एक छोटी-सी मानव वीडियो, बिना रीट्रेनिंग के नया रोबोटिक कौशल

रोबोटिक्स में लंबे समय से नया काम सिखाने का मतलब था—विशेष डेटा इकट्ठा करना, सैकड़ों या हज़ारों रोबोट-डेमो देना और फिर मॉडल को दोबारा प्रशिक्षित करना। HOST और Generalist AI का GEN-1.5 इस प्रक्रिया का एक अलग रास्ता दिखाते हैं: पहले से प्रशिक्षित मॉडल को एक छोटी मानव-प्रदर्शन वीडियो दीजिए, और वह उसी क्षण नए काम के लिए कार्रवाई तैयार करने की कोशिश करता है।

यह ‘बिना किसी सीखने’ की प्रक्रिया नहीं है। दोनों प्रणालियों ने पहले बड़े पैमाने पर प्रशिक्षण से भौतिक दुनिया के बारे में ज्ञान हासिल किया है। फर्क यह है कि हर नए काम के लिए मॉडल के पैरामीटर दोबारा नहीं बदले जाते। वीडियो अनुमान के समय एक संदर्भ या निर्देश की तरह काम करती है।

HOST और GEN-1.5 में मुख्य अंतर

पहलू	HOST	GEN-1.5
मुख्य तरीका	यह वन-शॉट विज़ुअल-इमिटेशन नीति है। मानव वीडियो में दिख रहे काम की प्रगति के साथ रोबोट की कार्रवाई को जोड़ा जाता है और सेल्फ-ग्राउंडेड प्रेडिक्शन से रोबोट अपने दृष्टिकोण से अगला कदम तय करता है।	यह एक बड़ा मल्टीमॉडल एम्बॉडीड फाउंडेशन मॉडल है। सेंसरिमोटर डेमो को ‘फिजिकल प्रॉम्प्ट’ की तरह संदर्भ में रखकर रोबोट की कार्रवाइयाँ तैयार की जाती हैं।
इनपुट और आउटपुट	मानव वीडियो, भाषा-निर्देश, रोबोट के हालिया दृश्य और प्रोप्रियोसेप्टिव जानकारी; आउटपुट रोबोट की कार्रवाइयाँ होती हैं। मॉडल के पैरामीटर अपडेट नहीं किए जाते।	लगभग 30 सेकंड तक की वीडियो मेमोरी के साथ दृश्य, भाषा, सेंसर और प्रोप्रियोसेप्टिव इनपुट; मॉडल 100 हर्ट्ज़ की एक्शन ट्रेजेक्टरी तैयार करता है।
प्रशिक्षण की नींव	पहले चरण में 229 कार्यों की 193,462 रोबोट ट्रेजेक्टरी पर प्रीट्रेनिंग और दूसरे चरण में मानव-वीडियो/रोबोट-ट्रेजेक्टरी के 5,847 स्व-संग्रहित युग्मों से अनुकूलन।	Generalist AI के अनुसार, मॉडल को वास्तविक भौतिक इंटरैक्शन डेटा पर आठ महीने से अधिक लगातार प्रशिक्षित किया गया और प्रीट्रेनिंग में सिमुलेशन डेटा का इस्तेमाल नहीं हुआ।
एक डेमो का समय	औसतन लगभग 29 सेकंड की मानव वीडियो।	कंपनी के अनुसार 3–12 सेकंड का एक प्रदर्शन पर्याप्त हो सकता है।
क्या पारंपरिक रीट्रेनिंग से बचता है?	हाँ। नया कौशल अनुमान के समय हासिल किया जाता है; टास्क-विशिष्ट पैरामीटर अपडेट नहीं होता।	वन-शॉट प्रॉम्प्टिंग में ग्रेडिएंट अपडेट या फाइन-ट्यूनिंग की आवश्यकता नहीं बताई गई है।
कार्य-क्षेत्र	50 नए मैनिपुलेशन कार्यों पर परीक्षण, जिनमें अलग-अलग वस्तुएँ, औज़ार और मैनिपुलेशन प्रिमिटिव शामिल थे; हर कार्य पर 20 ट्रायल किए गए।	सार्वजनिक प्रदर्शनों में जार खोलना, पाउच की ज़िप खोलना, वस्तु को कटोरे में झाड़ना, मार्कर को कप में रखना, बोल्ट डालना और नए औज़ारों के साथ काम करने जैसे उदाहरण दिखाए गए हैं। समान रूप से परिभाषित सार्वजनिक टेस्ट-सूट उपलब्ध नहीं है।
सफलता दर	नए कार्यों पर 62% औसत सफलता दर।	कंपनी की सामग्री में 10 विविध मैनिपुलेशन कार्यों पर 59% वन-शॉट सफलता दर का उल्लेख मिलता है, लेकिन इसकी स्वतंत्र रूप से पुष्टि करने वाला तुलनीय मूल्यांकन अभी उपलब्ध नहीं है।
बेसलाइन या अतिरिक्त अनुकूलन	शोध के अनुसार, सबसे मजबूत ज़ीरो-शॉट इमिटेशन बेसलाइन से 45% बेहतर और हर कार्य पर 50 रोबोट डेमो से किए गए सुपरवाइज़्ड फाइन-ट्यूनिंग से भी बेहतर प्रदर्शन।	जब केवल प्रॉम्प्ट पर्याप्त न हो, कंपनी 1–5 मिनट के डेटा पर 1–10 ग्रेडिएंट चरणों वाला फ्यू-शॉट अनुकूलन बताती है—लगभग 10–50 डेमो।
दक्षता का दावा	हर कार्य पर 50 रोबोट डेमो वाली सुपरवाइज़्ड फाइन-ट्यूनिंग की तुलना में कौशल हासिल करने की प्रक्रिया लगभग 507 गुना तेज़ बताई गई है।	सामान्य टास्क-ट्रेनिंग में लगने वाले कई हज़ार ग्रेडिएंट चरणों की जगह 3–12 सेकंड की प्रॉम्प्टिंग, या ज़रूरत पड़ने पर 1–10 अनुकूलन चरण। यह अभी कंपनी का दावा है, स्वतंत्र बेंचमार्क नहीं।

