پلیٹ فارم کے اندر ٹیسٹ کے لیے شامل ہو چکے ہیں۔ اس کے Sinfra انفراسٹرکچر کے ساتھ تربیت، شبیہہ سازی اور استنتاج کو کور کیا جاتا ہے، اور دستیاب وسائل درخواست کے مطابق تصدیق کی جائیں گی۔

اسی دوران، سیمیٹ نے کئی فنڈنگ راؤنڈز مکمل کر لیں ہیں جن کی کل رقم کئی سو کروڑ رینمنبی کی ہے۔

تین ماہ، ماڈل، ریسرچ پلیٹ فارم، باہری ٹرائل اور فنانس کو ایک ساتھ آگے بڑھایا جا رہا ہے۔ اس رفتار کو دیکھ کر اگلا مرحلہ دیکھنا چاہیے۔

ٹیم نے پیش گوئی بھی کی ہے: پیچیدہ کاموں کے لیے زیرو شاٹ جنرلائزیشن کے لیے ٹیکنیکل ایپروچ تیار ہو چکا ہے، اور اس سال کے آخر تک مرحلہ وار نتائج کا اعلان کرنے کا منصوبہ ہے۔

ان کے خیال میں، GPT-6 کا فزیکل دنیا کے عمل میں شرکت کرنا، متوقع ترقی ہے، اور فزیکل AI کی کامیابی باہر کے خیالات سے زیادہ جلد ہو سکتی ہے۔ وہ ہر کام کے لیے ایڈجسٹ کرنے اور پوسٹ ٹریننگ پر انحصار کو مزید دور کرنا چاہتے ہیں تاکہ فزیکل AI اپنا "GPT-3 لمحہ" حاصل کر سکے۔

مڈل اور آٹومیشن ریسرچ جیسے تین تحقیقی کاموں کو تفصیلی پیپرز اور ٹیکنیکل رپورٹس کے ذریعے لگاتار جاری کیا جائے گا، اور متعلقہ نتائج مرحلہ وار اوپن سورس کیے جانے کی منصوبہ بندی کی گئی ہے۔

یہ ریسرچ اور ڈویلپمنٹ کی رفتار، اور اس کی مستقل رہنے کی صلاحیت، سمات کے لیے اگلے سب سے زیادہ قابل توجہ بات بن جائے گی۔

تو، پہلا ماڈل بالکل کیا کر پایا؟ ای آئی نے تحقیق میں کیسے حصہ لیا؟

سیمیٹ کا آخری مقصد، صفر نمونہ (Zero-Shot) اور کم نمونہ (Few-Shot) کے لیے جامع فزیکل AI آپریشن ہے۔

ایک نئے، اجنبی ماحول میں، نظام کو ہر نئے کام کے ساتھ نئے ڈیٹا کو دوبارہ جمع کرنے، ماڈل کو دوبارہ تربیت دینے اور انجینئرنگ کو دوبارہ ترتیب دینے کی ضرورت نہیں ہے۔

یہی ابھی فزیکل AI کا سب سے زیادہ مقبول اور سب سے چیلنجنگ شعبہ ہے — جہاں ہر کوئی اپنا طریقہ اپنا رہا ہے۔

اور سیمات نے موجودہ مرحلے کے لیے جو حل پیش کیا ہے، اسے عام فزیکل فاسٹ سسٹم کہتے ہیں۔

یعنی سسٹم ایک۔

سب سے پہلے ہم انسانوں کا مثال لیتے ہیں:

"میری میز صاف کر دو" جیسے پیچیدہ ہدایات کے سامنے، ہمیں نیت کو سمجھنے اور اس کے مراحل کو الگ الگ کرنے کے لیے "سسٹم دو" کی ضرورت ہوتی ہے؛

لیکن جب ہاتھ پہلے ہی کپ کی طرف بڑھ چکا ہو، تو اس کے بعد بائیں یا دائیں کی طرف کچھ ملی میٹر کی مائیکرو ایڈجسٹمنٹ کرنے کا فیصلہ، ہر ایک مرحلے پر گہری سوچ کے بغیر ممکن نہیں۔

