मेंदूच्या लहरी भौतिक AI साठी पुढील अनलॉक आहेत का?

फिजिकल एआयचा फ्रंटियर हा कॅलिफोर्नियामधील सॅन लिअँड्रो येथील वेअरहाऊसमधील जेंगा गेम आहे.

त्या गोदामाचा ताबा आहे एनकॉर्डएआय मॉडेल्सना प्रशिक्षण देण्यासाठी वापरण्यात येणारी डेटा टूलिंग तयार करणारी कंपनी. अँड्र्यू सेजा हा पायलट आहे—त्याच्या रोबोटिक प्रशिक्षकांसाठी कंपनीचा शब्द—आणि तो काय पाहतो याचा मागोवा घेणारा कॅमेरा असलेला हेडसेट परिधान करत असताना तो टॉटरिंग टॉवरमधून लाकडी ब्लॉक्स काळजीपूर्वक काढतो. रोबोट प्रशिक्षण डेटा गोळा करण्यासाठी हे एकटेच सामान्य आहे, परंतु या हेडसेटमध्ये सेन्सर समाविष्ट आहेत जे त्याच्या मेंदूच्या लहरी मोजतात कारण तो ब्लॉक टॉवर काळजीपूर्वक वेगळे करतो.

Encord हे स्टार्टअप्सच्या लहान पण वाढत्या संख्येपैकी एक आहे की ह्युमनॉइड आणि वेअरहाऊस रोबोटिक्सवरील पुढील वास्तविक मर्यादा मॉडेल आर्किटेक्चर नसून वास्तविक-जगातील शारीरिक प्रशिक्षण डेटाची पूर्ण कमतरता असेल. रोबोटिक्स कंपन्यांना त्यांच्याकडे असलेला डेटा व्यवस्थापित करण्यात मदत करण्याऐवजी, Encord त्यांच्याकडे नसलेल्या डेटाच्या निर्मितीभोवती व्यवसाय तयार करत आहे.

सेजा ने परिधान केलेला ब्रेन वेव्ह हेडसेट बांधला होता झेंडर लॅब्सएक जर्मन न्यूरोसायन्स स्टार्टअप जे मेंदूच्या क्रियाकलाप मोजण्यासाठी सट्टेबाजी करत आहे — त्रुटी, हेतू आणि आश्चर्य यासारख्या मानसिक स्थिती काढण्यासाठी — मॉडेलला प्रशिक्षण देण्यासाठी अधिक उपयुक्त डेटा सेट तयार करू शकतात. एन्कॉर्डचे झेंडरसोबतचे काम सध्या ट्रायल रन आहे; एनकॉर्ड म्हणते की प्रारंभिक ब्रेन वेव्ह-टॅग केलेला डेटा सेट तयार करणे, ग्राहक रोबोटिक्स मॉडेल्सद्वारे ते चालवणे आणि ते वाढवायचे की नाही हे ठरवण्यापूर्वी ते प्रत्यक्षात कार्यप्रदर्शन सुधारते की नाही याचे मूल्यांकन करणे हे उद्दिष्ट आहे.

कामाचे पर्यवेक्षण करणारे झेंडर न्यूरोसायंटिस्ट लुकास गेहर्के म्हणतात की, दिलेल्या कार्यादरम्यान कोणत्याही वेळी मेंदूच्या क्रियाकलापांचा वापर किती प्रमाणात वापरला जातो हे मॉडेल बिल्डर्सना त्यांचे सर्वोच्च-प्रयत्न मॉडेल कधी तैनात करण्याची आवश्यकता आहे हे शोधण्याचा प्रयत्न करतात.

रोबोटिक्स डेटा अडथळे सोडवण्याच्या प्रयत्नाची ही “रक्तस्त्राव धार” आहे, एनकॉर्डचे रोबोट लर्निंगचे प्रमुख विनीत वेलमुरुगन यांनी सांगितले. OpenAI च्या रोबोट लॅबचे अनुभवी आणि बर्कशायर ग्रे, वेअरहाऊस ऑटोमेशन फर्म, वेलमुरुगन कंपनीच्या अंतर्गत डेटा-निर्मिती टीम तयार करण्यासाठी Encord मध्ये सामील झाले.