HOST का तरीका: वीडियो को नकल नहीं, प्रगति का संकेत बनाना

HOST मानव के हाथ की गति को ज्यों-का-त्यों रोबोट के शरीर पर चिपकाने की कोशिश नहीं करता। मानव और रोबोट की शारीरिक बनावट अलग होती है, इसलिए सीधे हाथ की चाल कॉपी करना अक्सर काम नहीं करता।

इसके बजाय सिस्टम वीडियो में काम की प्रगति को समझने की कोशिश करता है—मसलन, वस्तु उठाने, सही जगह ले जाने और छोड़ने के चरण। फिर वह रोबोट के वर्तमान दृश्य और शरीर की स्थिति के आधार पर वीडियो के अगले प्रासंगिक चरण से अपने निष्पादन को जोड़ता है। इस तरह वीडियो एक निष्क्रिय रिकॉर्डिंग नहीं, बल्कि रोबोट के लिए चरण-दर-चरण संदर्भ बन जाती है।

HOST की दो-चरणीय प्रशिक्षण व्यवस्था भी महत्वपूर्ण है। पहले मॉडल को बड़े रोबोट-डेटासेट से सामान्य रोबोटिक व्यवहार सिखाया जाता है। बाद में मानव वीडियो और रोबोट ट्रेजेक्टरी के जोड़े दिखाकर उसे अलग-अलग शरीरों और दृष्टिकोणों के बीच संबंध समझने में सक्षम बनाया जाता है। नया कार्य दिखाने के समय मॉडल के वज़न स्थिर रहते हैं; इसलिए नए कौशल को पुराने कौशल के ऊपर लिख देने या ‘सीखकर भूलने’ का जोखिम कम हो सकता है।

50 कार्यों और प्रत्येक पर 20 प्रयासों का परीक्षण इस बात का ठोस संकेत देता है कि HOST नए ऑब्जेक्ट, औज़ार और गतिविधि-प्रकारों के बीच कुछ हद तक सामान्यीकरण कर सकता है। फिर भी 62% औसत सफलता का अर्थ है कि लगभग चार में से एक से अधिक प्रयास विफल हो सकते हैं। यह अभी हर परिस्थिति में भरोसेमंद तैनाती के स्तर का प्रदर्शन नहीं है।

शोधकर्ताओं ने रोशनी, वस्तु, दृश्य और मानव हस्तक्षेप बदलकर मजबूती की जाँच भी की। रिपोर्ट के अनुसार, इन बदलावों पर आधारभूत 62% प्रदर्शन में क्रमशः 1%, 4%, 6% और 9% की कमी आई।

GEN-1.5: ‘फिजिकल प्रॉम्प्ट’ के रूप में मानव प्रदर्शन

GEN-1.5 इसी विचार को एक बड़े एम्बॉडीड मॉडल के स्तर पर प्रस्तुत करता है। इसमें कुछ सेकंड की मानव-प्रदर्शन वीडियो को मॉडल की संदर्भ-विंडो में रखा जाता है। मॉडल उस डेमो को नए टास्क का ‘फिजिकल प्रॉम्प्ट’ मानकर तुरंत काम करने की कोशिश करता है—बिना नए टास्क के लिए ग्रेडिएंट अपडेट या फाइन-ट्यूनिंग के।

Generalist AI के सार्वजनिक उदाहरणों में जार खोलना, पाउच की ज़िप खोलना, किसी ब्लॉक को कटोरे में झाड़ना और बोल्ट डालना जैसे छोटे, अपेक्षाकृत सरल कार्य शामिल हैं। कंपनी मानव-से-रोबोट इमिटेशन, दो प्रॉम्प्ट किए गए व्यवहारों को जोड़ने और सिमुलेशन में दिए गए प्रदर्शन से वास्तविक रोबोट पर काम करने जैसी क्षमताओं का भी दावा करती है।

