हाल के एआई मॉडल संकेत दिए जाने पर टेक्स्ट, ऑडियो और वीडियो उत्पन्न करने की क्षमता में आश्चर्यजनक रूप से मानवीय हैं। हालाँकि, अब तक ये एल्गोरिदम बड़े पैमाने पर भौतिक, त्रि-आयामी दुनिया के बजाय डिजिटल दुनिया तक ही सीमित रहे हैं, जिसमें हम रहते हैं। वास्तव में, जब भी हम इन मॉडलों को वास्तविक दुनिया में लागू करने का प्रयास करते हैं, तब भी पर्याप्त रूप से प्रदर्शन करने के लिए सबसे परिष्कृत संघर्ष होता है। उदाहरण के लिए, जरा सोचिए कि सुरक्षित और विश्वसनीय सेल्फ-ड्राइविंग कारों को विकसित करना कितना चुनौतीपूर्ण रहा है। कृत्रिम रूप से बुद्धिमान होते हुए भी, इन मॉडलों को न केवल भौतिकी की कोई समझ नहीं होती है, बल्कि वे अक्सर मतिभ्रम भी करते हैं, जो उन्हें बेवजह गलतियाँ करने के लिए प्रेरित करता है।
हालाँकि, यह वह वर्ष है जब AI अंततः डिजिटल दुनिया से उस वास्तविक दुनिया में छलांग लगाएगा जिसमें हम रहते हैं। एआई को उसकी डिजिटल सीमा से परे विस्तारित करने के लिए मशीनों के सोचने के तरीके को फिर से काम करने की आवश्यकता है, एआई की डिजिटल बुद्धिमत्ता को रोबोटिक्स की यांत्रिक शक्ति के साथ जोड़ना। इसे मैं “भौतिक बुद्धिमत्ता” कहता हूं, बुद्धिमान मशीन का एक नया रूप जो गतिशील वातावरण को समझ सकता है, अप्रत्याशितता का सामना कर सकता है और वास्तविक समय में निर्णय ले सकता है। मानक एआई द्वारा उपयोग किए जाने वाले मॉडलों के विपरीत, भौतिक बुद्धि भौतिकी में निहित है; वास्तविक दुनिया के मूलभूत सिद्धांतों, जैसे कारण-और-प्रभाव, को समझने में।
ऐसी विशेषताएं भौतिक बुद्धिमत्ता मॉडल को विभिन्न वातावरणों के साथ बातचीत करने और अनुकूलित करने की अनुमति देती हैं। एमआईटी में मेरे शोध समूह में, हम भौतिक बुद्धिमत्ता के मॉडल विकसित कर रहे हैं जिन्हें हम तरल नेटवर्क कहते हैं। उदाहरण के लिए, एक प्रयोग में, हमने दो ड्रोनों को प्रशिक्षित किया – एक मानक एआई मॉडल द्वारा संचालित और दूसरा तरल नेटवर्क द्वारा – मानव पायलटों द्वारा कैप्चर किए गए डेटा का उपयोग करके गर्मियों के दौरान जंगल में वस्तुओं का पता लगाने के लिए। जबकि दोनों ड्रोनों ने समान रूप से अच्छा प्रदर्शन किया जब उन्हें वही करने का काम सौंपा गया जिसके लिए उन्हें प्रशिक्षित किया गया था, जब उन्हें विभिन्न परिस्थितियों में वस्तुओं का पता लगाने के लिए कहा गया – सर्दियों के दौरान या शहरी सेटिंग में – केवल तरल नेटवर्क ड्रोन ने सफलतापूर्वक अपना कार्य पूरा किया। इस प्रयोग ने हमें दिखाया कि, पारंपरिक एआई सिस्टम के विपरीत, जो अपने प्रारंभिक प्रशिक्षण चरण के बाद विकसित होना बंद कर देते हैं, लिक्विड नेटवर्क इंसानों की तरह ही अनुभव से सीखना और अनुकूलन करना जारी रखते हैं।
भौतिक बुद्धिमत्ता डिजिटल निर्देशों और वास्तविक दुनिया के निष्पादन के बीच अंतर को पाटते हुए, पाठ या छवियों से प्राप्त जटिल आदेशों की व्याख्या और भौतिक रूप से निष्पादित करने में भी सक्षम है। उदाहरण के लिए, मेरी प्रयोगशाला में, हमने एक भौतिक रूप से बुद्धिमान प्रणाली विकसित की है, जो एक मिनट से भी कम समय में “रोबोट जो आगे चल सकता है” या “रोबोट जो पकड़ सकता है” जैसे संकेतों के आधार पर छोटे रोबोटों को पुनरावृत्त रूप से डिज़ाइन कर सकता है और फिर 3 डी-प्रिंट कर सकता है। वस्तुएँ”।
अन्य प्रयोगशालाएँ भी महत्वपूर्ण सफलताएँ हासिल कर रही हैं। उदाहरण के लिए, यूसी-बर्कले के शोधकर्ता पीटर एबील द्वारा स्थापित रोबोटिक्स स्टार्टअप कोवेरिएंट, चैटबॉट विकसित कर रहा है – चैटजीटीपी के समान – जो संकेत मिलने पर रोबोटिक हथियारों को नियंत्रित कर सकता है। वैश्विक स्तर पर गोदामों में सॉर्टिंग रोबोट विकसित करने और तैनात करने के लिए उन्होंने पहले ही 222 मिलियन डॉलर से अधिक सुरक्षित कर लिया है। कार्नेगी मेलॉन यूनिवर्सिटी की एक टीम ने भी हाल ही में ऐसा किया है प्रदर्शन किया केवल एक कैमरे और सटीक एक्चुएशन वाला एक रोबोट सुदृढीकरण सीखने के माध्यम से प्रशिक्षित एकल तंत्रिका नेटवर्क का उपयोग करके गतिशील और जटिल पार्कौर आंदोलनों को निष्पादित कर सकता है – जिसमें इसकी ऊंचाई से दोगुनी ऊंचाई और इसकी लंबाई से दोगुनी अंतराल पर कूदना शामिल है।
यदि 2023 टेक्स्ट-टू-इमेज का वर्ष था और 2024 टेक्स्ट-टू-वीडियो था, तो 2025 भौतिक बुद्धिमत्ता के युग को चिह्नित करेगा, जिसमें नई पीढ़ी के उपकरण होंगे – न केवल रोबोट, बल्कि पावर ग्रिड से लेकर स्मार्ट होम तक कुछ भी। -जो हम उन्हें बता रहे हैं उसकी व्याख्या कर सकते हैं और वास्तविक दुनिया में कार्यों को निष्पादित कर सकते हैं।
