کوئی روبوٹ کیسے سیکھے اس بارے میں دو مختلف شرطیں
روایتی روبوٹکس کسی کام کو ہاتھ سے بناتی ہے: ادراکی ماڈیولز، ایک منصوبہ ساز، ایک انورس-کینیمیٹکس حل کرنے والا، ایک اسٹیٹ مشین، اور ہزاروں لائنیں کنٹرول کوڈ کی جو ایک روبوٹ، ایک گرپر، اشیاء کے ایک تنگ سیٹ کے لیے ٹیون کی گئی ہیں۔ یہ کچھ قیمتی پیش کرتی ہے — اس بارے میں رسمی ضمانتیں کہ نظام کیا کرے گا اور کیا نہیں کرے گا — لیکن یہ منتقل نہیں ہوتی۔ کوئی نیا کام، یا کوئی نیا روبوٹ بازو، عام طور پر زیادہ تر اسٹیک کو دوبارہ لکھنے کا مطلب رکھتا ہے۔
2023 سے اس شعبے کو نئی شکل دینے والی شرط مختلف ہے: وہی نسخہ جس نے بڑے زبان کے ماڈلز پیدا کیے — بہت بڑے ڈیٹا سیٹس، ایک ٹرانسفارمر، اور اسکیل — روبوٹ کنٹرول کے لیے بھی کام کرنا چاہیے، جسمانی مہارت کے لیے ایک عمومی «منی فولڈ» دریافت کرتے ہوئے اسی طرح جیسے اس نے متن اور تصاویر کے لیے ایک دریافت کیا۔ یہ ایک مفروضہ ہے، کوئی طے شدہ حقیقت نہیں، اور اب تک کے شواہد حقیقی معنوں میں ملے جلے ہیں۔ یہ صفحہ بیان کرتا ہے کہ اصل میں کیا مظاہرہ کیا گیا ہے، کس کے ذریعے، اور یہ نظام بنانے والے لوگ کیا کہتے ہیں کہ ابھی بھی کھلے مسائل ہیں۔
پہلا ثبوت: ایکشن ٹوکنز اور کراس-روبوٹ منتقلی
Google DeepMind کا RT-2، جو جولائی 2023 میں شائع ہوا، اس خیال کا ایک ابتدائی، ٹھوس ٹیسٹ تھا۔ ایک الگ ایکشن-پیش گوئی کرنے والا ماڈیول بنانے کے بجائے، DeepMind نے روبوٹ-ایکشن ٹوکنز کو براہِ راست کسی وژن-زبان ماڈل کی اپنی نتیجہ لغت میں تربیت دی، تاکہ وہی نیٹ ورک جو کسی تصویر کو الفاظ میں بیان کرتا ہے وہ ایک موٹر کمانڈ بھی جاری کر سکے (arXiv:2307.15818)۔ 6,000 تشخیصی ٹرائلز میں، اس نے پچھلے کام-مخصوص بنیادی خطوط کے مقابلے میں تقریباً تین گنا بہتر غیر مانوس اشیاء اور ماحول کے مطابق عمومیت اختیار کی — یہ ثبوت کہ ویب-اسکیل بصری اور زبان کا علم واقعی ہیرا پھیری کے لیے کچھ مفید معلومات رکھتا ہے۔
تین مہینے بعد، 34 اداروں کے ایک تعاون نے RT-X اور Open X-Embodiment ڈیٹا سیٹ کے ساتھ اس سے آگے بڑھایا، درجنوں مختلف روبوٹ اقسام سے ڈیٹا جمع کیا اور ان سب پر ایک 55-ارب-پیرامیٹر ماڈل کو تربیت دی (arXiv:2310.08864)۔ اس نے اسی آرکیٹیکچر کے 5-ارب-پیرامیٹر ورژن سے مادی طور پر زیادہ ابھرتی مہارت کی کامیابی دکھائی — ایک ابتدائی اشارہ کہ اسکیل خاص طور پر مختلف روبوٹ جسموں میں منتقلی کو چلاتا ہے، صرف ایک کے اندر نہیں۔
جسموں کے لیے فاؤنڈیشن ماڈلز کا بھرا ہوا میدان
اس نتیجے نے کمپنی کے بنائے ہوئے «روبوٹ فاؤنڈیشن ماڈلز» کی ایک لہر شروع کر دی، ہر ایک مختلف آرکیٹیکچر کے ساتھ اور ہر ایک ایسے دعوے کرتا ہوا جنہیں آزادانہ طور پر تصدیق شدہ حقیقت کے بجائے کمپنی کے دعووں کے طور پر پڑھا جانا چاہیے۔
