मानवी बुद्धिमत्तेचा रौप्यकाळ: एक सखोल अभ्यास

रोबोटिक्समधील गुंतवणुकीची वाढ

मोठ्या कृत्रिम बुद्धिमत्ता मॉडेलच्या (AI models) झपाट्याने झालेल्या प्रगतीमुळे रोबोटिक्स उद्योगात मोठ्या प्रमाणात गुंतवणूक झाली आहे. मात्र, या गुंतवणुकीच्या वाढीबरोबरच बाजारपेठ जास्त गरम होण्याची शक्यता आहे. तंत्रज्ञान आणि त्याच्या उपयोगामधील खरे यश ओळखणे हे मुख्य आव्हान आहे. या संदर्भात काही महत्त्वाचे प्रश्न विचारले जातात:

• प्रबलीकरण शिक्षण (reinforcement learning) किंवा नक्कल शिक्षण (simulation learning) यावर लक्ष केंद्रित केले पाहिजे?
• नक्कल (simulation) किंवा प्रत्यक्ष चाचणी (real-world testing) यापैकी कशाला प्राधान्य देणे अधिक महत्त्वाचे आहे?
• दृष्टी (vision) किंवा भौतिक इंजिन (physical engines) यावर भर दिला पाहिजे?

गोलमेज परिषदेतील सहभागी

या गोलमेज परिषदेत विविध क्षेत्रातील तज्ञ सहभागी झाले होते:

• चेन यांग: उपाध्यक्ष, गॅलेक्सी जनरल रोबोटिक्स
• शी लिंग्शियांग: प्रमुख, इनोव्हेशन इनक्यूबेशन, व्होल्कॅनो इंजिन (संचालक)
• वू डी: प्रमुख, इंटेलिजेंट अल्गोरिदम, व्होल्कॅनो इंजिन
• वान हाओजी: भागीदार, मॅट्रिक्स पार्टनर्स चीन
• वांग शियाओ: संस्थापक, नाइन चॅप्टर्स कॅपिटल
• यान वेईक्सिन: सह-संस्थापक, शांघाय झियुआन रोबोटिक्स आणि डॉक्टरेट पर्यवेक्षक, शांघाय जिओ टोंग विद्यापीठ

मुख्य चर्चेचे मुद्दे

• रोबोटिक्समधील गुंतवणुकीची वाढ:

  • AI ॲप्लिकेशन्सचे दोन प्रकारात वर्गीकरण केले जाते: सॉफ्ट ॲप्लिकेशन्स (चॅटबॉट्स आणि व्हिडिओ जनरेशन) आणि हार्ड ॲप्लिकेशन्स (रोबोटिक्स). रोबोटिक्स हे AI चे सर्वात बहुमुखी हार्ड ॲप्लिकेशन मानले जाते.
  • गुंतवणूकदार अशा कंपन्यांच्या शोधात आहेत, ज्या सॉफ्टवेअर आणि हार्डवेअर दोन्ही एकत्रित करू शकतात आणि प्रात्यक्षिकांपेक्षा (demos) अधिक वास्तविक जगातील ॲप्लिकेशन्स दाखवू शकतात.
  • रोबोट्सचे व्यापारीकरण अपेक्षेपेक्षा कमी गतीने होत आहे, विशेषत: घरे आणि B2B सेवांसारख्या जटिल वातावरणात.
  • 'मेंदू' (AI) आणि 'लहान मेंदू' (नियंत्रण प्रणाली) यांच्यातील समन्वयात सुधारणा करणे आवश्यक आहे.
  • व्यापक वापरासाठी खर्च कमी करणे महत्त्वाचे आहे.

• व्यापारीकरणाचा मार्ग:

  • रोबोटिक्स यशस्वी होईल यावर एकमत आहे, परंतु वेळ आणि आघाडीच्या कंपन्या अजूनही अनिश्चित आहेत.
  • इलेक्ट्रिक वाहन उद्योगाप्रमाणेच, बाजारात एकाच कंपनीचे वर्चस्व असण्याची शक्यता नाही. अनेक कंपन्या यशस्वी होऊ शकतात.
  • मोठ्या मॉडेल्समुळे रोबोट्सना संवाद आणि विचार क्षमता सुधारली आहे.
  • तांत्रिक अडचणी असल्या तरी, प्रक्रिया अपेक्षेपेक्षा जास्त वेळ घेणारी आणि आव्हानात्मक असेल.
  • गुंतवणूकदार (VC) निधी पुरवून विकासाला गती देण्यासाठी महत्त्वाची भूमिका बजावतात.

• सामान्य बुद्धिमत्तेचे महत्त्व:

  • रोबोट्सने मानवांना आणि वातावरणाशी जुळवून घेणे आवश्यक आहे, यावर लक्ष केंद्रित केले पाहिजे.
  • रोबोट्समध्ये सामान्य बुद्धिमत्ता आणण्यासाठी मोठ्या प्रमाणात नक्कल डेटा (simulation data) वापरणे महत्त्वाचे आहे.
  • रोबोटिक्स स्टार्टअप्सना तंत्रज्ञान, उत्पादन विकास आणि व्यवसाय मॉडेलमध्ये महत्त्वपूर्ण आव्हानांचा सामना करावा लागतो.
  • उद्योगाला पुरवठा साखळीत (supply chain) आणि गुंतवणूकदारांकडून सहकार्याची आवश्यकता आहे.

