പഠിപ്പിക്കാത്ത പണി ചെയ്യുന്ന റോബോട്ട്; വിപ്ലവമായേക്കാവുന്ന കണ്ടെത്തൽ

നിങ്ങൾ ചെയ്യാൻ പഠിപ്പിക്കാത്ത ഒരു പുതിയ ജോലി വീട്ടിലെ റോബോട്ട് സ്വയം ചെയ്യുന്നത് സങ്കൽപ്പിക്കാനാകുമോ? അടുക്കളയിലെ പുതിയൊരു ഉപകരണം എങ്ങനെ ഉപയോഗിക്കണമെന്ന് അത് തനിയെ മനസ്സിലാക്കുന്നു. ഇതൊരു സയൻസ് ഫിക്ഷൻ സിനിമയിലെ രംഗമല്ല, യാഥാർത്ഥ്യത്തിലേക്ക് അടുത്തുകൊണ്ടിരിക്കുന്ന സാങ്കേതികവിദ്യയാണ്. സാൻ ഫ്രാൻസിസ്കോ ആസ്ഥാനമായുള്ള ‘ഫിസിക്കൽ ഇന്റലിജൻസ്’ എന്ന സ്റ്റാർട്ടപ്പ് പുറത്തുവിട്ട പുതിയ ഗവേഷണ റിപ്പോർട്ട് സാങ്കേതിക ലോകത്ത് വലിയ ചർച്ചകൾക്ക് തുടക്കമിട്ടിരിക്കുകയാണ്.

അവരുടെ ഏറ്റവും പുതിയ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മോഡലായ ‘പൈ 0.7’ (π0.7), മുൻപ് പരിശീലനം ലഭിക്കാത്ത ജോലികൾ പോലും ചെയ്യാൻ ഒരു റോബോട്ടിനെ പ്രാപ്തമാക്കുന്നു എന്നാണ് കമ്പനി അവകാശപ്പെടുന്നത്. സ്വന്തം ഗവേഷകരെ പോലും അത്ഭുതപ്പെടുത്തിയ ഒരു കണ്ടെത്തലായിരുന്നു ഇത്. എല്ലാ ജോലികളും ചെയ്യാൻ കഴിവുള്ള ഒരൊറ്റ റോബോട്ട് ബ്രെയിൻ എന്ന വലിയ ലക്ഷ്യത്തിലേക്കുള്ള സുപ്രധാനമായ ഒരു ചുവടുവെപ്പായാണ് ഇതിനെ വിലയിരുത്തുന്നത്.

പുതിയ വഴിത്തിരിവ്: കോമ്പോസിഷണൽ ജനറലൈസേഷൻ

എന്താണ് ഈ മുന്നേറ്റത്തിന് പിന്നിലെ രഹസ്യം? ‘കോമ്പോസിഷണൽ ജനറലൈസേഷൻ’ (compositional generalization) എന്ന ആശയമാണ് ഇതിന്റെ കാതൽ. ലളിതമായി പറഞ്ഞാൽ, വ്യത്യസ്ത സാഹചര്യങ്ങളിൽ നിന്ന് പഠിച്ച കഴിവുകളെ ഏകോപിപ്പിച്ച്, മുൻപ് കണ്ടിട്ടില്ലാത്ത ഒരു പുതിയ പ്രശ്നം പരിഹരിക്കാനുള്ള കഴിവ്.

ഇതുവരെയുള്ള റോബോട്ട് പരിശീലന രീതി തികച്ചും വ്യത്യസ്തമായിരുന്നു. ഓരോ പ്രത്യേക ജോലിക്കും ആവശ്യമായ ഡാറ്റ ശേഖരിച്ച്, ആ ജോലി മാത്രം ചെയ്യാൻ റോബോട്ടിനെ പഠിപ്പിക്കുകയായിരുന്നു പതിവ്. അതായത്, ഒരു ചായ ഉണ്ടാക്കാൻ പഠിപ്പിച്ച റോബോട്ടിന് കാപ്പി ഉണ്ടാക്കാൻ അറിയില്ല. അതിന് വീണ്ടും പ്രത്യേക പരിശീലനം നൽകണം. ഈ ‘തത്തമ്മേ പൂച്ച പൂച്ച’ രീതിയെ അപ്പാടെ മാറ്റിമറിക്കുകയാണ് ‘പൈ 0.7’ ചെയ്യുന്നത്.