فیزیکل AI بھی۔

ایک عام "آہستہ نظام" اعلیٰ منصوبہ بندی اور پیچیدہ استدلال کے لیے ذمہ دار ہے، جبکہ ایک کافی طاقتور "تیز نظام" حقیقی دنیا کو عملی طور پر مسلسل تبدیل ہوتے ہوئے محسوس کرتا ہے اور فوری ایکشنز کا اخراج کرتا ہے۔

سائمیٹ نے بالکل بعد والے کو چنا ——

فاسٹ سسٹم کے پیرامیٹرز کو بڑھائیں، زیرو شاٹ جنرلائزیشن کی نمایاں صلاحیتوں کا جائزہ لیں، اور ایڈج ڈیپلوئی مڈل کے سائز اور صلاحیت کی حدود کو چیلنج کریں۔

ایک جامع فزیکل فاسٹ سسٹم۔

لیکن، بڑا اور تیز، ایک مشکل ٹریڈ آف ہے۔

سائمیٹ نے دو چیزوں سے شروع کیا:

1. 4D فزیکل سینس

فیزیکل دنیا کو سمجھنے کے لیے، فضائی ساخت اور وقتی ابعاد کے ڈائنامک تبدیلیوں کو одно ساتھ کیپچر کرنا ضروری ہے، تاکہ فیزیکل ریپریزینٹیشن حقیقی طور پر ایکشن کے لیے خدمت کر سکے۔

2، لیورلائزڈ ٹائم سیکوئنس میموری

لمبے مدت کے کاموں کو پہلے کی گئی باتوں کو یاد رکھنا چاہیے، مسلسل عمل کے لیے حالت کا تعاقب کرنا ضروری ہے، اور فوری رد عمل کو بڑے تاریخی معلومات کی وجہ سے تیز نہیں ہونا چاہیے۔

4D فزیکل احساس اور طبقاتی وقتی ذخیرہ، انسانی فاسٹ سسٹم کے لگاتار دنیا کو سمجھنے کے طریقے کے ساتھ مطابقت کی طرف اشارہ کرتے ہیں۔

یہ راستہ ٹیم کے بڑے پیمانے پر ویژول ماڈلز، ٹائم سیریز مڈلنگ، ریل ٹائم انفرنس اور پروڈکشن ڈیپلومنٹ پر موجودہ تجربے کو جاری رکھتا ہے۔ مخصوص آرکیٹیکچر اور ماڈل سائز کو بعد میں ٹیکنیکل رپورٹ میں شائع کیا جائے گا۔

آخری مقصد یہ ہے کہ ماڈل اس بات کو واضح طور پر جانے کہ اب کیا ہو رہا ہے، پچھلی باتوں کو یاد رکھے، اور اگلے قدم کا فیصلہ فوراً کرے۔

GPT-6 جیسے عصری ماڈلز کی عام استدلال کی صلاحیت کے ساتھ مل کر، پیچیدہ کاموں کے لیے زیرو شاٹ انجام دینے کی طرف بڑھیں۔

کمپنی کی طرف سے اب تک دی گئی Simate-beta ریل ڈیمو کے مطابق، ٹیسٹنگ کا مرکزی نقطہ ڈیمو ڈرائیون ٹاسک ایڈاپٹیشن، میموری، پیچیدہ لمبے مدتی انجام دہی اور نازک آپریشنز پر ہے۔

کمپنی کی طرف سے فراہم کردہ اور 23 ستمبر 2026 کو اپ ڈیٹ کردہ RoboDojo لسٹ کے مطابق، simate-beta نے اوسط اسکور 33.95 کے ساتھ پہلی جگہ حاصل کی، جس کا متعلقہ SR 27.96% ہے۔ یہ کارکردگی لسٹ کے جائزے کا حصہ ہے، اور اصل مشین کی کارکردگی الگ سے دکھائی جائے گی۔

اس ماڈل کے جواب کے پیچھے ایک اور ایسی ہی نظام ہے جسے بھی تفصیل سے بیان کیا جا سکتا ہے۔

گزشتہ کچھ سالوں میں، لوگوں نے AI کے ذریعے کوڈ لکھنے کی عادت ڈال لی ہے۔

لیکن AI تحقیق میں کوڈ لکھنا صرف ایک چھوٹا سا حصہ ہے۔

اکثر اوقات، تکرار کی کارکردگی ہی فیصلہ کن کلید ہوتی ہے۔ جو کوئی ایک اکائی وقت میں زیادہ تحقیقی فرضیات کی تصدیق کر سکے، وہ پہلے آگے نکل جائے گا۔

