অলঙ্করণ: tuput
বাংলা
ওপেনএআইয়ের হাত সবচেয়ে কঠিন কিউব সাজাতে পেরেছিল ১০ বারের মধ্যে ২ বার, সিমুলেশনে প্রায় ১৩,০০০ বছরের অনুশীলনের পর। তারপর থেকে ল্যাবগুলো যোগ করেছে মানুষের দেখানো ধাপ, স্পর্শ সেন্সর আর সস্তা হাত, আর গুগল ডিপমাইন্ডের ২০২৬ সালের জুলাইয়ের সংখ্যা পাঁচ আঙুলের হাতের জন্য ৩২ থেকে ৯২ শতাংশ পর্যন্ত।
ওপেনএআইয়ের রোবট হাত সবচেয়ে কঠিনভাবে এলোমেলো করা রুবিকস কিউব মেলাতে পেরেছিল ১০ বারের চেষ্টার মধ্যে ২ বার, তার সেরা সেটআপে, সিমুলেশনে প্রায় ১৩,০০০ বছরের সমান অনুশীলনের পর। সেটা জানানো গবেষণাপত্র আরএক্সিভে ওঠে ২০১৯ সালের ১৬ অক্টোবর। তারপর থেকে ল্যাবগুলো রোবট হাতকে শিখিয়েছে মানুষের দেখানো ধাপ, স্পর্শ সেন্সর আর সস্তা যন্ত্রাংশ দিয়েও। পাঁচ আঙুলের হাতের সবচেয়ে নতুন মাপা ফল, গুগল ডিপমাইন্ডের ২০২৬ সালের ৩০ জুলাইয়ের, কাজ অনুযায়ী ৩২ থেকে ৯২ শতাংশ।
নিচের প্রতিটা সংখ্যা নামকরা ল্যাব তার নিজের গবেষণাপত্রে বা ঘোষণায় যা জানিয়েছে, তা-ই। বেশিরভাগই এসেছে আলাদা রোবট, আলাদা বস্তু আর সাফল্যের আলাদা সংজ্ঞা থেকে, তাই এগুলো কোনো র্যাঙ্কিং তালিকা নয়।
ওপেনএআইয়ের কিউব-হাত আসলে কী করেছিল
রোবটটা ছিল শ্যাডো ডেক্সটেরাস ই সিরিজ হ্যান্ড, পাঁচ আঙুলের মানুষের মতো হাত, আর কিউবের দিকে তাকিয়ে ছিল তিনটে আরজিবি ক্যামেরা। ওপেনএআই কন্ট্রোল পলিসি আর ভিশন সিস্টেম, দুটোকেই পুরোপুরি সিমুলেশনে প্রশিক্ষণ দিয়ে তারপর আসল হাতে বসায়। যে কৌশলের কৃতিত্ব তারা দেয়, তার নাম স্বয়ংক্রিয় ডোমেইন র্যান্ডমাইজেশন: সিমুলেটর ক্রমাগত পৃথিবীর আরও কঠিন রূপ বানাতে থাকে, যাতে পলিসি কোনো একটা রূপের উপর নির্ভর করতে না পারে।
গবেষণাপত্র কিউব পলিসির মোট প্রশিক্ষণ-অভিজ্ঞতা ধরেছে প্রায় ১৩ হাজার বছর, চলেছে ৬৪টা এনভিডিয়া V100 গ্রাফিক্স চিপ আর ৯২০টা ওয়ার্কার মেশিনে, প্রতিটায় ৩২টা প্রসেসর কোর।
