प्रचार को भूल जाइए — होशियार रोबोट का रहस्य हेडसेट पहने एक इंसान में छिपा है

जबकि लोकप्रिय आख्यान बताते हैं कि विशाल सुपर कंप्यूटरों की बदौलत ह्यूमनॉइड रोबोट जल्द ही हमारे घरों तक पहुंच जाएंगे, वास्तविकता कहीं अधिक धरातल पर है। सैन लिएंड्रो, कैलिफोर्निया के एक शांत गोदाम में, भौतिक एआई (Physical AI) का भविष्य एक चमकदार प्रयोगशाला जैसा कम और जेंगा (Jenga) के खेल जैसा अधिक दिखता है। टेक फर्म एनकॉर्ड (Encord) के एक विशेषज्ञ प्रशिक्षक एंड्रयू सेजा, कैमरों और मस्तिष्क-संवेदी इलेक्ट्रोड से लैस हेडसेट पहनकर अपना दिन एक टावर से सावधानीपूर्वक लकड़ी के ब्लॉक खींचने में बिताते हैं। यह असामान्य सेटअप आधुनिक तकनीक के बारे में एक मौलिक सच्चाई को उजागर करता है: रोबोट को स्मार्ट बनाने के लिए आवश्यक डिजिटल ईंधन हमारे पास खत्म हो गया है।

सिलिकॉन वैली ने पिछले एक दशक में चैटबॉट्स को प्रशिक्षित करने के लिए इंटरनेट के हर कोने को खंगाला है। यदि आप एआई में कोई प्रश्न टाइप करते हैं, तो सिस्टम मनुष्यों द्वारा लिखे गए अरबों पन्नों के टेक्स्ट के आधार पर उत्तर देता है। हालांकि, भौतिक कार्यों के लिए कोई समकक्ष "इंटरनेट ऑफ मूवमेंट" नहीं है। एक रोबोट विकिपीडिया प्रविष्टि पढ़कर यह नहीं सीख सकता कि शर्ट को कैसे मोड़ना है या पैलेट को कैसे व्यवस्थित करना है। इसे ऐसे डेटा की आवश्यकता है जो यह दिखाए कि त्रि-आयामी दुनिया में बल, कोण और इरादे कैसे परस्पर क्रिया करते हैं। भौतिक जानकारी की यह कमी ही प्राथमिक कारण है कि आपके घर में अभी भी एक विश्वसनीय स्वचालित बटलर की कमी है।

महान भौतिक डेटा का अकाल

जेनरेटिव एआई के पीछे का तर्क सरल है: अधिक डेटा बेहतर परिणामों की ओर ले जाता है। इसने लार्ज लैंग्वेज मॉडल्स (LLMs) के लिए काम किया क्योंकि वेब मानवीय विचारों का एक अंतहीन पुस्तकालय है। रोबोट के पास यह सुविधा नहीं है। एनकॉर्ड जैसी कंपनियां अब मौजूदा डेटा के प्रबंधन से हटकर नए डेटा को शुरू से बनाने (मैन्युफैक्चरिंग) की ओर रुख कर रही हैं। वे अनिवार्य रूप से मानवीय अनुभव के लिए एक डिजिटल फैक्ट्री बना रहे हैं।

विनीत वेलमुरुगन, जो एनकॉर्ड में रोबोट लर्निंग का नेतृत्व करते हैं, ओपनएआई (OpenAI) जैसी प्रमुख प्रयोगशालाओं के अनुभवी रहे हैं। वह बताते हैं कि यूट्यूब जैसी विशाल वीडियो लाइब्रेरी भी रोबोट के लिए जटिल कार्यों को सीखने के लिए अपर्याप्त है। किसी व्यक्ति को कॉफी डालते हुए वीडियो में देखना, बर्तन के वजन या तरल की हलचल को महसूस करने के समान नहीं है। वेलमुरुगन का अनुमान है कि भौतिक बुद्धिमत्ता में सफलता हासिल करने के लिए उद्योग को यूट्यूब के आकार से लगभग पांच गुना बड़े डेटा सेट की आवश्यकता है। यह एक बड़ी बाधा पैदा करता है क्योंकि इस जानकारी को इकट्ठा करने के लिए वास्तविक लोगों को वास्तविक समय में वास्तविक कार्य करने की आवश्यकता होती है। यह एक ऐसे उद्योग में एक धीमी, मैन्युअल प्रक्रिया है जो आमतौर पर प्रकाश की गति से चलता है।