سب سے آسان مثال دیں۔

روبوٹ کے لمبے مہم کے کام عام طور پر کسی نہ کسی مرحلے پر گڑبڑا جاتے ہیں، اس کی وجوہات صرف کچھ ہیں: ڈیٹا کا توزیع میں عدم توازن، ماڈل کی ساختی پابندی، ٹریجکٹری کا نسبتی عدم توازن، یا تربیتی حکمت عملی کا ناکام ہونا۔

ہر سمت کے پیچھے، دسیوں یا کئی دہائیوں تجربات ہوتے ہیں۔

اگر پورا کام ریسرچر کو مینوئل طور پر کانفیگریشن تبدیل کرنے، ٹاسک شروع کرنے، تربیت پر نظر رکھنے، ایوان کا جائزہ لینے اور نتائج کو واپس اکٹھا کرنے پر منحصر ہو، تو یہ سب کچھ بہت دیر ہو چکا ہوگا...

اس لیے سائمیٹ نے اس پروسیس کو تیز کرنے کے لیے آٹو ریسرچ بنایا—

انسانی تحقیق کار: فرضیہ پیش کریں، مقاصد طے کریں، پابندیوں کا تعین کریں۔

آٹو ریسرچ انجن: باقی تجربات کو خودکار طور پر تقسیم کریں، چلائیں، اور پورے عمل کو فیڈ بیک دیں۔

نتیجہ بھی اعلان ہو گیا، انہوں نے اس طریقہ کار کے ذریعے RoboDojo میں پہلا مقام حاصل کیا۔

مزید اہم بات یہ ہے کہ رفتار۔

سیمیٹ نے اپنی بنیاد رکھنے سے لے کر روبوڈوجو پر چڑھنے تک صرف تین ماہ لگائے۔

بہت عجیب ہے...

تو سوال یہ ہے:

AI کو کیسے "AI کا مطالعہ" کیا جائے؟

واضح طور پر، صرف ایک ایجنٹ ڈالنا کافی نہیں ہے۔

حقیقی روبوٹ ترقی، بنیادی طور پر ماڈل کوڈ، ڈیٹا پائپ لائن، تربیتی کلسٹر، جائزہ کا ماحول، حقیقی مشین کی فیڈ بیک، اور گزشتہ کئی ماہ یا سالوں کے تجرباتی ریکارڈز تک جاتی ہے۔

بالآخر، یہ ابھی بھی "سیاق و سباق" کا مسئلہ ہے۔ ایجنٹ کو سب کچھ کو منظم کرنے والا ایک سپر انٹرفیس درکار ہے۔

اس کے لیے، Simate نے تین طبقاتی ساخت بنائی: SiPAI + AutoResearch + AI-native Infra.

SiPAI: ماڈل آرکیٹیکچر کو "AI قابل تحقیق" بنائیں

یہ ایک نیٹیو "آٹومیٹڈ ریسرچ" کے لیے قابل پلگ ان ماڈل فریم ورک ہے۔

بس اس کا مطلب یہ ہے کہ روبوٹ ماڈل کو ایسی ساخت میں تعمیر کیا جائے جسے AI آسانی سے سمجھ سکے — ماڈیول کی حدود، سسٹم انٹرفیسز، ترتیبات اور تصدیق کے عمل تمام کے تمام واضح طور پر تعریف کیے گئے ہیں۔

صرف اسی صورت میں، ایجینٹ تحقیقی موضوع حاصل کرنے کے بعد، درست طریقے سے جان سکتا ہے: کون سا ماڈیول تبدیل کرنا ہے؟ تبدیلی کس چیز کو متاثر کرے گی؟ اور آخر میں اس کی تصدیق کیسے کی جائے؟

اب تک، Simate نے اس بنیادی ڈھانچے کی تعمیر مکمل کر لی ہے اور دنیا کے ماڈل، دنیا کے ایکشن ماڈل، VLA، VLM سمیت کئی مقبول اسکیم کو کامیابی سے جوڑ لیا ہے۔

انسانی محققین یا ایجنٹس دونوں کو کمپوننٹس کو آزادانہ طور پر ملا سکتے ہیں، مقامی عمل کو تبدیل کر سکتے ہیں، اور ایک یکساں تربیت اور جائزہ لینے کے پائلائن کو برقرار رکھ سکتے ہیں۔