আসল রোবটের ফল আছে একটা সারণিতে, প্রতি পলিসির দশটা করে পরীক্ষায়। সেরা পলিসি, যাকে কিউবের তলের কোণ জানানো হয়েছিল একটা গিকার সেন্সর দিয়ে, ১৫ বার তল ঘোরানো লাগে এমন একটা এলোমেলো কিউব সমাধান করেছিল ৬০ শতাংশ পরীক্ষায়, আর ২৬ বার ঘোরানোর সবচেয়ে খারাপ এলোমেলো কিউব ২০ শতাংশে। শুধু দৃষ্টি দিয়ে তলের কোণ পড়লে একই পলিসি পেরেছিল ২০ শতাংশ আর ০ শতাংশ। কিউব পড়ে গেলে, বা হাত ১,৬০০ টাইমস্টেপের মধ্যে, মানে প্রায় ১২৮ সেকেন্ডে, শেষ করতে না পারলে পরীক্ষা শেষ ধরা হত। গবেষণাপত্র জানায়, ভুল তল ঘুরে গেলে বা কিউব পিছলে গেলে পলিসি সাধারণত আবার ধরে সামলে নিত।
মানুষের হাত দেখে শেখা
সিমুলেশনই হাতকে শেখানোর একমাত্র পথ নয়। একজন মানুষ রোবটকে কাজটা দেখিয়ে দিতে পারে, আর রোবট নড়াচড়াটা নকল করে। ২০২৩ সালের এপ্রিলে টনি ঝাও, বিকাশ কুমার, সের্গেই লেভিন আর চেলসি ফিন প্রকাশ করেন ALOHA, একটা সস্তা দুই বাহুর ব্যবস্থা, যা চলে বিশেষভাবে বানানো টেলিঅপারেশন ইন্টারফেসে, মানে একজন মানুষ রোবটকে দূর থেকে চালায়। তাঁদের অ্যালগরিদম, অ্যাকশন চাংকিং উইথ ট্রান্সফর্মার্স, ছয়টা বাস্তব কাজ শিখেছিল, যার মধ্যে ছিল আধা-স্বচ্ছ সসের কাপ খোলা আর ব্যাটারি খাঁজে বসানো, ৮০ থেকে ৯০ শতাংশ সাফল্যে, প্রায় ১০ মিনিটের দেখানো ধাপ দিয়ে। প্রকল্পের পাতা বলছে হার্ডওয়্যার বানানো হয়েছিল ২০,০০০ ডলারের বাজেটে।
এরপর এল অনেক ল্যাবের দেখানো ধাপ একসঙ্গে জড়ো করা। ২০২৩ সালের অক্টোবরে প্রকাশিত Open X-Embodiment গবেষণাপত্র ২১টা প্রতিষ্ঠানের ২২টা রোবটের তথ্য একত্র করেছিল, ৫২৭টা দক্ষতা জুড়ে। উদীয়মান দক্ষতার পরীক্ষায় এর RT-2-X মডেল পেয়েছিল ৭৫.৮ শতাংশ, আর RT-2 পেয়েছিল ২৭.৩ শতাংশ। লেখকরা বলেছেন তাঁরা সংবেদন আর চালনায় খুব আলাদা রোবট পরীক্ষা করেননি, আর নতুন রোবটে সাধারণীকরণ নিয়েও গবেষণা করেননি।
কুই ও সহকর্মীরা ২০২৫ সালের অক্টোবরে লিখেছেন, একটা নিপুণ বাহু আর হাতের হাতে-চালানো টেলিঅপারেশন মানুষ চালকদের উপর অতিরিক্ত চাপ ফেলে। তাঁদের সমাধানে কাজ ভাগ হয়: একজন মানুষ ভার্চুয়াল রিয়ালিটির মাধ্যমে বাহুকে পথ দেখায়, আর একটা শেখা পলিসি স্পর্শ আর ক্যামেরার ফিডব্যাক নিয়ে আঙুল চালায়। তাঁরা জানিয়েছেন নানা রকম বস্তুতে, অদেখাগুলোও ধরে, ৯০ শতাংশ সাফল্য। ২০২৫ সালের জুনে এলভিস নাভা, রবার্ট কাটজশম্যান ও সহকর্মীরা বর্ণনা দেন mimic-one-এর, ১৬ ডিগ্রি অফ ফ্রিডমের একটা হাত, গ্লাভ আর ভিআর-এ দেখানো ধাপ থেকে প্রশিক্ষিত, আউট-অফ-ডিস্ট্রিবিউশন পরীক্ষায় সাফল্য ৯৩.৩ শতাংশ পর্যন্ত, মানে এমন পরিস্থিতিতে যা প্রশিক্ষণের তথ্য থেকে আলাদা ছিল।
