अधिक स्मार्ट रोबोट बनाने की दौड़ ने तंत्रिका विज्ञान में एक मोड़ ले लिया है। भौतिक एआई शोधकर्ता अपने प्रशिक्षण पाइपलाइनों में मस्तिष्क तरंग रीडिंग को शामिल करने के लिए कैमरा कोणों और वीडियो डेटासेट से आगे बढ़ रहे हैं, जिससे उद्योग मशीनों को वास्तविक दुनिया के साथ बातचीत करने के बारे में सोचने के तरीके में बदलाव का संकेत देता है। एक के अनुसार टेकक्रंच एक्सक्लूसिवदृष्टिकोण सन्निहित एआई विकास की एक मौलिक पुनर्विचार का प्रतिनिधित्व करता है – एक जो अंततः मानव-जैसी निपुणता और निर्णय लेने पर कोड को क्रैक कर सकता है।
YouTube वीडियो अब इसमें कटौती नहीं करेंगे. यह भौतिक एआई शोधकर्ताओं के बीच उभरती सर्वसम्मति है जो अगली पीढ़ी के रोबोट बनाने के लिए संघर्ष कर रहे हैं जो वास्तव में गंदे, अप्रत्याशित मानव वातावरण को नेविगेट कर सकते हैं।
नवीनतम सीमा? जब मनुष्य रोजमर्रा के कार्य करते हैं तो मस्तिष्क तरंगों की रीडिंग कैप्चर की जाती है। शोध से परिचित सूत्रों के अनुसार, भौतिक एआई मॉडल पर काम करने वाली कई प्रयोगशालाओं ने अपने प्रशिक्षण पाइपलाइनों में इलेक्ट्रोएन्सेफलोग्राफी (ईईजी) डेटा को शामिल करना शुरू कर दिया है। लक्ष्य कुछ ऐसी चीज़ को कैद करना है जो अकेले कैमरा फ़ीड प्रदान नहीं कर सकता – मानव गतिविधियों के पीछे का संज्ञानात्मक इरादा।
यह सन्निहित एआई प्रणालियों के प्रशिक्षण के वर्तमान दृष्टिकोण से एक महत्वपूर्ण प्रस्थान का प्रतीक है। अधिकांश भौतिक एआई मॉडल आज कई कैमरा कोणों से सघन वीडियो एनोटेशन पर निर्भर हैं, जिन्हें संसाधित करने और लेबल करने के लिए बड़े पैमाने पर गणना की आवश्यकता होती है। कंपनियों को पसंद है टेस्ला प्रसिद्ध रूप से बेड़े के वाहनों के आसपास संपूर्ण डेटा संग्रह बुनियादी ढांचे का निर्माण किया है, जबकि रोबोटिक्स स्टार्टअप एक साथ दर्जनों दृष्टिकोणों से कार्य करने वाले मनुष्यों को रिकॉर्ड करते हैं।
लेकिन वीडियो केवल क्या दिखाता है, क्यों नहीं। जब कोई इंसान कॉफी कप के लिए पहुंचता है, तो कैमरे गति को कैद कर लेते हैं – लेकिन वे पकड़ की ताकत, दृष्टिकोण कोण और वास्तविक समय समायोजन के बारे में सूक्ष्म निर्णय लेने से चूक जाते हैं जो आंदोलन को सफल बनाते हैं। ब्रेन वेव डेटा उस अंतर को भर सकता है।
तकनीकी चुनौतियाँ पर्याप्त हैं। ईईजी सिग्नल बेहद शोर वाले होते हैं, इसलिए सार्थक पैटर्न निकालने के लिए परिष्कृत फ़िल्टरिंग की आवश्यकता होती है। शोधकर्ताओं को वास्तविक समय में शारीरिक क्रियाओं के साथ विशिष्ट मस्तिष्क तरंग हस्ताक्षरों को सहसंबंधित करने की आवश्यकता है, फिर उस संबंध को इस तरह से कोडित करें जिससे एआई मॉडल सीख सकें। यह एक प्रकार की अंतःविषय समस्या है जो तंत्रिका विज्ञान, रोबोटिक्स और मशीन लर्निंग के चौराहे पर बैठती है।
कई शैक्षणिक प्रयोगशालाओं ने मस्तिष्क-नियंत्रित रोबोटिक प्रणालियों पर प्रारंभिक कार्य प्रकाशित किया है, लेकिन फाउंडेशन मॉडल प्रशिक्षण में तंत्रिका डेटा को शामिल करना परिमाण के एक अलग क्रम का प्रतिनिधित्व करता है। दृष्टिकोण से पता चलता है कि भौतिक एआई विकास भाषा मॉडल के समान प्रक्षेपवक्र का अनुसरण कर रहा है – उच्च-गुणवत्ता, उद्देश्य-निर्मित डेटासेट पर जाने से पहले आसानी से उपलब्ध इंटरनेट डेटा से शुरू होता है।
