उत्तर अमेरिकेतील तंत्रज्ञान क्षेत्रातील दिग्गज कंपनीने एक धोरणात्मक चळवळ सुरू केली जी जागतिक बाजारपेठेतील त्याचे व्यावसायिक तळ पुन्हा परिभाषित करते, ज्यामध्ये मानवी यंत्रमानव आर्थिक नेतृत्व करतात. कंपनीने सूचित केले आहे की कृत्रिम बुद्धिमत्तेतील अलीकडील प्रगतीमुळे चालणाऱ्या ऑटोमॅटन्सच्या वेगवान विकासामध्ये त्याच्या इलेक्ट्रिक वाहनांच्या विक्रीतून मिळणाऱ्या कमाईला मागे टाकण्याची वास्तविक क्षमता आहे. कंपनीच्या भविष्यातील बिझनेस मॉडेलचा मध्यवर्ती आधारस्तंभ बनण्यासाठी या प्रकल्पाला अंतर्गतरित्या सर्वोच्च प्राधान्य मानले जाते.
अंतर्गत विश्लेषणे आणि बाजार अंदाज सूचित करतात की या नवीन विभागाची किंमत कमी कालावधीत अत्यंत स्पर्धात्मक बनली पाहिजे, ज्यामुळे मोठ्या प्रमाणावर दत्तक घेता येईल. कामगारांची कमतरता आणि ऑटोमेशनच्या समस्यांचे निराकरण करून रोबोटिक्स विभागाद्वारे जोडलेले मूल्य संपूर्ण ऑटोमोटिव्ह उद्योगाच्या एकत्रित नफ्यापेक्षा जास्त निव्वळ नफा कमवेल अशी अपेक्षा आहे. कंपनीचे अधिकारी बळकट करतात की हे पॅराडाइम शिफ्ट ही केवळ एक दूरची शक्यता नाही, तर त्याच्या सिस्टममधील प्रशिक्षण डेटाच्या उत्क्रांतीवर आधारित एक मार्ग आहे.
महत्त्वाकांक्षी पैज न्यूरल नेटवर्क्स आणि कॉम्प्युटर व्हिजन सिस्टीमच्या थेट वापरावर आधारित आहे ज्याची रस्त्यांवर आधीच विस्तृत चाचणी केली गेली आहे. मूळ आधार असा आहे की जर कृत्रिम बुद्धिमत्ता शहरी रहदारीसारख्या जटिल आणि यादृच्छिक वातावरणात नेव्हिगेट करू शकते, तर तिच्याकडे घरगुती आणि औद्योगिक वातावरणात कार्य करण्यासाठी आवश्यक सामान्यीकरण क्षमता आहे. स्वयंचलित शारीरिक श्रमासाठी अमर्यादित बाजारपेठ सूचित करते की या युनिट्सची मागणी पुढील दशकांपर्यंत कायम राहू शकते.
तंत्रज्ञान हस्तांतरण आणि संज्ञानात्मक उत्क्रांती
ऑप्टिमस प्रकल्पाचा विकास सुरवातीपासून सुरू झाला नाही, तर ब्रँडच्या ऑटोमोटिव्ह अभियांत्रिकी वारशाचा फायदा घेऊन विद्यमान मजबूत तांत्रिक पायाभूत सुविधांचे रुपांतर. कारच्या ऑटोनॉमस ड्रायव्हिंग (एफएसडी) प्रणालीवर नियंत्रण ठेवणारा हाच कृत्रिम बुद्धिमत्ता अनुमान संगणक रोबोट्सचा “मेंदू” म्हणून वापरला जात आहे. ही सिनर्जी कंपनीला त्याच्या जागतिक ताफ्याद्वारे संकलित केलेला लाखो किलोमीटरचा व्हिडिओ डेटा ह्युमनॉइड्सच्या न्यूरल नेटवर्कला प्रशिक्षित करण्यासाठी, खोलीची समज आणि अवकाशीय नेव्हिगेशनच्या शिक्षणाला गती देण्यासाठी वापरण्याची परवानगी देते.