آٹو ریسرچ: ریل ٹائم اپڈیٹ ہونے والے "ریسرچ کنٹیکسٹ" فراہم کرتا ہے

اگر SiPAI ایک سٹیٹک ہدایات نامہ فراہم کرتا ہے، تو AutoResearch ڈائنانک معلومات کے فرق کو حل کرتا ہے:

تحقیق کہاں تک پہنچ چکی ہے؟ پہلے کن خطاوں سے گزرے گئے؟ تازہ ترین ثبوت کیا ہے؟

یہ باہری ایڈوانسڈ تحقیقی مقالے، ٹیم کے اندر کے سیمینار مٹیریلز، ماڈل کوڈ، ڈیٹا کے نسبت، تاریخی تجرباتی لاگز اور نئے جائزہ کے فیڈبیک کو ایک ہی ڈائنانمک ریسرچ کنٹیکس میں جوڑ دیتا ہے۔

جیسے ہی نیا پیپر جاری ہو، اندر کا کوڈ نئی ورژن پر اپ ڈیٹ ہو، یا نئے تجرباتی ڈیٹا پرانی فرضیات کو منسوخ کر دے، یہ Context فوراً اپ ڈیٹ ہو جائے گا۔

اس طرح، ایجنٹ کی ہر تجویز کو مخصوص کوڈ برانچ اور تجرباتی ورژن سے درست طور پر منسلک کیا جا سکتا ہے:

سب سے دلچسپ بات یہ ہے کہ "انسانی تجربہ" اور "ایجینٹ تجربہ" کا گہرا ادغام ہے:

انسانی ریسرچرز کسی بھی وقت پابندیاں اور بہتری کی سمتیں شامل کر سکتے ہیں؛ جب کوئی تجربہ کامیاب اجزاء کی تصدیق کرتا ہے، تو وہ فوراً بعد کے تجربات کے لیے نئی بنیاد بن جاتا ہے؛ کسی شاخ سے حاصل کردہ طریقہ کار کو اگلے ایجنٹ آسانی سے دوبارہ استعمال کر سکتا ہے۔

تحقیق کے نتائج، حقیقت میں اگلے مطالعے کے لیے پیداواری وسائل بن گئے۔

AI-native Infra: 7×24 گھنٹے کے ریسرچ اور ڈویلپمنٹ کے فلی وہیل کو چلائیں

بالکل، صرف کوڈ لکھنا کافی نہیں، تجربات کو کارآمد طریقے سے چلانا ضروری ہے۔

سیمیٹ اپنی خود کی گئی انفرااسٹرکچر میں تربیت، استنتاج اور جائزہ لینے کے پورے پروسیس کو شامل کرتا ہے، اور انتہائی ٹاسک اور وسائل کی منصوبہ بندی کے ذریعے، دہائیوں کی مستقل تحقیقی راہوں کو одно وقت چلا رہا ہے۔

بے کار کمپیوٹنگ طاقت کو روکنے کے لیے، Simate نے ایک اعلیٰ فریکوئنسی فلٹریشن مکینزم استعمال کیا ہے: تمام راستوں کو پہلے 'دنیا کا ماڈل + سیمیولیشن ماحول' کے ذریعے پہلے مرحلے میں تیزی سے فلٹر کیا جاتا ہے، جس سے زیادہ تر بے اثر راستے خارج ہو جاتے ہیں؛

صرف وہی اسکیمز جن میں حقیقی صلاحیت ہو، وہی اصل مشین ٹیسٹ کے لیے شامل ہوں گی۔

حقیقی ڈیوائس پر نئی مسائل ظاہر ہوئے، اس لیے دوبارہ تحقیقی ماحول میں واپس جانے کی ضرورت پڑی، اس طرح بند حلقات قائم ہو گیا:

نتیجہ یہ ہوگا کہ انسان صرف ایک تحقیقی سمت فراہم کرے، اور بنیادی نظام خودکار طور پر دہریوں تجربات کو متوازی طور پر چلائے۔

یہی وہ اہم چیز ہے جس کی بدولت سیمیٹ تین ماہ میں ٹاپ پر پہنچ گیا۔

لیکن سب سے زیادہ حیران کن بات یہ ہے کہ انہوں نے ایک انتہائی اہم اندر کی پیداواری ٹولز کی سیٹ کو براہ راست اوپن سورس کر دیا!

