ज़ीरो-शॉट रोबोटिक्स: मात्रा से ज़्यादा विविधता का विश्लेषण

रोबोट बहुत महंगे टॉडलर जैसे होते हैं, बस उनके टॉर्क की सीमाएँ भी होती हैं: वे प्लेरूम में बेहद शानदार लग सकते हैं, फिर ज़रा-सा अलग दराज़ का हैंडल देखकर अपनी जीवन-चुनौतियों पर फिर से सोचने लगते हैं। उद्योग की आम प्रतिक्रिया होती है: और demonstrations इकट्ठा करो, और घंटे, और trajectories, वही लैब वाली choreography, बस बेहतर lighting और बदतर coffee के साथ। एक नया arXiv पेपर इसी reflex को हल्के से चुभो रहा है। इसका दावा इतना सरल है कि bumper sticker पर आ जाए, अगर आपके bumper sticker में latent action space हो: zero-shot robotics में, data कौन देता है, यह उतना ही मायने रख सकता है जितना कि आपके पास कितना data है।

कवरेज वाला तर्क, Robot Generalization Beyond Volume के अनुसार

Robot Generalization Beyond Volume: The Diversity Path via Zero-Shot capabilities में Rafael Felix physical AI में zero-shot generalization को deployment distribution पर एक coverage problem के रूप में प्रस्तुत करते हैं। पेपर का तर्क है कि उन्हीं collectors से बार-बार लिए गए samples unknown deployment region को धीरे-धीरे कम करते हैं, जबकि एक नया contributor जोड़ना coverage को उन जगहों तक बढ़ा सकता है जिन्हें original collectors ने कभी छुआ ही नहीं। यह default robot data factory की शांत लेकिन तीखी आलोचना है, जहाँ कुछ well-funded teams द्वारा paid collection, पेपर के शब्दों में, "volume without diversity" पैदा कर सकता है।

@title डेटा विविधता पथ
@source Robot Generalization Beyond Volume: Diversity Path

  Same collectors ··· more samples
     │
     ▼
  Unseen region ··· slow shrink

  New contributor ··· extends region
     │
     ▼
  Deployment distribution ··· coverage

@caption पेपर zero shot robotics को सिर्फ collection volume नहीं, बल्कि coverage के रूप में देखता है।

यह framing इसलिए मायने रखती है क्योंकि robotics, hard hat पहने हुए text prediction नहीं है। एक language model अजीब phrasing देखकर भी token space में काम कर सकता है; लेकिन एक robot जब किसी अजीब kitchen counter से मिलता है, तो उसे friction, occlusion और gravity मिल सकते हैं—महंगे demos के तीन घुड़सवार। Robot Generalization Beyond Volume के अनुसार, digital AI को scale और विविध crowd-sourced data, दोनों से फायदा मिला, जबकि robotics ने centralized collection पर अधिक निर्भरता रखी है। पेपर का थोड़ा विपरीत दिशा वाला इशारा यह है कि बड़े proprietary datasets भी lab के बाहर robot को विनम्रता से confused छोड़ सकते हैं।

failure mode भौतिक है, Large Multimodal Models for Direct Robot Control के अनुसार

Large Multimodal Models for Direct Robot Control: GPT-6 as a Beginning diversity वाले तर्क को उपयोगी पृष्ठभूमि देता है। पेपर कहता है कि multimodal models में scene को semantically समझने और physically execute करने के बीच अब भी gap दिखता है, खासकर planning, precision और motion coordination में। अपनी evaluation में, पेपर रिपोर्ट करता है कि GPT-6 Astra ने केवल "11.1% zero-shot success" हासिल की, जो ऐसा number है कि कोई robotist दूर शून्य में ताकने लगे, जबकि gripper धीरे-धीरे cube को miss कर जाए।

वही पेपर यह भी नोट करता है कि Vision-Language-Action models और World Action Models जैसे specialized action models अपनी embodied training distributions से सीमित रहते हैं। यह phrase बहुत भार उठा रहा है। अगर किसी model का अनुभव-संसार संकीर्ण है, तो उसकी policy उस tourist जैसी robotics equivalent बन सकती है जिसने एक subway line याद कर ली हो और अब दावा करे कि वह Tokyo को समझता है। उसी corridor से और samples लेने से उस corridor में fluency बेहतर हो सकती है, लेकिन यह जादुई रूप से दो neighborhoods दूर वाले station को नहीं सिखाता।

बेहतर representations मदद करते हैं, Predictive Geometry to Action के अनुसार

diversity paper यह नहीं कह रहा कि representation learning irrelevant है, और यह फर्क महत्वपूर्ण है। From Predictive Geometry to Action: Learning Complementary Predictive Representations for Embodied Manipulation एक two-stage framework प्रस्तावित करता है जो multi-view video clips से सीखता है। Authors WidowX evaluation पर 10.4 percentage points का absolute gain रिपोर्ट करते हैं, जिससे पता चलता है कि smarter representations robots द्वारा पहले से देखे जा रहे data से भी meaningful gains निकाल सकते हैं।

लेकिन यह result strategic split को भी स्पष्ट करता है। Predictive geometry किसी policy model को यह समझने में मदद कर सकती है कि scenes interaction के तहत कैसे evolve होते हैं, जबकि diversity यह देखती है कि training experience उन situations को cover करता भी है या नहीं जिनका सामना robot करेगा। ये complementary levers हैं, rival religions नहीं। एक robot को motion के बारे में बेहतर reasoning सिखाता है; दूसरा यह सुनिश्चित करने की कोशिश करता है कि उसने हमेशा सिर्फ वही तीन countertops और एक बेहद overworked spatula ही न देखी हो।

Origami ही दांव है, Robot Generalization Beyond Volume के अनुसार

Robot Generalization Beyond Volume robot actions के लिए एक shared latent space प्रस्तावित करता है, जो multi-modal alignment, generative augmentation और noisy-label learning को combine करता है। यह Origami भी प्रस्तावित करता है, जिसे एक standard, approachable robot बताया गया है, जिसके इर्द-गिर्द developers की community applications बना सके और व्यापक data generate कर सके। मूल विचार सिर्फ एक और robot dataset बनाना नहीं, बल्कि dataset के पीछे की source distribution को बदलना है।

यही वह हिस्सा है जिस पर builders को ध्यान देना चाहिए। अगर Origami केवल proposal ही रहता है, तब भी पेपर robot data strategy audit करने के लिए एक उपयोगी mental model है। अगर standard platform के आसपास सच में community बनती है, तो robotics teams को कुछ ऐसा मिल सकता है जो curated benchmarks से परे सीखने में digital AI की मदद करने वाली messy breadth के करीब हो। किसी भी स्थिति में, lesson practical है: demonstrations का एक और पहाड़ खरीदने से पहले पूछिए कि क्या आपका robot दुनिया का ज़्यादा हिस्सा देख रहा है, या बस वही दुनिया थोड़े अलग tripod से देख रहा है।

physical AI बनाने या support करने वाले readers के लिए अगला सवाल सिर्फ यह नहीं है कि bucket में कितनी trajectories पड़ी हैं। सवाल यह है कि वे trajectories किन लोगों के homes, tools, lighting, habits, object choices और failure modes को encode करती हैं। Data volume अब भी उपयोगी है, क्योंकि robots vibes से dexterity नहीं सीखते (सच में दुखद)। लेकिन zero-shot robotics में, diversity एक ऐसे robot और दूसरे robot के बीच का अंतर हो सकती है जो generalize करता है—या फिर जिसने बस एक महंगा diorama याद कर लिया है।