तांत्रिकदृष्ट्या, ऑटोपायलट प्रणालीची पुनर्कल्पना सामान्य रोबोटिक्स प्लॅटफॉर्म म्हणून केली जाते, जिथे कारचे “बॉडी” द्विपाद संरचनेद्वारे बदलले जाते, परंतु केंद्रीय प्रक्रिया समान राहते. नियंत्रित आणि वेगळ्या वातावरणात, कठोर लाइन-बाय-लाइन कोडींगची आवश्यकता न ठेवता, रोबोट्स आधीच एंड-टू-एंड प्रशिक्षणाद्वारे जटिल कार्ये करण्याची क्षमता प्रदर्शित करतात. कंपनीच्या व्यवस्थापनाचा असा विश्वास आहे की वास्तविक उपयुक्ततेची गुरुकिल्ली रोबोटच्या अपरिचित वस्तू हाताळण्यास आणि मॅप न केलेल्या जागा स्वायत्तपणे नेव्हिगेट करण्यास शिकण्याच्या क्षमतेमध्ये आहे.
विद्यमान तांत्रिक आर्किटेक्चरचा पुनर्वापर खर्च आणि संशोधन आणि विकासाच्या वेळेत मोठ्या प्रमाणात कपात करण्यास अनुमती देतो, ज्यामुळे प्रतिस्पर्ध्यांसाठी प्रतिकृती करणे कठीण आहे असा स्पर्धात्मक फायदा निर्माण होतो. वाहनांच्या डिजिटल “मेंदूला” हात आणि पाय असलेल्या शरीराशी जुळवून घेऊन, कंपनी आपले प्रयत्न उत्कृष्ट यांत्रिकी आणि मॅन्युअल कौशल्यावर केंद्रित करण्यास सक्षम आहे, ज्या भागात पारंपारिक रोबोटिक्सला ऐतिहासिकदृष्ट्या अडथळ्यांचा सामना करावा लागला आहे. प्रोटोटाइपची नवीनतम आवृत्ती आधीच द्रव हालचाली आणि नाजूक वस्तू हाताळण्याची क्षमता प्रदर्शित करते, हे दर्शविते की उत्पादनाचे व्यापारीकरण तांत्रिक व्यवहार्यतेच्या जवळ येत आहे.
मोठ्या प्रमाणावर उत्पादन आणि प्रवेशयोग्यता धोरणे
स्वयंचलित भविष्याची दृष्टी प्रत्यक्षात येण्यासाठी, अंतिम उत्पादन उद्योग आणि अंतिम ग्राहक या दोघांनाही उपलब्ध आहे याची खात्री करून, आर्थिक समीकरण अचूकपणे सोडवणे आवश्यक आहे. 20 हजार ते 30 हजार डॉलर्सच्या दरम्यान ग्राहकांसाठी प्रस्थापित किमतीचे लक्ष्य आहे, रोबोटला स्पर्धात्मक खर्चाच्या श्रेणीत, तुलना करण्यायोग्य किंवा लोकप्रिय वाहनापेक्षा कमी आहे. या किमतीच्या श्रेणीपर्यंत पोहोचण्यासाठी, दरवर्षी लाखो युनिट्सपेक्षा जास्त उत्पादन व्हॉल्यूम आवश्यक असेल, ज्यासाठी ऑटोमोटिव्ह क्षेत्राप्रमाणे पुरवठा साखळी मजबूत असणे आवश्यक आहे.
कंपनी स्वतःचे ॲक्ट्युएटर्स विकसित करण्यासाठी आणि असेंबली सुलभ करण्यासाठी, गंभीर घटकांसाठी बाह्य पुरवठादारांवरील अवलंबित्व कमी करण्यासाठी मोठ्या प्रमाणात गुंतवणूक करत आहे. कार चेसिसमध्ये एकत्रित केलेल्या उच्च-घनतेच्या बॅटरींप्रमाणे, विश्वासार्हता सुनिश्चित करण्यासाठी आणि खर्च कमी करण्यासाठी अनुलंब एकत्रीकरण आवश्यक मानले जाते. एंड-टू-एंड न्यूरल नेटवर्कचा वापर रोबोटला फक्त मानवी निरीक्षणाद्वारे जटिल कार्ये शिकण्याची परवानगी देतो, प्रत्येक क्रियेसाठी स्पष्ट प्रोग्रामिंगची आवश्यकता दूर करते.