“ഡാറ്റയിൽ ഉള്ള കാര്യങ്ങൾ മാത്രം ചെയ്യുന്ന അവസ്ഥയിൽ നിന്ന്, പഠിച്ച കാര്യങ്ങൾ പുതിയ രീതിയിൽ കൂട്ടിച്ചേർത്ത് ഉപയോഗിക്കാൻ തുടങ്ങുമ്പോൾ റോബോട്ടിന്റെ കഴിവുകൾ ഡാറ്റയുടെ അളവിന് ആനുപാതികമായല്ല, അതിനേക്കാൾ വേഗത്തിൽ വർധിക്കും,” ഫിസിക്കൽ ഇന്റലിജൻസിന്റെ സഹസ്ഥാപകനും ബെർക്ക്‌ലി സർവകലാശാലയിലെ പ്രൊഫസറുമായ സെർജി ലെവിൻ പറയുന്നു. ഭാഷാ മോഡലുകളിലും കമ്പ്യൂട്ടർ വിഷനിലും കണ്ടുവന്ന അതേ കുതിച്ചുചാട്ടമാണ് ഇപ്പോൾ റോബോട്ടിക്സിലും കാണുന്നതെന്ന് അദ്ദേഹം കൂട്ടിച്ചേർത്തു.

ലോകത്തെ ഞെട്ടിച്ച എയർ ഫ്രയർ പരീക്ഷണം

ഈ പുതിയ മോഡലിന്റെ കഴിവ് വ്യക്തമാക്കുന്ന ഏറ്റവും ശ്രദ്ധേയമായ ഉദാഹരണം ഒരു എയർ ഫ്രയർ ഉപയോഗിച്ച് നടത്തിയ പരീക്ഷണമാണ്. റോബോട്ടിന്റെ പരിശീലന ഡാറ്റയിൽ എയർ ഫ്രയറിനെക്കുറിച്ച് കാര്യമായ ഒരു വിവരവും ഉണ്ടായിരുന്നില്ല എന്നതാണ് അത്ഭുതകരം.

ഗവേഷകർ വിശദമായി പരിശോധിച്ചപ്പോൾ ആകെ രണ്ട് സംഭവങ്ങൾ മാത്രമാണ് ഡാറ്റാബേസിൽ കണ്ടെത്താനായത്. ഒന്നിൽ, മറ്റൊരു റോബോട്ട് എയർ ഫ്രയറിന്റെ ഡോർ അടയ്ക്കുക മാത്രം ചെയ്യുന്നു. മറ്റൊന്ന്, ആരോ നൽകിയ നിർദ്ദേശപ്രകാരം ഒരു പ്ലാസ്റ്റിക് കുപ്പി എയർ ഫ്രയറിനുള്ളിൽ വെക്കുന്ന ഒരു ഓപ്പൺ സോഴ്സ് വീഡിയോ ആയിരുന്നു. ഈ തുച്ഛമായ വിവരങ്ങളെയും, ഇന്റർനെറ്റിൽ നിന്നുള്ള പൊതുവായ അറിവുകളെയും സമന്വയിപ്പിച്ചാണ് റോബോട്ട് ആ ഉപകരണം എങ്ങനെ പ്രവർത്തിപ്പിക്കണമെന്ന് മനസ്സിലാക്കിയത്.