मशीनों को सिखाने के लिए दिमाग पढ़ना

इस डेटा मैन्युफैक्चरिंग का सबसे प्रायोगिक हिस्सा न्यूरोटेक्नोलॉजी से जुड़ा है। एनकॉर्ड वर्तमान में एक जर्मन स्टार्टअप, ज़ेंडर लैब्स (Zander Labs) के हेडसेट्स का परीक्षण कर रहा है, ताकि यह रिकॉर्ड किया जा सके कि शारीरिक श्रम के दौरान मानव मस्तिष्क के भीतर क्या होता है। जब सेजा जैसा प्रशिक्षक जेंगा खेलता है, तो हेडसेट मानसिक स्थिति का पता लगाने के लिए उनके मस्तिष्क की तरंगों को ट्रैक करता है। सेंसर आश्चर्य, त्रुटि या तीव्र फोकस के संकेतों की तलाश करते हैं।

ज़ेंडर लैब्स के एक न्यूरोसाइंटिस्ट लुकास गेर्के बताते हैं कि ये संकेत ऐसे सुराग देते हैं जो वीडियो कैमरे नहीं देख पाते। यदि एक मानव प्रशिक्षक को घबराहट महसूस होती है क्योंकि एक टावर गिरने वाला है, तो वह आंतरिक प्रतिक्रिया एक मूल्यवान डेटा पॉइंट है। यह एआई मॉडल को बताता है कि यह विशिष्ट क्षण महत्वपूर्ण है। मस्तिष्क की गतिविधि के साथ वीडियो डेटा को टैग करके, डेवलपर्स रोबोट को न केवल यह सिखा सकते हैं कि क्या करना है, बल्कि यह भी कि किन क्षणों में सबसे अधिक सावधानी की आवश्यकता है। यह एक प्रशिक्षु को एक ऐसा गुरु देने जैसा है जो केवल अपने निर्देश मैनुअल के बजाय अपनी सहज प्रवृत्ति (instincts) साझा कर सके।

यह दृष्टिकोण हर मानवीय हलचल को एक समृद्ध, बहु-स्तरीय फ़ाइल में बदल देता है। डेटा में कार्य का वीडियो, प्रशिक्षक की बाहों की स्थिति और उनके मस्तिष्क की विद्युत गतिविधि शामिल होती है। यह संयोजन मानवीय कौशल का एक उच्च-सटीकता वाला नक्शा बनाता है जिसकी एक मशीन अंततः नकल कर सकती है।

आपका स्क्रीन टाइम रोबोट को प्रशिक्षित क्यों नहीं कर सकता

औसत उपभोक्ता के लिए, यह सोचना आसान है कि हम इन मशीनों को प्रशिक्षित करने के लिए डोरबेल और सुरक्षा कैमरों के अरबों घंटों के फुटेज का उपयोग क्यों नहीं कर सकते। समस्या परिप्रेक्ष्य (perspective) में है। अधिकांश मौजूदा वीडियो "थर्ड-पर्सन" हैं और उनमें उस सटीक स्थानिक डेटा की कमी है जिसकी एक रोबोट को अपने अंगों को हिलाने के लिए आवश्यकता होती है। इसे हल करने के लिए, एनकॉर्ड "ईगोसेंट्रिक" वीडियो का उपयोग करता है, जिसे काम करने वाले व्यक्ति के दृष्टिकोण से फिल्माया जाता है।

सैन लिएंड्रो में, पायलट लीडर-फॉलोअर रिग्स (leader-follower rigs) का उपयोग करते हैं। ये रोबोटिक भुजाओं की जोड़ियां हैं जहां एक इंसान एक सेट को हिलाता है, और रोबोट उस गति की बिल्कुल नकल करता है। जैसे ही इंसान सर्वर में ईथरनेट केबल लगाता है या पोकर चिप्स जमाता है, हर सूक्ष्म समायोजन रिकॉर्ड किया जाता है। यह साधारण वीडियो की तुलना में कहीं अधिक सटीक है। यह कार्य के संघर्ष को कैद करता है। सुविधा में एक अन्य पायलट, सोफिया इन्फेंटे, केबल लगाने की कठिनाई को प्रदर्शित करती हैं। उन्नत सेंसर के बावजूद, रोबोटिक चिमटों में मानवीय उंगलियों जैसी दक्षता की कमी होती है। यहां एकत्र किया गया डेटा उन विफलताओं और सफलताओं को रिकॉर्ड करता है ताकि भविष्य के मॉडल उस अंतर को पाट सकें।