Y आणि 3 मॉडेल्सच्या निर्मितीसह प्राप्त केलेला लॉजिस्टिक अनुभव ह्युमनॉइड्ससाठी नवीन असेंब्ली लाइन्सची रचना करण्यासाठी महत्त्वपूर्ण आहे. प्रकल्पाच्या आर्थिक व्यवहार्यतेची शक्यता कामगारांना पुनरावृत्ती किंवा धोकादायक कामांमध्ये बदलण्यावर अवलंबून असते, या वचनासह की रोबोट दोन वर्षांपेक्षा कमी ऑपरेशनमध्ये स्वतःसाठी पैसे देईल. यामुळे तात्काळ कॉर्पोरेट मागणी निर्माण होईल, ज्यामुळे उत्पादकाला उत्पादन वाढवता येईल आणि परिणामी, स्केलच्या अर्थव्यवस्थेद्वारे युनिटच्या किमती आणखी कमी होतील.
ह्युमनॉइड्सच्या निर्मितीची लॉजिस्टिक जटिलता, तथापि, अभूतपूर्व आव्हाने आणते, ज्यात स्पर्शिक सेन्सर आणि हाताच्या सांध्यासाठी मायक्रोमीटर-स्केल अचूकता आवश्यक असते. यांत्रिक घटकांमध्ये मानवी कौशल्याची प्रतिकृती करणे वाहने असेंबल करण्यापेक्षा अधिक कठीण आहे, परंतु कंपनीने असा अंदाज कायम ठेवला आहे की शिकण्याच्या वक्रवर त्वरीत मात केली जाईल. क्लाउड (ओव्हर-द-एअर) द्वारे सॉफ्टवेअर सतत अपडेट केल्याने हे सुनिश्चित होईल की, विक्रीनंतरही, रोबोट नवीन कौशल्ये आत्मसात करत आहे आणि कालांतराने त्याचे मूल्य वाढवत आहे.
मॅक्रो इकॉनॉमिक प्रभाव आणि नवीन परिस्थिती
यंत्रमानवांचा मोठ्या प्रमाणावर परिचय जागतिक सकल देशांतर्गत उत्पादन (GDP) च्या मूलभूत गोष्टींमध्ये बदल करण्याचे वचन देतो, लोकसंख्या वाढीपासून आर्थिक वाढ दुप्पट करतो. अर्थशास्त्रज्ञ सुचवतात की उपलब्ध कर्मचाऱ्यांची मर्यादा काढून टाकल्यास, औद्योगिक उत्पादकता झपाट्याने वाढू शकते, वस्तू आणि सेवांच्या खर्चाची गतिशीलता बदलू शकते. ज्या परिस्थितीत विकसित देशांना लोकसंख्या वृद्धत्वाचा आणि कामगारांच्या कमतरतेचा सामना करावा लागतो, अशा परिस्थितीत तंत्रज्ञान जीवनाची गुणवत्ता आणि उत्पादक क्षमता राखण्यासाठी एक संरचनात्मक उपाय म्हणून उदयास येते.
या क्षेत्रातील स्पर्धा अलिप्त नाही, चिनी कंपन्या आणि इतर सिलिकॉन व्हॅली दिग्गजांनी या नवीन ट्रिलियन-डॉलर मार्केटमध्ये जमीन गमावू नये म्हणून त्यांच्या स्वत: च्या रोबोटिक्स कार्यक्रमांना गती दिली आहे. नेतृत्व तथापि, कृत्रिम बुद्धिमत्ता प्रक्रिया क्षमता आणि डेटा पायाभूत सुविधांवर अवलंबून असेल, ज्या भागात उत्तर अमेरिकन कंपनीचा एकत्रित फायदा आहे. हार्डवेअरचे अनुकरण केले जाऊ शकते, परंतु वास्तविक-जगातील डेटाद्वारे समर्थित डिजिटल “मेंदू”, नवीन प्रतिस्पर्ध्यांसाठी प्रवेशासाठी एक मोठा अडथळा आहे.