ഒരു മധുരക്കിഴങ്ങ് പാകം ചെയ്യാൻ ഈ റോബോട്ട് നടത്തിയ ശ്രമം, യാതൊരുവിധ മുൻപരിചയവുമില്ലാതെയായിരുന്നു. മനുഷ്യൻ ഘട്ടം ഘട്ടമായി നിർദ്ദേശങ്ങൾ നൽകിയപ്പോൾ, ഒരു പുതിയ ജോലിക്കാരനെ പഠിപ്പിക്കുന്നതുപോലെ, റോബോട്ട് ആ ദൗത്യം വിജയകരമായി പൂർത്തിയാക്കി.

മനുഷ്യന്റെ സഹായം നിർണായകം

ഈ പരീക്ഷണത്തിലെ ഏറ്റവും പ്രധാനപ്പെട്ട കണ്ടെത്തലുകളിലൊന്ന് മനുഷ്യന്റെ ഇടപെടലിന്റെ പ്രാധാന്യമാണ്. റോബോട്ടിന് വാക്കാൽ നിർദ്ദേശങ്ങൾ നൽകി പരിശീലിപ്പിക്കാൻ സാധിക്കുന്നത് വലിയ സാധ്യതകളാണ് തുറന്നുതരുന്നത്. ഇതിനർത്ഥം, പുതിയൊരു ഫാക്ടറിയിലോ ആശുപത്രിയിലോ ഒരു റോബോട്ടിനെ വിന്യസിച്ചാൽ, അവിടുത്തെ സാഹചര്യങ്ങൾക്കനുസരിച്ച് അതിനെ പരിശീലിപ്പിക്കാൻ വീണ്ടും ഡാറ്റ ശേഖരിക്കുകയോ മോഡൽ മാറ്റുകയോ വേണ്ടിവരില്ല. മനുഷ്യർക്ക് സംസാരിച്ച് പഠിപ്പിക്കാം.

എന്നാൽ കാര്യങ്ങൾ അത്ര ലളിതവുമല്ല. “ചിലപ്പോൾ പരാജയം റോബോട്ടിന്റെയോ മോഡലിന്റെയോ അല്ല, നമ്മുടേതാണ്. നിർദ്ദേശങ്ങൾ ശരിയായ രീതിയിൽ നൽകാത്തതുകൊണ്ടാവാം,” സ്റ്റാൻഫോർഡ് സർവകലാശാലയിലെ ഗവേഷക കൂടിയായ ലൂസി ഷി പറയുന്നു. എയർ ഫ്രയർ പരീക്ഷണത്തിന്റെ തുടക്കത്തിൽ വിജയശതമാനം വെറും 5% ആയിരുന്നു. എന്നാൽ അരമണിക്കൂറോളം സമയമെടുത്ത് നിർദ്ദേശങ്ങൾ നൽകുന്ന രീതി (prompt engineering) മെച്ചപ്പെടുത്തിയപ്പോൾ വിജയശതമാനം 95% ആയി ഉയർന്നുവെന്നും അവർ സാക്ഷ്യപ്പെടുത്തുന്നു.

പരിമിതികളും വെല്ലുവിളികളും

ഈ സാങ്കേതികവിദ്യ ഒരുപാട് സാധ്യതകൾ മുന്നോട്ട് വെക്കുന്നുണ്ടെങ്കിലും, അതിന് അതിന്റേതായ പരിമിതികളുണ്ട്. ഗവേഷകർ തന്നെ ഇക്കാര്യം തുറന്നുസമ്മതിക്കുന്നു.