Encord ची स्थापना मशीन-व्हिजन ॲप्लिकेशन्स बनवणाऱ्या कंपन्यांना डेटा भाष्य करण्यासाठी आणि मॉडेलचे मूल्यांकन करण्यात मदत करण्यासाठी करण्यात आली. त्यांचे ग्राहक म्हणून—वेलमुरुगन म्हणतात की ते अनेक अग्रगण्य रोबोटिक्स कंपन्यांसोबत काम करतात परंतु त्यांना नाव देण्यास तो अधिकृत नाही—रोबोटिक मॅनिप्युलेशन टास्कसाठी एंड-टू-एंड लर्निंग लागू करण्यास सुरुवात केली, अधिकाऱ्यांच्या लक्षात आले की त्यांना प्रशिक्षण डेटा केवळ व्यवस्थापित करण्याऐवजी स्वतः तयार करावा लागेल. “डेटा अस्तित्त्वात नाही,” वेलमुरुगन म्हणाले.

जनरेटिव्ह एआय रोबोट्ससाठी जे करू शकते ते चॅटबॉट्ससाठी जे काही केले जाते ते त्याच भिंतीवर चालू राहते. एलएलएम संपूर्ण इंटरनेटच्या मजकुरावर तयार केले गेले आणि बरेच काही. न्यूरल नेटवर्कला शारीरिक हाताळणीबद्दल शिकवण्यासाठी समान कच्चा माल शोधणे आव्हानात्मक आहे: सेल्फ-ड्रायव्हिंग कार कंपन्या ते स्वतः गोळा करतात, परंतु ते मोजणे कठीण आहे. व्हिडिओवरून प्रशिक्षण कार्य करू शकते, परंतु त्यात वास्तविक जगातील डेटाची निष्ठा नाही. वेलमुरुगन म्हणतात की ते यूट्यूबच्या व्हिडिओ कॉर्पसच्या आकाराच्या पाच पट सारखे डेटा संच घेईल—एक स्केल जो डेटा-निर्मिती हा एक व्यवसाय बनला आहे आणि केवळ संशोधन समस्या का बनला आहे हे स्पष्ट करण्यात मदत करेल.

तुमच्या अहंकारी डेटाच्या गरजा पूर्ण करा

रोबोट मेंदू बनवणाऱ्या कंपन्या आता दोन मुख्य स्त्रोतांकडे वळत आहेत: कॅमेरा परिधान केलेल्या कामगारांद्वारे संकलित केलेला “अहंमेंद्रित” व्हिडिओ, अनेकदा अतिरिक्त कॅमेरा अँगल आणि इतर मेट्रिक्ससह वाढवलेला आणि दूरस्थपणे चालवल्या जाणाऱ्या रोबोट्सकडून डेटा गोळा करणे. Encord जगभरातील अनेक कारखान्यांमधून अहंकारकेंद्रित डेटा काढणे आणि मेंदूच्या लहरी यांसारख्या नवीन पद्धतींचा प्रयोग करण्यासाठी किंवा फाइन-ट्यूनिंगसाठी विशिष्ट कौशल्यांभोवती डेटा संच गोळा करण्यासाठी त्याच्या सॅन लिअँड्रो सुविधेचा वापर करणे हे दोन्ही करते.

जेव्हा रीडला भेट दिली तेव्हा पायलट लीडर-फॉलोअर रिग्स वापरत होते — पेअर केलेले रोबोटिक आर्म्स, जे थेट मानवी ऑपरेटरद्वारे नियंत्रित केले जातात आणि त्याच्या हालचालींची नक्कल करतात — पॉटमधून कॉफी मग मध्ये ओतणे आणि पोकर चिप्स स्टॅक करणे यासारख्या कामांबद्दल डेटा तयार करण्यासाठी. “प्रत्येक ह्युमनॉइड कंपनीने आम्हाला हे तुकडे मागितले आहेत,” वेलमुरुगन म्हणतात.

स्टोरेज रॅकमध्ये फुलदाण्यांमध्ये बनावट फुलांचे डब्बे, पुस्तके, प्लॅस्टिक भाज्या, किटी लिटर ट्रे आणि स्कूप्स, पिशव्या आणि तारांचे बंडल, घरगुती कामांसाठी मॅनिपुलेटरला प्रशिक्षण देण्यासाठी व्यापारातील साठा.

यापैकी एका स्टेशनवर, दुसरा पायलट, Sofia Infante, सर्व्हरच्या मागील भागातून इथरनेट केबल्स प्लग आणि अनप्लग करण्यासाठी रोबोटिक शस्त्रे चालवतात — जर फक्त रोबोट्स आवश्यक अचूकतेने हाताळू शकतील तरच डेटा सेंटर ऑपरेटरना स्वयंचलित व्हायला आवडेल. नियंत्रणांच्या मागे फिरत असताना, ते अजूनही आवाक्याबाहेर का आहे हे मला समजू शकले: पिन्सर मानवी बोटांपेक्षा खूपच कमी निपुण असतात आणि आपण आपल्या हातात गृहीत धरलेल्या स्वातंत्र्याचा अभाव असतो.