निर्मित अंतर्ज्ञान की उच्च लागत

एआई के इस नए दृष्टिकोण में एक महत्वपूर्ण आर्थिक बाधा है। वेब से टेक्स्ट खुरचना (scraping) वस्तुतः मुफ्त है, लेकिन भौतिक डेटा का निर्माण करना महंगा है। एनकॉर्ड अपने डेटा में सघन एनोटेशन जोड़ता है, जैसे कि एक विशिष्ट गतिविधि को "दायां हाथ बोल्ट कसता है" के रूप में लेबल करना। वेलमुरुगन का कहना है कि विशिष्ट कौशल के प्रशिक्षण के लिए यह उच्च-गुणवत्ता वाला, एनोटेटेड डेटा कच्चे वीडियो की तुलना में 100 गुना अधिक मूल्यवान है। हालांकि, इसे तैयार करने में 20 गुना अधिक लागत आती है।

अर्थशास्त्र में यह बदलाव उद्योग की दिशा बदल देता है। एआई अब केवल एक सॉफ्टवेयर समस्या नहीं है जिसे आप अधिक बिजली और तेज चिप्स के साथ हल कर सकते हैं। अब यह एक रसद (logistics) और श्रम की समस्या है। भविष्य के ह्यूमनॉइड रोबोट के निर्माण खंड गोदामों में विशेष श्रमिकों द्वारा हस्तनिर्मित किए जा रहे हैं। इसका मतलब है कि भौतिक एआई में संक्रमण डिजिटल एआई के संक्रमण की तुलना में संभवतः अधिक महंगा और धीमा होगा। उद्योग की अदृश्य रीढ़ अब केवल सिलिकॉन नहीं है, बल्कि मानव प्रशिक्षकों का शारीरिक प्रयास है।

आपके भविष्य के घर के लिए इसका क्या अर्थ है

व्यावहारिक रूप से, मस्तिष्क-तरंग डेटा और मैन्युअल प्रशिक्षण रिग्स पर जोर यह बताता है कि विशेष रोबोट सामान्य-उद्देश्य वाले रोबोटों से बहुत पहले आ जाएंगे। हम संभवतः ऐसी मशीनें देखेंगे जो विशिष्ट, उच्च-मूल्य वाले कार्यों में उत्कृष्ट हैं—जैसे डेटा केंद्रों का प्रबंधन करना या गोदाम सूची को छांटना—इससे पहले कि हम एक ऐसा रोबोट देखें जो गंदे रसोईघर को साफ कर सके। डेटा केंद्रों के लिए डेटा बनाना आसान है और इसे एकत्र करना अधिक लाभदायक है।

बड़ी तस्वीर को देखते हुए, यह शोध मानवीय स्पर्श के मूल्य की वापसी पर प्रकाश डालता है। यहां तक कि सबसे उन्नत एआई कंपनियां भी महसूस कर रही हैं कि वे मानव शरीर और मन की जटिलता को नजरअंदाज नहीं कर सकती हैं। गैजेट्स की अगली पीढ़ी के लिए "सीक्रेट सॉस" कोई नया एल्गोरिदम नहीं है, बल्कि यह गहरी समझ है कि मनुष्य दुनिया के साथ कैसे बातचीत करते हैं।

अंततः, भौतिक एआई की प्रगति इस बात पर निर्भर करती है कि हम अपनी अवचेतन आदतों को कोड में कितनी अच्छी तरह अनुवादित कर सकते हैं। जब आप भविष्य में किसी रोबोट को सफलतापूर्वक कार्य करते हुए देखेंगे, तो यह हेडसेट पहने और गेम खेलने वाले हजारों घंटों के मानव पायलटों का परिणाम होगा। स्वचालन (automation) का मार्ग, विडंबना यह है कि, गहन मानवीय श्रम द्वारा प्रशस्त किया गया है। उपभोक्ताओं के लिए, इसका मतलब है कि तकनीक उभर तो रही है, लेकिन यह अपनी शिक्षा की उच्च लागत के कारण एक प्रीमियम उत्पाद बनी हुई है।

Sources: TechCrunch industrial reporting, Encord corporate briefings, Zander Labs technical documentation, OpenAI robotics research archives.