WUWENAI का Real-to-Sim-to-Real मॉडल: क्या रोबोटों को मिल सकता है लाखों घंटे का प्रशिक्षण डेटा?

WUWENAI की मूल सोच: केवल डेटा नहीं, पूरा डेटा-इन्फ्रास्ट्रक्चर

WUWENAI का मानना है कि embodied AI—यानी ऐसी कृत्रिम बुद्धिमत्ता जो रोबोट जैसे भौतिक एजेंटों के जरिए दुनिया को समझती और उसमें काम करती है—सिर्फ मानव प्रदर्शनों को रिकॉर्ड करके बड़े पैमाने पर विकसित नहीं हो सकती। कंपनी का प्रस्तावित Real-to-Sim-to-Real लूप वास्तविक रोबोट-इंटरैक्शन डेटा से एक जनरेटिव वर्ल्ड मॉडल को आधार देता है, फिर उस मॉडल से नियंत्रित सिमुलेशन में असंख्य संभावित स्थितियां बनाकर उनका परीक्षण करता है। सामने आने वाली विफलताओं और कठिन मामलों को दोबारा वास्तविक दुनिया में डेटा-संग्रह के लिए भेजा जाता है।

इस तरह डेटा निर्माण, नीति-प्रशिक्षण, मूल्यांकन और सुधार एक ही प्रणाली का हिस्सा बन जाते हैं। WUWENAI के अनुसार, इसके संस्थापक और CEO Liu Shengxiang—जो पहले Baidu में ऑटोनॉमस-ड्राइविंग डेटा और टेस्टिंग का नेतृत्व कर चुके हैं—इसी इन्फ्रास्ट्रक्चर-केंद्रित रणनीति पर काम कर रहे हैं। 8

इस सिस्टम के तीन प्रमुख हिस्से

1. Data Factory: वास्तविक दुनिया से आधारभूत डेटा

WUWENAI का Data Factory वास्तविक रोबोट-ऑब्जेक्ट इंटरैक्शन से सिंक्रोनाइज़्ड मल्टीमॉडल डेटा इकट्ठा करता है। इसमें दृश्य स्थिति, रोबोट की गति, संपर्क या बल से जुड़े संकेत और कार्य का परिणाम शामिल हो सकते हैं।

इसका उद्देश्य सामान्य इंटरनेट वीडियो या पूरी तरह कृत्रिम दृश्यों से आगे जाकर उस भौतिक कारण-परिणाम संबंध को रिकॉर्ड करना है जिसकी जरूरत रोबोट नियंत्रण के लिए होती है। केवल दृश्य रूप से वास्तविक दिखने वाला डेटा पर्याप्त नहीं होता; रोबोट को यह भी सीखना पड़ता है कि किसी वस्तु को छूने, पकड़ने या धकेलने पर वह कैसे प्रतिक्रिया करेगी।

कंपनी ने अपने Wuyin फिजिकल-AI डेटा प्लेटफॉर्म के बारे में भी जानकारी दी है। उसके अनुसार, प्लेटफॉर्म पर 1,000 टेराबाइट से अधिक डेटा और 10,000 घंटे के खुले उच्च-गुणवत्ता वाले डेटासेट उपलब्ध हैं। 12

2. Generative World Model: सीमित अनुभव से नए अनुभव बनाना

वर्ल्ड मॉडल यह सीखने की कोशिश करता है कि किसी embodied agent की कार्रवाई के बाद दृश्य और भौतिक स्थिति समय के साथ कैसे बदलती है। वास्तविक डेटा से प्रशिक्षित होने के बाद यह मॉडल अलग-अलग कार्य-स्थितियां, गति-पथ, बाधाएं, वस्तुओं की नई व्यवस्थाएं और विफलता के संभावित मामले तैयार कर सकता है।

सरल शब्दों में, यह रोबोट को हर स्थिति के लिए वास्तविक दुनिया में दोबारा प्रयोग करने के बजाय संभावित परिणामों का आभासी पूर्वाभ्यास उपलब्ध कराता है। तकनीकी रूप से वर्ल्ड मॉडल दृश्य और उसके समय के साथ होने वाले बदलावों को एक संक्षिप्त सीखी हुई अभिव्यक्ति में दर्ज करने के लिए बनाया जाता है। 5