রোবট নিজের ভুল থেকেও শিখতে পারে। ফিজিক্যাল ইন্টেলিজেন্সের pi*0.6 গবেষণাপত্র, প্রকাশ ২০২৫ সালের ১৮ নভেম্বর, RECAP নামের একটা প্রশিক্ষণ পদ্ধতি বর্ণনা করে, যা মেশায় মানুষের দেখানো ধাপ, রোবটের নিজের চেষ্টা আর একজন মানুষ টেলিঅপারেটরের সংশোধন। কোম্পানি জানাচ্ছে, ফলে পাওয়া মডেল আসল বাড়িতে কাপড় ভাঁজ করে, বাক্স জোড়া দেয় আর এসপ্রেসো পানীয় বানায়, আর কিছু সবচেয়ে কঠিন কাজে পদ্ধতিটা কাজ শেষ করার হার (থ্রুপুট) দ্বিগুণেরও বেশি করে আর ব্যর্থতার হার প্রায় অর্ধেক করে। কাপড় ভাঁজও সেই কাজ, যা মোরাভেকের প্যারাডক্স নিয়ে tuput-এর আগের লেখা তার শিরোনামের প্রধান উদাহরণ হিসেবে নিয়েছিল।
আঙুলের ডগায় স্পর্শের বোধ দেওয়া
F-TAC Hand, জিহাং ঝাও, কাসপার অ্যাল্টহোফার আর সং-চুন ঝু-সহ একটা দলের তৈরি, তার পৃষ্ঠের ৭০ শতাংশ জুড়ে ০.১ মিলিমিটার স্থানিক রেজোলিউশনের স্পর্শ-সংবেদন বহন করে। প্রিপ্রিন্ট আসে ২০২৪ সালের ১৯ ডিসেম্বর, আর কুইন মেরি ইউনিভার্সিটি অফ লন্ডন নেচার মেশিন ইন্টেলিজেন্সে প্রকাশিত সংস্করণ ঘোষণা করে ২০২৫ সালের ৯ জুন। লেখকরা জানান, ৬০০টা বাস্তব পরীক্ষায় স্পর্শ-সক্ষম হাত জটিল কাজে স্পর্শহীন বিকল্পগুলোকে হারিয়েছে (p-মান ০.০০০১-এর নিচে)।
মেটার এআই গবেষণা গোষ্ঠী ২০২৪ সালের ৩১ অক্টোবর Digit 360 আঙুলের ডগা প্রকাশ করে। মেটা বলছে এতে ৮ মিলিয়নের বেশি ট্যাক্সেল (স্পর্শ বোঝার পিক্সেল) আছে, ১ মিলিনিউটনের মতো ক্ষুদ্র বলও ধরা পড়ে, আর এর সঙ্গে জোড়া Sparsh, একটা স্পর্শ মডেল, যা ৪,৬০,০০০-এর বেশি স্পর্শ-ছবিতে আগে থেকে প্রশিক্ষিত। জেলসাইটের Digit 360 বানানোর কথা ছিল, আর ওয়নিক রোবটিক্সের একটা স্পর্শ-সক্ষম অ্যালেগ্রো হ্যান্ড বানানোর, দুটোরই ব্যাপক প্রাপ্যতার পরিকল্পনা ছিল ২০২৫ সালের জন্য।