एनकॉर्ड विकसित करत असलेली आणखी एक नवीन डेटा मोडॅलिटी स्नायूंमध्ये इलेक्ट्रिकल सिग्नल शोधण्यासाठी हाताला बांधलेल्या सेन्सर्सचा संच वापरते. मानवी हातांनी वस्तू हाताळताना घेतलेला व्हिडिओ सामान्यत: संपूर्ण हात कॅप्चर करत नाही, परंतु वेलमुरुगनला आर्म सेन्सर्सच्या आधारे हात कुठे आहे याचे 3D चित्रण तयार करण्याची आशा आहे, ज्यामुळे मॉडेलसाठी अधिक मजबूत समज निर्माण होईल.

LLM-आधारित मॉडेल्सना काय घडत आहे हे समजून घेण्यास मदत करण्यासाठी Encord च्या डेटा सेटमध्ये प्रत्येक व्हिडिओमध्ये काय समाविष्ट आहे याच्या भौतिक वर्णनांसह भाष्य केले जाते—“उजवा हात टाइटन्स बोल्ट”-. वेलमुरुगनचा असा अंदाज आहे की अशा प्रकारचे दाट भाष्य विशिष्ट कार्यांचे प्रशिक्षण देण्यासाठी “जंकी इगो डेटा” पेक्षा 100 पट जास्त आहे आणि ते तयार करण्यासाठी केवळ 20 पट जास्त खर्च येतो, जो कागदावर चांगला व्यापार आहे.

पण “20 पट जास्त” हा अजूनही खरा पैसा आहे, आणि हेच कॅच आहे: इंटरनेटवरील मजकूर स्क्रॅप करणे, स्टॅक ओव्हरफ्लो आणि उर्वरित वेबमधून ज्या प्रकारे LLM निर्मात्यांनी त्यांची मॉडेल्स तयार केली आहेत, त्याशिवाय फ्रंटियर लॅबची किंमत काहीही नाही. शारीरिक प्रशिक्षण डेटा व्युत्पन्न करत नाही, आणि ती भौतिक-AI-as-LLM तुलनाची मर्यादा आहे. अशा प्रकारचा डेटा केवळ संकलित न करता तयार करणे आवश्यक आहे आणि हे मॉडेल तयार करण्याचे अर्थशास्त्र बदलते.

वेलमुरुगन म्हणतात की प्रगती होत आहे — Encord च्या संपूर्ण उद्योगातील कार्यक्रमांमध्ये दृश्यमानतेमुळे, तो स्टार्ट-अप्स आणि फ्रंटियर लॅब सारखेच पाहण्यास सक्षम आहे की भौतिक AI मॉडेल्समध्ये सुधारणा करण्यासाठी काय कार्य करते आणि काय नाही. अनेक रोबोटिक्स कंपन्यांमध्ये एकाच वेळी बसलेला हा व्हँटेज पॉइंट – एन्कॉर्डच्या खेळपट्टीचा भाग आहे. कोणत्याही एका ग्राहकाच्या आधी कोणते डेटा तंत्र उद्योग-व्यापी ट्रॅक्शन मिळवत आहे ते शोधू शकते.

ते एन्कॉर्डच्या सुविधेतील डझनभर पायलट व्यस्त ठेवतील. Infante आणि Ceja दोघेही न्यूरल नेटवर्कसाठी बिल्डिंग ब्लॉक्स विकसित करणाऱ्या वाढत्या कर्मचाऱ्यांचा भाग आहेत; एन्कॉर्डमध्ये सामील होण्यापूर्वी त्यांनी स्केल या दुसऱ्या एआय डेटा एनोटेशन फर्ममध्ये काम केले.

सेजा यांनी एका कचरा व्यवस्थापन कंपनीत काम केले होते जिथे तंत्रज्ञानातील त्यांच्या आवडीमुळे त्यांना रोबोटिक कचरा सॉर्टर चांगल्या कामाच्या क्रमाने ठेवण्याची जबाबदारी मिळाली. आता, जेंगा टॉवर कोसळत असताना, तो म्हणतो की त्याला रोबोट्ससाठी प्रशिक्षण कार्ये सोडवण्याचे आव्हान आवडते —”हे दररोज काहीतरी नवीन आहे!”