3. World Simulator: प्रशिक्षण, परीक्षण और प्राथमिकता तय करना

World Simulator में रोबोट की नीतियों को वास्तविक हार्डवेयर की तुलना में कहीं अधिक गति और कम लागत पर चलाया जा सकता है। यह सिमुलेशन अलग-अलग नीतियों के परिणामों की तुलना कर सकता है, कमजोर स्थितियां उजागर कर सकता है और यह तय करने में मदद कर सकता है कि किन मामलों के लिए फिर से वास्तविक दुनिया का डेटा इकट्ठा करना जरूरी है।

इंटरैक्टिव और action-conditioned simulators पर हुए शोध में यह संकेत मिला है कि सिमुलेशन में नीति का प्रदर्शन वास्तविक दुनिया के प्रदर्शन से संबंधित हो सकता है। हालांकि, यह क्षेत्र अभी सक्रिय शोध का विषय है; इसे पूरी तरह हल हो चुकी तकनीक नहीं माना जा सकता। 3

“लाखों घंटे” का डेटा कैसे संभव हो सकता है?

Liu का केंद्रीय दावा यह नहीं है कि WUWENAI वास्तव में लाखों रोबोट-घंटों को भौतिक रूप से रिकॉर्ड करेगा। विचार यह है कि वास्तविक दुनिया में इकट्ठा किए गए अपेक्षाकृत सीमित, लेकिन उच्च-गुणवत्ता वाले इंटरैक्शन डेटा को एक बीज डेटासेट की तरह इस्तेमाल किया जाए। इसके आधार पर मॉडल नियंत्रित और विविध प्रशिक्षण ट्रैजेक्टरी तैयार कर सकेगा।

वास्तविक दुनिया का लूप सिमुलेटर को लगातार सुधारता रहेगा और उसके वास्तविकता से दूर जाने—जिसे मॉडल ड्रिफ्ट कहा जा सकता है—को सीमित करेगा। दूसरी ओर, वर्चुअल लूप डेटा के पैमाने को बढ़ाएगा। वास्तविक और सिंथेटिक डेटा के बीच ऐसा फीडबैक पैटर्न उभरते हुए closed-loop real-robot reinforcement learning शोध से मेल खाता है। 4

पारंपरिक तरीकों की सीमाएं

टेलीऑपरेशन

टेलीऑपरेशन में मानव ऑपरेटर रोबोट को दूर से नियंत्रित करके कार्रवाई-लेबल वाले प्रदर्शन तैयार करता है। इससे उपयोगी प्रशिक्षण डेटा मिलता है, लेकिन यह तरीका महंगा, धीमा और ऑपरेटर पर निर्भर होता है। इसके अलावा, डेटा अक्सर सफल व्यवहारों पर केंद्रित रहता है और दुर्लभ विफलताओं या “अगर ऐसा किया जाता तो क्या होता” जैसे counterfactual मामलों को पर्याप्त रूप से कवर नहीं करता।

फर्स्ट-पर्सन मानव वीडियो

मानवों के दृष्टिकोण से रिकॉर्ड किए गए वीडियो बड़े पैमाने पर उपलब्ध हो सकते हैं, लेकिन उनमें आम तौर पर रोबोट की वास्तविक कार्रवाइयां, कैलिब्रेटेड ज्योमेट्री, बल या संपर्क संकेत और अलग-अलग रोबोट शरीरों से सीधा संबंध नहीं होता। इसलिए वे हेरफेर या manipulation control के लिए सीमित supervision देते हैं।

शुद्ध सिमुलेशन

सिमुलेशन सस्ता और विविध हो सकता है, लेकिन उसमें ज्योमेट्री, संपर्क-गतिशीलता, सेंसर शोर, वस्तुओं के व्यवहार या मानव वातावरण के बारे में गलत धारणाएं शामिल हो सकती हैं। यही समस्या sim-to-real gap कहलाती है—सिमुलेशन में सफल नीति वास्तविक दुनिया में विफल हो सकती है। वास्तविक अवलोकनों के साथ डिजिटल ट्विन को लगातार संरेखित करने का उद्देश्य इसी अंतर को कम करना है। 2