• സങ്കീർണ്ണമായ ജോലികൾ: ഒറ്റ നിർദ്ദേശത്തിൽ സങ്കീർണ്ണമായ ജോലികൾ പൂർത്തിയാക്കാൻ ഈ റോബോട്ട് ബ്രെയിൻ ഇനിയും വളർന്നിട്ടില്ല. “പോയി എനിക്കൊരു ടോസ്റ്റ് ഉണ്ടാക്കൂ” എന്ന് പറഞ്ഞാൽ റോബോട്ടിന് അത് ചെയ്യാൻ കഴിയില്ല. എന്നാൽ, “ടോസ്റ്ററിന്റെ ഈ ഭാഗം തുറക്കൂ, ഈ ബട്ടൺ അമർത്തൂ” എന്നിങ്ങനെ ഘട്ടം ഘട്ടമായി പറഞ്ഞുകൊടുത്താൽ അത് കൃത്യമായി ചെയ്യും.
• പ്രോംപ്റ്റ് എഞ്ചിനീയറിംഗ്: റോബോട്ടിന്റെ വിജയം അത് സ്വീകരിക്കുന്ന നിർദ്ദേശങ്ങളുടെ ഗുണനിലവാരത്തെ ആശ്രയിച്ചിരിക്കുന്നു. ഇത് മനുഷ്യന്റെ കഴിവിനെക്കൂടി ആശ്രയിച്ചാണ് ഇരിക്കുന്നത്.
• പൊതുവായ മാനദണ്ഡങ്ങളുടെ അഭാവം: റോബോട്ടിക്സ് രംഗത്ത് ഒരു മോഡലിന്റെ കഴിവ് അളക്കാൻ കൃത്യമായ, അംഗീകൃതമായ അളവുകോലുകൾ നിലവിലില്ല. ഇത് ഫിസിക്കൽ ഇന്റലിജൻസിന്റെ അവകാശവാദങ്ങൾ മറ്റുള്ളവർക്ക് സ്ഥിരീകരിക്കാൻ ഒരു വെല്ലുവിളിയാണ്.

ഭാവി എങ്ങോട്ട്?

ഫിസിക്കൽ ഇന്റലിജൻസിന്റെ ഈ മുന്നേറ്റം റോബോട്ടിക്സ് ലോകത്ത് ഒരു പുതിയ അധ്യായം തുറക്കുകയാണ്. ചാറ്റ്ജിപിടി പോലുള്ള ഭാഷാ മോഡലുകൾ വിവരസാങ്കേതിക രംഗത്ത് കൊണ്ടുവന്ന മാറ്റത്തിന് സമാനമായ ഒരു കുതിച്ചുചാട്ടത്തിന്റെ തുടക്കമാകാം ഇത്. എല്ലാ ജോലികളും ചെയ്യാൻ കഴിവുള്ള ഒരു പൊതുവായ റോബോട്ട് ബ്രെയിൻ എന്നത് ഒരു വിദൂര സ്വപ്നമല്ലാതായി മാറിക്കൊണ്ടിരിക്കുന്നു.

ഇത് മനുഷ്യരെ സ്ഥാനഭ്രഷ്ടരാക്കുന്ന റോബോട്ടുകളുടെ കാലമല്ല, മറിച്ച് മനുഷ്യനും യന്ത്രവും ഒരുമിച്ച് കൂടുതൽ കാര്യക്ഷമമായി പ്രവർത്തിക്കുന്ന ഒരു പുതിയ ലോകത്തിന്റെ വാഗ്ദാനമാണ് നൽകുന്നത്. നിർദ്ദേശങ്ങൾ നൽകി റോബോട്ടുകളെ പുതിയ കഴിവുകൾ പഠിപ്പിക്കാൻ സാധിക്കുന്നത് വ്യവസായശാലകളിലും, ആരോഗ്യരംഗത്തും, വീടുകളിലും വരെ വലിയ മാറ്റങ്ങൾ കൊണ്ടുവരും. ഇതൊരു തുടക്കം മാത്രമാണ്, വരും വർഷങ്ങളിൽ ഈ രംഗത്ത് കണ്ണുതുറപ്പിക്കുന്ന മാറ്റങ്ങൾക്ക് നമുക്ക് സാക്ഷ്യം വഹിക്കാൻ കഴിഞ്ഞേക്കും.