Physical Intelligence کا π0 (اکتوبر 2024) نے PaliGemma وژن-زبان ماڈل کو ایک فلو-میچنگ ایکشن ہیڈ کے ساتھ ملایا، آٹھ روبوٹ مجسمیتوں میں تربیت یافتہ، اور کپڑے تہ کرنے، میز صاف کرنے، اور گروسری بیگ کرنے جیسے کام دکھائے۔ اس شعبے کے لیے غیر معمولی طور پر، Physical Intelligence نے وزن اور کوڈ کو «openpi» کے طور پر اوپن سورس کیا، جس نے نتیجے کو یقین پر لینے کے بجائے آزادانہ طور پر دہرائے جانے کے قابل بنایا۔ اس کے باوجود، کمپنی کی اپنی تشخیص واضح تھی: «عمومی روبوٹ پالیسیاں ابھی اپنے ابتدائی مراحل میں ہیں، اور ہمیں ابھی ایک طویل سفر طے کرنا ہے» (Physical Intelligence بلاگ، 31 اکتوبر 2024)۔ ایک نیا ورژن، π0.7، روبوٹ مجسمیتوں میں زیرو-شاٹ عمومیت کا دعویٰ کرتا ہے (arXiv:2604.15483)، لیکن اس تحریر تک یہ دعویٰ ایک ایسے پری پرنٹ پر قائم ہے جس کی آزادانہ طور پر تکرار نہیں ہوئی۔
NVIDIA نے مارچ 2025 میں پہلے اوپن انسان نما فاؤنڈیشن ماڈل کے طور پر GR00T N1 جاری کیا، پھر اپریل 2026 میں GR00T N1.7: ایک 3-ارب-پیرامیٹر ماڈل جو 20,854 گھنٹے کے انسانی ایگو سینٹرک ویڈیو پر تربیت یافتہ اور تین مختلف روبوٹ پلیٹ فارمز پر تصدیق شدہ، Hugging Face پر کھلے وزن کے ساتھ۔ NVIDIA نے رپورٹ کیا کہ اس ایگو سینٹرک تربیتی ڈیٹا کو تقریباً بیس گنا بڑھانے سے مہارتی کاموں پر «اوسط کام کی تکمیل دوگنی سے زیادہ ہو جاتی ہے» — ایک دعویٰ جو NVIDIA کے اپنے طور پر نشان زد کرنے کے لائق ہے، کیونکہ اس کے ساتھ کوئی آزادانہ بینچ مارک نہیں (Hugging Face بلاگ، 17 اپریل 2026)۔ ایک جانشین، GR00T N2، مارچ 2026 میں GTC میں ایک «world action model» کے طور پر پیش کیا گیا جو عمل کرنے سے پہلے مستقبل کی حالتوں کی پیش گوئی کرتا ہے؛ NVIDIA کے کلیدی خطاب کا دعویٰ کہ یہ سرکردہ بنیادی خطوط سے «دو گنا سے زیادہ بار» نئے کاموں میں کامیاب ہوتا ہے، ستمبر 2026 تک، آزمائے جانے کے بجائے ایک غیر جاری کردہ مصنوعاتی دعویٰ ہی ہے۔
Google DeepMind کا RT-2 کا جانشین، Gemini Robotics 2 (جسے ER 2 بھی کہا جاتا ہے)، اوپری جسم کے مظاہروں سے Apptronik کے Apollo 2 پر مکمل جسم کے انسان نما کنٹرول کی طرف بڑھا، بشمول گرہ باندھنے اور تھیلے بند کرنے جیسے کاموں کے لیے 22-درجہ آزادی کے پانچ انگلیوں والے ہاتھ کی کمانڈ۔ DeepMind کے اپنے ظاہر کردہ اعداد اس شعبے میں سب سے کھرے ہیں: مکمل جسم کی ہیرا پھیری پر 45.7–76.3% کامیابی اور کثیر-انگلی مہارت پر انتہائی متغیر 32–92%، جس میں DeepMind صاف طور پر بیان کرتا ہے کہ «کثیر-انگلی مہارتی ہیرا پھیری چیلنجنگ رہتی ہے» (DeepMind بلاگ، 30 جولائی 2026)۔ Bloomberg کی اپنی سرخی اس ریلیز پر اور بھی صاف تھی: Google کے روبوٹس «مہارت کے ساتھ جدوجہد کر رہے ہیں» (Bloomberg)۔