Imitation Learning से Reinforcement Learning तक

मानव प्रदर्शनों से imitation learning की शुरुआत होती है: मॉडल सीखता है कि “प्रदर्शक ने जैसा किया, वैसा करो।” लेकिन यदि action-conditioned simulator पर्याप्त विश्वसनीय हो, तो नीति कई वैकल्पिक कार्रवाइयां आजमा सकती है, कार्य-आधारित reward प्राप्त कर सकती है, लंबे क्रम वाले व्यवहार को बेहतर बना सकती है और विफलता के बाद रिकवरी सीख सकती है। यही reinforcement learning का आधार है।

हालिया शोध में वर्ल्ड मॉडल के जरिए vision-language-action नीतियों को reinforcement learning से fine-tune करने का प्रदर्शन किया गया है। फिर भी विश्वसनीय reward और सिमुलेशन की भौतिक सटीकता अब भी सबसे बड़ी चुनौतियां हैं। 1

World Labs, Tesla और DeepMind के बीच प्रतिस्पर्धा

इस क्षेत्र में प्रतिस्पर्धा केवल किसी एक फीचर की नहीं, बल्कि मिलती-जुलती आर्किटेक्चर बनाने की है। World Labs का SceniX भी एक R2S2R इंजन का वर्णन करता है, जो किसी भौतिक कार्य को कई नियंत्रित और दोबारा इस्तेमाल किए जा सकने वाले सिमुलेटेड संसारों में बदलकर नीति-प्रशिक्षण और परीक्षण में मदद करता है। 7

DeepMind का वर्ल्ड-मॉडल शोध लंबे समय से सीखे हुए डायनेमिक्स मॉडल और बड़े पैमाने के reinforcement learning के बीच संबंध पर केंद्रित रहा है। 3 Tesla के Optimus कार्यक्रम को हार्डवेयर विकास, विनिर्माण और व्यापक डेटा-कंप्यूट इकोसिस्टम में महत्वपूर्ण बढ़त हासिल है। हालांकि, सार्वजनिक रूप से उपलब्ध प्रमाणों के आधार पर यह निष्कर्ष निकालना संभव नहीं है कि WUWENAI तकनीकी रूप से Tesla या DeepMind से आगे है।

चीन का बाजार WUWENAI के लिए क्यों महत्वपूर्ण है?

चीन में दुनिया का सबसे बड़ा स्थापित औद्योगिक-रोबोट आधार मौजूद है। देश humanoid robotics में भी विस्तार कर रहा है और अपनी रोबोटिक्स सप्लाई चेन के कुछ हिस्सों को स्थानीय बनाने की कोशिश कर रहा है। 6 आधिकारिक टिप्पणियों में embodied AI को छोटे पैमाने के परीक्षणों से व्यापक तैनाती की ओर बढ़ता हुआ क्षेत्र बताया गया है। 9

इससे कारखानों, रोबोटों, कार्यों और वास्तविक तैनाती वाले वातावरणों का एक बड़ा घरेलू आधार बन सकता है। डेटा-इन्फ्रास्ट्रक्चर कंपनी के लिए यह आधार वास्तविक grounding data इकट्ठा करने और अलग-अलग रोबोट निर्माताओं को साझा टूल उपलब्ध कराने का अवसर पैदा कर सकता है।

सबसे बड़ी सावधानी: दावे बनाम स्वतंत्र प्रमाण

WUWENAI का “world-class” होने का दावा और महीनों आगे होने की बात फिलहाल कंपनी या मीडिया के दावे हैं; इनके समर्थन में स्वतंत्र रूप से सत्यापित बेंचमार्क उपलब्ध नहीं हैं। असली परीक्षा यह होगी कि उसका सिमुलेटर संपर्क-प्रधान और लंबे क्रम वाले कार्यों के परिणामों का अनुमान कितनी सटीकता से लगा पाता है।

अंतिम कसौटी यह होगी कि सिमुलेशन में प्रशिक्षित नीतियां अलग-अलग वास्तविक रोबोटों, वस्तुओं और वातावरणों में लगातार सफलतापूर्वक काम कर पाती हैं या नहीं।