सॅन फ्रान्सिस्कोच्या मिशन जिल्ह्यातील एका धातूच्या दरवाजावर "π" या चिन्हाने आतील नाविन्यपूर्ण कामाचे संकेत दिले आहेत. हे ठिकाण फिजिकल इंटेलिजन्स (PI किंवा π) या स्टार्टअपचे आहे, ज्याचे उद्दिष्ट रोबोट्सची बुद्धिमत्ता वाढवणे आहे, ज्यासाठी OpenAI आणि Jeff Bezos कडून $400 दशलक्षची गुंतवणूक मिळाली आहे. या कंपनीचे स्वप्न आहे की रोबोट्सला मानवीसारखा समज आणि कौशल्य देणे, ज्या माध्यमाने एआय मॉडेलमध्ये मोठ्या प्रमाणातील सेन्सर आणि हालचाल डेटा समाविष्ट केला जातो. आतून, क्रियाकलाप खूप तावात आहे: रोबोट्स टी-शर्ट्स दुमडतात आणि वस्तू हलवतात, तर एक माणूस वेबकॅमसह एक पिन्सर ऑपरेट करतो. कंपनीचे संस्थापक, समाविष्ट केलेले CEO करोळ हाऊसमन, असे मानतात की एआय रोबोट्सना सहज नियंत्रणाद्वारे नवीन कामांसाठी अनुकूल बनवू शकते, अचूक प्रोग्रामिंगऐवजी. मोठ्या भाषेमॉडेल्स (LLMs) जसे ChatGPT च्या यशाने प्रेरित, त्यांना वाटते की रोबोटिक्‍समध्येही अश्या प्रगती संभव आहे. आधीच्या काळी, LLMsने दाखवून दिले होते की ते पारंपरिक प्रोग्रामिंगशिवाय मुक्त असलेल्या कामांना सोडवू शकतात. या दृष्टिकोनांचे दृष्टिमॉडेल्सने प्रदान करून, रोबोट्सनी त्यांच्या सभोवतालचं मर्यादीत समज मिळवलं, ज्यामुळे अधिक माहितीपूर्ण कृती संभव झाली. सार्वजनिक प्रात्यक्षिकामध्ये त्याची क्षमता दाखवली गेली ज्यामध्ये प्रेक्षकांनी खंडांतराने एक रोबोट चालवला, त्याच्या समस्या सोडवण्याच्या कौशल्यांचे प्रदर्शन केले. शारीरिक क्षमतेला सुधारण्यासाठी, फिजिकल इंटेलिजन्स इतर संस्थांशी सहकार्य करते, विविध कामांमधून डेटा गोळा करून ट्रान्सफॉर्मर मॉडेल्सचा उपयोग करत आहे.

हा दृष्टिकोन आश्वासक परिणाम दाखवितो, भविष्याच्या अद्वितीय रोबोट कौशल्याची सूचना देतो, जसे की मूल साधारण पकडीपासून पियानो वाजवण्यापर्यंत शिक्षणाद्वारे प्रगती करते. स्टार्टअप्स आणि टेक दिग्गजांमधील मानवीय रोबोट्सच्या उत्साहाच्या मध्येमध्ये, काही तज्ञ शारीरिक परस्परसंवादाच्या गुंतागुंतीला मात करण्याबाबतीत संशय व्यक्त करतात. गोंधळाबद्दल चिंता आणि मोठ्या प्रमाणात रोबोट क्रियाकलाप डेटाच्या अभावाचा निर्देश केला जातो, कारण शारीरिक कामांमध्ये भाषाप्रक्रियनापेक्षा अधिक परिवर्ती असतात. तरीही आशावाद टिकून आहे; संभव आहे कि रोबोट्स मानवी प्रात्यक्षिकांमधून शिकतील, कदाचित YouTubeच्या व्हिडिओंमधून पाहून, आभासी आणि वास्तविक जगाच्या शिकवणीला एकत्र करत. फिजिकल इंटेलिजन्स विविध रोबोटिक् कामांमधून डेटा गोळा करण्यासाठी कंपन्यांशी भागीदारी द्वारे तिच्या प्रयत्नांना विस्तृत करण्याची योजना आखते. ते कस्टम हार्डवेअर विकसित करत आहेत जेणेकरून रोजच्या कामांच्या माध्यमाने संभाव्यतः क्राउडसोर्स प्रशिक्षणाचा उपयोग करता येईल. स्टार्टअपमधील अलीकडील घडामोडींनी मोठी मजल गाठलेली आहे: रोबोट्स अत्यंत गुंतागुंतीच्या घरगुती कामांची कुशलतेने अंमलबजावणी करत आहेत, त्यांची हालचाल जवळपास मानवीसारखी दिसते. LLMs आणि इमेज जनरेशन मॉडेल्सच्या मिश्रणाचा उपयोग करून, टीमने अजून अधिक सामान्य रोबोटिक क्षमतेची प्राप्ती केली आहे जी OpenAIच्या आरंभिक मॉडेल्ससारखी आहे. काही हासी करणाऱ्या चुका असूनही, टीम आशावादी आहे. त्यांचा "साधारण कृतीसंग्रह" रोबोट शिक्षणासाठी उत्साहवर्धक प्रगती दर्शवत आहे, जे सूचित करतो की एआयची प्रगत बुद्धिमत्ता फिजिकल जगामध्ये समाकलित करणे अधिकाधिक शक्य होत आहे.