ویب پیج اس طرح ہے، دلچسپی رکھنے والے دوست نیچے خود حاصل کر سکتے ہیں۔

اب تاہم، تسوہوا، ایم آئی ٹی، اور ہانگ کانگ سائنس اینڈ ٹیکنالوجی یونیورسٹی جیسے ٹاپ یونیورسٹیوں کے محققین پہلے ہی اندر کے ٹیسٹ میں شامل ہو چکے ہیں۔

اس کے بانی چنگ یینگ، جو ایک سابقہ بڑی ڈرائیو کے لیے ذہین ٹیکنالوجی کے مرکزی ذمہ دار تھے۔

بہت زیادہ عملی تجربہ ہے، تصویر والے، تصویر والے نہیں، اور مکمل طور پر خودکار ڈرائیو کے تین نسلوں کے ایمپلیمنٹیشن میں شامل رہے ہیں، اور بہت سالوں تک پروڈکشن کے لیے کام کیا ہے۔

بتائیا گیا ہے کہ اس کی ترقی دی گئی ڈرائیو سسٹم ٹیسلا FSD کے سب سے قریب ہے۔

اس کے علاوہ، ٹیم میں دو اہم شخصیات بھی ہیں۔

1، صرف فتح کرنا۔

ہانگ کانگ سائنس اینڈ ٹیکنالوجی یونیورسٹی کے ایسوسی ایٹ پروفیسر، ورلڈ مائنڈ لیب کے ہدایت کار، جو ورلڈ مڈلز اور فزیکل AI پر طویل عرصے سے تحقیق کر رہے ہیں۔

2. جی مازے یو۔

00 کے دہے کے جوان سائنسدان، جن کا تحقیقی شعبہ 3D احساس، چالاک عمل اور انسان نما روبوٹ کے مکمل جسم کے کنٹرول تک پھیلا ہوا ہے۔

سیمات کے شمولیت سے پہلے، وہ سلیکون ویلی کے ایسیورڈ روبوٹ انٹیلی جنس کا بنیادی رکن تھا۔

ARI کو بعد میں میٹا نے خرید لیا۔

سرمایہ کاری کے بازار، جو پہلے ہی اصل سونے اور چاندی کے ذریعے ووٹ ڈال چکے ہیں۔

صرف تین ماہ کی عمر میں، سیمیٹ نے متعدد فنڈنگ راؤنڈز مکمل کیں، جن میں سے ہر ایک میں کئی ارب چینی یوان کی فنڈنگ ہوئی۔

اور یہ سب ایک ہی چیز پر اتار چڑھاو کر رہا ہے—

فیزیکل RSI۔

سیمیٹ نے اپنی بنیاد رکھنے کے دن سے ہی اس سمت کو ہدف بنایا اور تین مختلف قسم کے RSI کو تعریف کیا۔

1. کمزور SI: واضح حدود، تیز رفتار بند چکر

ماشین اور انسان کی مشترکہ ڈرائیونگ موڈ، جہاں ریسرچر مقاصد اور پابندیاں طے کرتا ہے، عام طور پر عمل کے دوران ریسرچر کو مرحلہ وار شامل ہونے کی ضرورت نہیں ہوتی، اور غیر معمولی صورتحال میں اسے اعلیٰ سطح پر منتقل کیا جا سکتا ہے۔

یہ روبو جو کو کی چوٹی پر پہنچنا، پہلے مرحلے کا انجینئرنگ تصدیق ہے۔

2۔ مڈل ایس آئی: رہنمائی واضح ہے، لیکن جواب نامعلوم ہے

ماڈل کی یادداشت کو کیسے بہتر بنایا جائے؟ کسی قسم کے کام کے لیے ڈیٹا کا تناسب کیسے ترتیب دیا جائے؟

راہ ہدایت کر دی گئی ہے، لیکن کون سا منصوبہ کام کرتا ہے، اس کے لیے کئی دور کے تجربات کی ضرورت ہے۔