हालाँकि, GEN-1.5 में ‘वन-शॉट’ और ‘फ्यू-शॉट’ को अलग समझना ज़रूरी है। आसान कार्यों में एक वीडियो पर्याप्त हो सकती है, लेकिन कठिन कार्यों के लिए कंपनी कुछ मिनट के डेटा पर 1–10 ग्रेडिएंट चरणों वाला अनुकूलन विकल्प भी बताती है। इसलिए यह हर स्थिति में पूरी तरह ‘नो-ट्रेनिंग’ प्रणाली नहीं है।

यह बदलाव इतना महत्वपूर्ण क्यों है?

इस दिशा का सबसे बड़ा असर रोबोट सिखाने के इंटरफ़ेस पर पड़ सकता है। इंसान किसी नए काम को समझाने के लिए अक्सर उसे करके दिखाता है; उसे हर जोड़ की गति, इनाम-फ़ंक्शन या प्रशिक्षण प्रक्रिया नहीं समझानी पड़ती। HOST और GEN-1.5 रोबोटिक्स को इसी सहज मॉडल के करीब ले जाने की कोशिश करते हैं: प्रोग्राम करने के बजाय दिखाकर सिखाइए।

व्यावहारिक लाभ यह है कि महँगी, बड़े पैमाने की प्रीट्रेनिंग एक साझा आधार के रूप में पहले ही की जा चुकी होती है। नया उपयोगकर्ता हर काम के लिए फिर से पूरा प्रशिक्षण चक्र चलाने के बजाय एक छोटा प्रदर्शन दे सकता है। HOST का 29 सेकंड का औसत अधिग्रहण समय और 507 गुना तेज़ी का दावा इस लाभ को संख्यात्मक रूप में सामने रखता है।

लेकिन इसे सही संदर्भ में देखना चाहिए: रोबोट ने पहले से कोई डेटा नहीं देखा, ऐसा नहीं है। असल में बड़े पैमाने पर किया गया पूर्व-प्रशिक्षण महँगी लागत को पहले ही वहन कर लेता है और नए टास्क पर उसका लाभ अनुमान के समय मिलता है।

सीमाएँ और सावधानियाँ

• HOST का परीक्षण नियंत्रित प्रयोगशाला में हुआ है। 50 चुने हुए नए कार्यों पर 62% औसत सफलता उपयोगी प्रमाण है, लेकिन इससे घरेलू वातावरण, औद्योगिक विविधता, लंबे और बहु-चरणीय कार्यों या सुरक्षा-संवेदनशील परिस्थितियों में विश्वसनीयता सिद्ध नहीं होती। स्वतंत्र समूहों द्वारा दोहराया गया मूल्यांकन भी अभी आवश्यक है।

• GEN-1.5 के प्रमाणों का स्वतंत्र आकलन कठिन है। मॉडल, प्रशिक्षण अवधि, सिमुलेशन डेटा से जुड़े दावे, डेमो की अवधि और अनुकूलन-संबंधी आँकड़े मुख्यतः Generalist AI या उसके सार्वजनिक घोषणापत्रों से आते हैं।

• दोनों के लिए तुलना पूरी तरह समान नहीं है। HOST ने स्पष्ट कार्य-सूची, ट्रायल संख्या और बेसलाइन तुलना के साथ अकादमिक मूल्यांकन दिया है। GEN-1.5 के लिए सार्वजनिक रूप से उपलब्ध जानकारी में समान मानकीकृत टास्क-सूट, परीक्षण प्रोटोकॉल, समेकित वन-शॉट सफलता दर, मॉडल या डेटा रिलीज़ और तृतीय-पक्ष पुनरुत्पादन का अभाव है। इसलिए इसके वीडियो-डेमो संभावित क्षमता का संकेत हैं, अभी अंतिम प्रदर्शन-सीमा का प्रमाण नहीं।

कुल मिलाकर, HOST यह दिखाता है कि एक परिभाषित मैनिपुलेशन टेस्ट-सूट में रोबोट मानव की एक वीडियो से, मॉडल पैरामीटर बदले बिना, नया कौशल हासिल कर सकता है। GEN-1.5 संकेत देता है कि व्यापक भौतिक अनुभव पर प्रशिक्षित सामान्यवादी मॉडल में ऐसी क्षमता संदर्भ से उभर सकती है। दिशा महत्वपूर्ण और वास्तविक है, लेकिन निष्कर्ष अभी संयमित होना चाहिए: रोबोट का अवलोकन से सीखना उभर रहा है—यह अभी अनियंत्रित वातावरण में कठोर सत्यापन, सुरक्षा इंजीनियरिंग और ज़रूरत पड़ने पर अनुकूलन का पूर्ण विकल्प सिद्ध नहीं हुआ है।