• मानवी बुद्धिमत्तेसाठी तांत्रिक मार्ग:

  • चालण्याची क्रिया (gait control) सुधारण्यासाठी नक्कल शिक्षण (imitation learning) वापरणे हा एक व्यवहार्य मार्ग आहे.
  • सिम्युलेशन डेटा खालच्या अवयवांच्या हालचालीसाठी प्रभावी आहे, परंतु पॅरामीटर ट्युनिंग (parameter tuning) आणि उत्पादनाची स्थिरता अजूनही एक आव्हान आहे.
  • मानवरूपी रोबोट्सच्या (humanoid robots) खालच्या भागाच्या हालचालींपेक्षा एकूण कार्यक्षमतेवर लक्ष केंद्रित करणे आवश्यक आहे.
  • फक्त हालचाल करण्याऐवजी कार्यक्षमतेवर लक्ष केंद्रित केले पाहिजे.
  • विशेषत: जटिल कामांसाठी डेटा गोळा करणे आणि त्याचे मानकीकरण करणे हे एक मोठे आव्हान आहे.
  • वास्तविक जगातील डेटा महत्त्वाचा आहे, विशेषत: जटिल शारीरिक क्रिया ज्यांचे नक्कल करणे कठीण आहे.

• सिम्युलेशन वि. वास्तविक जगातील डेटा:

  • सिम्युलेशन डेटा अधिक किफायतशीर, स्केलेबल आणि सामान्य-उद्देशीय मॉडेल प्रशिक्षित करण्यासाठी बहुमुखी आहे.
  • घर्षण आणि लवचिकता यांसारख्या शारीरिक क्रियांच्या बारकावे कॅप्चर करण्यासाठी वास्तविक जगातील डेटा आवश्यक आहे.
  • एकदा रोबोट्समध्ये जागतिक मॉडेल (world models) तयार झाले की, मोठ्या प्रमाणात सिम्युलेशनचा उपयोग करून विविध परिस्थितीत त्यांची कार्यक्षमता तपासली जाऊ शकते.

भविष्यातील ॲप्लिकेशन्स

• जवळच्या भविष्यातील ॲप्लिकेशन्स (2-3 वर्षे):

  • औद्योगिक उत्पादन: रोबोट्स नियंत्रित वातावरणात जटिल कार्ये करू शकतात.
  • दूरस्थ कामकाज: धोकादायक ठिकाणी, जसे की धोकादायक सामग्री हाताळण्यासाठी रोबोट्सचा वापर केला जाऊ शकतो.
  • नियंत्रित वातावरण: रेस्टॉरंट, हॉटेल आणि कारखान्यांसारख्या नियंत्रित वातावरणात रोबोट्स तैनात केले जातील.
  • विशिष्ट कार्ये: रोबोट्सचा उपयोग अन्न वितरण, कॉफी बनवणे आणि हलकी देखभाल यांसारख्या कामांसाठी केला जाईल.
  • कारखाने, कार्यालये आणि सुरक्षा: ही प्रारंभिक वापराची सर्वात संभाव्य क्षेत्रे आहेत.

• दीर्घकालीन ॲप्लिकेशन्स:

  • घरातील वातावरण: सर्वात जटिल परंतु बहुप्रतिक्षित ॲप्लिकेशन म्हणजे घरातील वातावरण.
  • घरगुती कामे: रोबोट्स स्वयंपाक करणे, कपडे धुणे आणि साफसफाई करणे यांसारखी कामे करू शकतील.
  • खर्च घट: तंत्रज्ञानाचा विकास जसजसा होईल, तसतसा रोबोट्सचा खर्च कमी होईल आणि ते अधिक लोकांसाठी उपलब्ध होतील.
  • सामान्य-उद्देशीय रोबोट्स: विविध गरजा पूर्ण करू शकणाऱ्या सामान्य-उद्देशीय रोबोट्सवर लक्ष केंद्रित केले जाईल.
  • बाजारपेठेचा विचार: कंपन्यांनी ॲप्लिकेशन्सची कार्यक्षमता, कामगिरी, खुलेपणा आणि जोखीम सहन करण्याची क्षमता विचारात घेणे आवश्यक आहे.

व्होल्कॅनो इंजिन VeOmniverse

• व्हर्च्युअल सिम्युलेशन प्लॅटफॉर्म: VeOmniverse हे रोबोट सिम्युलेशन आणि प्रशिक्षणासाठी क्लाउड-आधारित प्लॅटफॉर्म आहे.
• वास्तववादी वातावरण: हे प्लॅटफॉर्म रोबोट्सना प्रशिक्षण देण्यासाठी अत्यंत वास्तववादी डिजिटल वातावरण तयार करते.
• खर्चिक: हे भौतिक उपकरणांची गरज कमी करते आणि विकासाचा खर्च कमी करते.
• सर्वसमावेशक प्रशिक्षण: प्लॅटफॉर्म व्हिज्युअल इंजिन, फिजिकल इंजिन, सेन्सर सिम्युलेशन आणि 3D जनरेशन वापरून एक सर्वसमावेशक प्रशिक्षण प्रणाली तयार करते.
• AI सपोर्ट: प्लॅटफॉर्म उच्च-गुणवत्तेचा प्रशिक्षण डेटा तयार करण्यासाठी आणि प्रशिक्षण प्रक्रिया जलद करण्यासाठी AI चा वापर करते.
• सानुकूलता: प्लॅटफॉर्म खुले आणि सानुकूल करण्यायोग्य आहे, ज्यामुळे कंपन्यांना वैयक्तिक डिजिटल ट्विन ॲप्लिकेशन्स विकसित करता येतात.
• जलद विकास: हे प्लॅटफॉर्म कंपन्यांना रोबोट मॉडेल जलदपणे तयार करण्यास, सत्यापित करण्यास आणि ऑप्टिमाइझ करण्यास मदत करते.
• उद्योग परिवर्तन: VeOmniverse हे रोबोटिक्स उद्योगाच्या बुद्धिमत्ता आणि डिजिटल परिवर्तनासाठी एक महत्त्वाचे साधन आहे.