اس وقت، ایجنٹ ماحول، منصوبہ بندی، تجربات اور نتائج کا موازنہ کرتا ہے؛ جبکہ ریسرچر فرضیات کا انتخاب، تضاد کے ثبوت کی وضاحت، اور اہم فیصلے کرتا ہے۔

یہ درحقیقت اس مراحل میں سب سے زیادہ عملی قیمت رکھنے والی قسم ہے۔

3. طاقتور SI: تحقیق کو خود کو دریافت کرنا چاہیے

سب سے مشکل، اور اس کے ذہنی جوہر تک پہنچنے والی قسم—

نئے کاموں میں ماڈل کی جامع صلاحیت کو کیسے بہتر بنایا جائے؟

اس قسم کے مسائل کے لیے اب واضح حل کا کوئی راستہ نہیں ہے۔ سسٹم کو اپنے مقصد کو سمجھنا ہوگا، اصل میں تحقیق کے قابل مسائل کو تلاش کرنا ہوگا، اور لمبے عرصے تک رہنمائی برقرار رکھتے ہوئے راستہ لگاتار درست کرنا ہوگا۔

یہ ابھی تک کہا جانے والا «تحقیقی ذائقہ» ہے۔

اس مرحلے میں، اس قسم کے کاموں کی قیادت اب بھی تجربہ کار محققین کر رہے ہیں۔ ایجینٹ زیادہ تر دستاویزات، شواہد، تجربات اور راستوں کی تلاش میں مدد فراہم کرتا ہے۔

یہ قابلِ ذکر ہے کہ سائمیٹ کہتے ہیں کہ کمزور، درمیانی اور طاقتور SI کے کوئی درجات نہیں ہیں، اور تینوں ایک ہی ریسرچ اور ڈویلپمنٹ سسٹم میں ایک ساتھ موجود ہو سکتے ہیں۔

مزید اہم بات یہ ہے کہ "تکامل" کا بنیادی اصول خود ہے۔

ہر خود بہتری کے عمل سے اگلی بہتری کا عمل آسان ہوتا جا رہا ہے۔

جب ڈیٹا، ماڈل اور اصل ڈیپلویمنٹ ایک خود چلنے والے سرکل میں جُڑ جائیں، تو روبوٹس کی حد صرف انسانی حد تک محدود نہیں رہے گی۔

یہ فزیکل RSI ہے، جو ابھی فزیکل AGI کے لیے سب سے زیادہ مقبول امیدوار راستہ ہے۔

بالکل، جو سیمیٹ اب دکھا رہا ہے، وہ صرف ابتدائی شکل ہے۔

انسانی مداخلہ اب بھی موجود ہے، اور ریسرچر اب بھی پورے سائکل میں سب سے اہم سمت کا فیصلہ کرتے ہیں۔

لیکن یہی بات یہ بھی ظاہر کرتی ہے کہ خودکار تحقیق کو اس دن کا انتظار کرنے کی ضرورت نہیں جب تک کہ "مکمل طور پر انسانی مداخلت نہ ہو"۔

جب تک زیادہ طاقتور خود مختار تحقیق کی صلاحیت ظاہر نہیں ہوتی، تجربات کی ڈیزائن، تربیت، جائزہ لینا اور فیڈ بیک جیسے اعلیٰ لاگت اور عملی طور پر منظم مراحل کو آہستہ آہستہ ایجنٹس کو سونپنا ہی تحقیقی پیداوار میں نمایاں اضافہ کر سکتا ہے۔

روبوڈوجو کی رپورٹ نے فزیکل AI کے شعبے میں "انسان اور مشین کا مشترکہ ڈرائیو" کے راستے کی ممکنہ کارکردگی کی تصدیق کر دی ہے—

RSI، اصل میں شروع ہو گیا ہے۔

اور ایک بات یاد آ گئی۔

AutoResearch سائنسی پلیٹ فارم کا اندر کا ٹیسٹ شروع ہو چکا ہے، اور اب اس میں شامل ہونے کے لیے فعال طور پر افراد کو بلایا جا رہا ہے!

کلوری کی کیپیسٹی، آئیے اس میں شریک ہوں~

ویب سائٹ:

https://mate-robot.cn/

آٹو ریسرچ سائنسی پلیٹ فارم：

https://mate-robot.cn/research/sinfra/

یہ مضمون ویچن گروپ "Quantum Bit" (ID: QbitAI) سے آیا ہے، مصنف: جے