سب سے واضح پہلے-اور-بعد: Figure کا Helix 02
اس طریقہ کار کے تحت کیا بدلتا ہے اس کی سب سے واضح مثال Figure سے آتی ہے۔ اس کا اصل Helix نظام (فروری 2025) ایک دو-حصوں والا «System 1 / System 2» آرکیٹیکچر استعمال کرتا تھا: ایک 7-ارب-پیرامیٹر وژن-زبان ماڈل 7-9 Hz پر استدلال کرتا، جو ایک 80-ملین-پیرامیٹر ٹرانسفارمر کو کھلاتا جو 200 Hz پر عمدہ موٹر کنٹرول چلاتا، جو صرف تقریباً 500 گھنٹے کے ڈیٹا پر تربیت یافتہ تھا — Figure کہتا ہے کہ یہ پچھلے VLA ڈیٹا سیٹس کے حجم کا 5% سے کم ہے (Figure بلاگ، 20 فروری 2025)۔
Helix 02، جو جنوری 2026 میں جاری ہوا، نے ایک تیسری تہہ شامل کی جسے Figure «System 0» کہتا ہے: ایک 10-ملین-پیرامیٹر، 1kHz مکمل جسم کے توازن کنٹرولر جو مکمل طور پر سمولیشن میں 200,000 سے زیادہ ماحول کے ساتھ ساتھ 1,000 سے زیادہ گھنٹے کی دوبارہ ہدف بند کردہ انسانی حرکت پر تربیت یافتہ ہے۔ Figure کی اپنی وضاحت کہ اس نے کیا تبدیل کیا، اس شعبے میں کہیں بھی دستیاب سب سے تیز پرانے-بمقابلہ-نئے موازنے میں سے ایک ہے: System 0 «مستحکم، فطری حرکت کے لیے ایک واحد نیورل پرائر کے ساتھ ہاتھ سے انجینئر کی گئی C++ کی 109,504 لائنیں تبدیل کرتا ہے» (Figure بلاگ، 27 جنوری 2026)۔ یہ روایتی-روبوٹکس کا نمونہ ہے — گنی گئی، ہاتھ سے ٹیون کردہ کنٹرول منطق — جسے ایک سیکھے ہوئے ماڈل سے مکمل طور پر تبدیل کیا جا رہا ہے، ایک کمپنی کے اپنے بیان میں۔ Figure نے چار منٹ کا، 61-عمل کا ڈش واشر لوڈنگ کا کام بغیر کسی انسانی ری سیٹ کے دکھایا، جبکہ اسی ریلیز میں خبردار کیا کہ «نتائج ابتدائی ہیں»۔
Boston Dynamics اور Toyota Research Institute Atlas انسان نما پر «Large Behavior Model» کام سے ایک متعلقہ لیکن زیادہ ناپا تلا نتیجہ رپورٹ کرتے ہیں: وہ صلاحیتیں جن کے لیے کبھی ہاتھ سے پروگرامنگ درکار ہوتی تھی اب نئے کوڈ کے بغیر شامل کی جا سکتی ہیں، کیونکہ ایک ماڈل کے پاس پورے روبوٹ کا براہِ راست کنٹرول ہوتا ہے (Boston Dynamics بلاگ، اگست 2025)۔ 2026 کے ایک فالو اپ مطالعے نے پایا کہ کام-مخصوص فائن ٹیوننگ کے بعد، کوئی پہلے سے تربیت یافتہ رویاتی ماڈل شروع سے تربیت کے مقابلے میں تقریباً 3-5 گنا کم کام-مخصوص ڈیٹا کا محتاج تھا اور بدلتے حالات کے لیے زیادہ مضبوط تھا (TRI) — ایک حقیقی، محدود کارکردگی کا فائدہ، کھلے عام عمومیت کا ثبوت نہیں۔
Tesla کا Optimus پروگرام شفافیت پر اس شعبے کا سب سے واضح مستثنیٰ ہے۔ Elon Musk اور Ashok Elluswamy، جنہوں نے جون 2025 میں Optimus سنبھالا، وہی «فوٹونز اندر، کنٹرولز باہر» سرے سے سرے تک آرکیٹیکچر بیان کرتے ہیں جو Tesla اپنے ڈرائیور-معاونت سافٹ ویئر کے لیے استعمال کرتا ہے۔ DeepMind، NVIDIA، Physical Intelligence، یا Figure کے برعکس، Tesla نے اس آرکیٹیکچر پر کوئی تکنیکی مقالہ شائع نہیں کیا ہے — صرف کانفرنس کے تبصرے اور آمدنی کال کی تفسیر (Not a Tesla App، Tesla کے Q2 2026 آمدنی کال کا خلاصہ، اگست 2026)۔