निहितार्थ बेहतर रोबोटों से कहीं आगे तक फैले हुए हैं। यदि मस्तिष्क तरंग पैटर्न में सुधार हो सकता है कि एआई सिस्टम भौतिक कार्यों को कैसे समझते हैं, तो यही सिद्धांत अन्य डोमेन पर भी लागू हो सकता है जहां मानव अंतर्ज्ञान महत्वपूर्ण भूमिका निभाता है। शल्य चिकित्सा प्रक्रियाओं, एथलेटिक प्रशिक्षण, या कुशल विनिर्माण के बारे में सोचें।
वहाँ एक डेटा संग्रह हथियारों की दौड़ का आयोजन भी चल रहा है। जिस प्रकार ओपनएआई और गूगल इंटरनेट से उच्चतम गुणवत्ता वाले पाठ को स्क्रैप करने के लिए प्रतिस्पर्धा करने वाली भौतिक एआई प्रयोगशालाएं जल्द ही मस्तिष्क-निगरानी कार्य प्रदर्शन के लिए मनुष्यों की भर्ती कर सकती हैं। सर्वोत्तम तंत्रिका-भौतिक डेटासेट बनाने वाली कंपनियां रोबोटिक्स बाजार में महत्वपूर्ण लाभ प्राप्त कर सकती हैं।
गोपनीयता की वकालत करने वालों के पास प्रश्न होंगे। ब्रेन वेव डेटा एक अस्पष्ट नियामक स्थान में बैठता है – वीडियो की तुलना में अधिक आक्रामक, लेकिन मेडिकल रिकॉर्ड की तुलना में कम संरक्षित। जैसे-जैसे ये डेटासेट बढ़ते हैं, सहमति, डेटा स्वामित्व और संज्ञानात्मक पैटर्न को पकड़ने की नैतिकता के बारे में बहस की उम्मीद है।
यह बदलाव इस बात पर भी प्रकाश डालता है कि पूंजी-गहन भौतिक एआई कैसे बन गया है। मल्टी-कैमरा रिग्स, डेंस एनोटेशन टीमें और अब न्यूरोसाइंस उपकरण – प्रवेश की बाधाएं बढ़ती जा रही हैं। यह छोटे प्रतिस्पर्धियों को बाहर रखते हुए अच्छी तरह से वित्त पोषित प्रयोगशालाओं के बीच विकास को मजबूत कर सकता है।
लेकिन अगर दृष्टिकोण काम करता है, तो यह अंततः सामान्य-उद्देश्य वाले रोबोट के वादे को पूरा कर सकता है। वर्तमान प्रणालियाँ अभी भी नई स्थितियों से जूझ रही हैं क्योंकि उनमें अनुकूली निर्णय लेने की क्षमता का अभाव है जिसे मनुष्य हल्के में लेते हैं। भौतिक बुद्धि के तंत्रिका सहसंबंधों पर प्रशिक्षण देकर, एआई मॉडल न केवल मानव आंदोलनों की नकल करना सीख सकते हैं, बल्कि अंतर्निहित तर्क को समझना भी सीख सकते हैं।
समय उल्लेखनीय है. भाषा और दृष्टि पर वर्षों तक ध्यान केंद्रित करने के बाद प्रमुख एआई प्रयोगशालाएं सन्निहित बुद्धिमत्ता की ओर बदलाव का संकेत दे रही हैं। ओपनएआई जबकि, रोबोटिक्स शोधकर्ताओं को नियुक्त कर रहा है गूगल डीपमाइंड ने हाल ही में प्रभावशाली भौतिक एआई क्षमताओं का प्रदर्शन किया। मस्तिष्क तरंग एकीकरण उस विकास में अगला तार्किक कदम हो सकता है।
भौतिक एआई प्रशिक्षण में मस्तिष्क तरंग एकीकरण किसी अन्य डेटा स्रोत से कहीं अधिक का प्रतिनिधित्व करता है – यह एक शर्त है कि मानव अनुभूति को समझना वास्तव में सक्षम रोबोट बनाने की कुंजी है। यह दृष्टिकोण महंगा है, तकनीकी रूप से जटिल है, और कांटेदार गोपनीयता प्रश्न उठाता है। लेकिन अगर यह काम करता है, तो यह अंततः संकीर्ण कार्य प्रदर्शन और उस तरह की लचीली, अनुकूली बुद्धिमत्ता के बीच के अंतर को पाट सकता है जिसे मनुष्य हर दिन प्रदर्शित करता है। जो प्रयोगशालाएँ इस पहेली को सबसे पहले सुलझाएंगी, वे न केवल बेहतर रोबोट बनाएंगी – वे फिर से परिभाषित करेंगी कि भौतिक AI क्या कर सकता है।