تنگ ریکارڈز عمومی اہلیت نہیں
Beijing میں World Humanoid Robot Games (22-26 اگست 2026) تنگ اور عمومی صلاحیت کے درمیان فرق کو ٹھوس بناتے ہیں۔ 666 ٹیموں کے 2,056 روبوٹس میں سے، ایک مشین، Tiangong Ultra، نے 100 میٹر کی دوڑ 8.64 سیکنڈ میں مکمل کی — Usain Bolt کے 9.58 سیکنڈ کے انسانی عالمی ریکارڈ سے تیز۔ اسی ٹورنامنٹ میں، فٹ بال، باکسنگ، اور وزن اٹھانے کے مقابلوں کی کوریج نے روبوٹس کو غیر ساختہ، رابطہ-بھاری حالات میں جدوجہد کرتے بیان کیا (Al Jazeera)۔ ایک دہرایا جا سکنے والا، انجینئرڈ اسپرنٹ کسی غیر متوقع ماحول میں لچکدار اہلیت جیسی کامیابی نہیں، اور یہ کھیل اس خلا کو خلاصے میں نہیں بلکہ اسی ہفتے میں واضح کرتے ہیں۔
زمین سے جڑا نظریہ
Vincent Vanhoucke، جو Google DeepMind میں روبوٹکس کی سربراہی کرتے ہیں، اس پورے رجحان پر دستیاب سب سے تیز حقیقت کی جانچ پیش کرتے ہیں: «زیادہ تر — اگر سب نہیں — روبوٹ سیکھنے کے طریقے کسی بھی عملی کام کے لیے تعینات نہیں کیے جا سکتے،» کیونکہ حقیقی تعیناتی کو «99.X فیصد یا اس سے زیادہ درستگی اور اعتماديت» درکار ہوتی ہے جہاں تعلیمی مظاہرے تقریباً 80% کامیابی رپورٹ کرتے ہیں — ان کے الفاظ میں، «ایک بنیادی طور پر مختلف جانور»، کوئی اسکیلنگ مسئلہ نہیں جسے مزید ڈیٹا سے حل کیا جا سکے (IEEE Spectrum، 28 مئی 2024)۔
Rodney Brooks، MIT کے روبوٹکس ماہر جنہوں نے iRobot اور Rethink Robotics کی شریک بنیاد رکھی، اس بات پر مزید زور دیتے ہیں کہ ویڈیو-نقالی کی تربیت خاص طور پر کیوں غلط بنیاد ہو سکتی ہے: چھونا ایک ایسا چینل شامل کرتا ہے جسے موجودہ پائپ لائنیں کبھی نہیں پکڑتیں، اپنے حوالہ دیے گئے نیورو سائنس تحقیق کے ساتھ جو انسانی جلد میں کم از کم پندرہ الگ چھونے کی حس رکھنے والے نیورونز کے خاندانوں کی نشاندہی کرتی ہے۔ وہ آج کے ہیرا پھیری کے مظاہروں کو ابتدائی اور محدود قرار دیتے ہیں، اور اس دعوے کو مسترد کرتے ہیں کہ انسان نما روبوٹس دہائیوں کے اندر انسانی سطح کی عمومی مہارت تک پہنچیں گے، اسے «خالص فینٹسی سوچ» قرار دیتے ہوئے (TechCrunch، 26 ستمبر 2025)۔
دونوں باتیں بیک وقت درست ہیں۔ فاؤنڈیشن-ماڈل طریقہ کار نے حقیقی، ناپی گئی کراس-روبوٹ منتقلی پیدا کی ہے جو ہاتھ سے کوڈ کیا گیا کنٹرول کبھی حاصل نہیں کر سکا، اور ہر قابلِ اعتماد لیبارٹری جو اعداد شائع کرتی ہے — صرف شکوک رکھنے والے نہیں — اس سے کہیں کم کامیابی کی شرحیں رپورٹ کرتی ہے جو صنعتی اور گھریلو اعتماديت کو اصل میں درکار ہے۔