স্পর্শ জটিল হতেই হবে এমন নয়। চি ইয়ে ও সহকর্মীদের সায়েন্স রোবটিকসের একটা গবেষণাপত্র, যার প্রতিবেদন ২০২৬ সালের ১৭ ফেব্রুয়ারি, ব্যবহার করেছে সস্তা চার আঙুলের লিপ হ্যান্ড, একটা সাধারণ ওয়েবক্যাম আর স্পর্শ হয়েছে কি হয়নি, এমন সাধারণ সেন্সর, দৃষ্টি আর স্পর্শ মেশানো মানুষের দেখানো ধাপে আগে থেকে প্রশিক্ষণের পর। হাতটা আটটা কাজ সম্পন্ন করেছে সামগ্রিক ৭৩ শতাংশ সাফল্যের হারে, আর সিমুলেশনে অনুশীলন করা পাঁচটায় ৮৫ শতাংশ। তিনটে অদেখা কাজ, যার মধ্যে ছিল পেনসিল ছুঁচলো করা আর স্ক্রু খোলা, ফিজ.অর্গের (Phys.org) প্রতিবেদনে ‘বেশিরভাগ সময়’ সম্পন্ন হয়েছে বলা আছে, কোনো সংখ্যা সেখানে নেই। তালিকাভুক্ত ব্যর্থতার মধ্যে আছে ছোট বোতলের ঢাকনা, যা ঘোরানোর মতো টর্ক হাতটার নেই, আর কলের হাতলের সরু খাঁজে আঙুল আটকে যাওয়া।
সস্তা হাত, আর মোটরের বদলে তার
কেনেথ শ, অনন্য আগরওয়াল আর দীপক পাঠক ২০২৩ সালের সেপ্টেম্বরে লিখেছিলেন, নিপুণ হাতের কাজের জন্য শেখার পদ্ধতিগুলো বেশিরভাগ সিমুলেশনেই আটকে ছিল, উপযুক্ত হার্ডওয়্যারের অভাবে। তাঁদের লিপ হ্যান্ডের দাম প্রায় ২,০০০ ডলার, আর সহজে মেলে এমন যন্ত্রাংশ থেকে জোড়া লাগাতে চার ঘণ্টা লাগে। সারসংক্ষেপ বলছে এটা এর সবচেয়ে কাছের প্রতিযোগী অ্যালেগ্রো হ্যান্ডের দামের প্রায় আটভাগের একভাগ।
কিছু নতুন হাত আঙুল নাড়ায় তার দিয়ে, যাকে বলে টেন্ডন। mimic-one তেমন একটা। Ruka-v2-ও তাই, লেরেল পিন্টো আর ইরমাক গুজে-সহ একটা দলের, প্রকাশ ২০২৬ সালের ২৭ মার্চ। এটা আসল Ruka-র সঙ্গে যোগ করেছে দুই ডিগ্রি অফ ফ্রিডমের কব্জি আর পাশে আঙুল নাড়ানোর ক্ষমতা। লেখকদের কথায় আসল Ruka ১,৩০০ ডলারের নিচে বানানো যেত। টেলিঅপারেট করা কাজের ব্যবহারকারী গবেষণায় Ruka-v2 আসলটার তুলনায় কাজ শেষ করার সময় ৫১.৩ শতাংশ কমিয়েছে আর সাফল্য ২১.২ শতাংশ বাড়িয়েছে। এটা ১৩টা কাজে টেলিঅপারেট করা হয়েছে, আর তার ৩টা নিজে নিজে শিখেছে।
সিমুলেশন ফিরে এল
সিমুলেশন তার জায়গা হারায়নি। তোরু লিন, জিতেন্দ্র মালিক, ইউকে ঝু ও সহকর্মীরা ২০২৫ সালের ফেব্রুয়ারিতে জানান, দুটো বহু-আঙুলের হাতওয়ালা একটা ফুরিয়ার জিআর১ হিউম্যানয়েডের জন্য সিমুলেশনে প্রশিক্ষিত একটা রিইনফোর্সমেন্ট-লার্নিং পাইপলাইন। তাঁরা জানান দেখা বস্তুতে প্রায় ৯০ শতাংশ আর নতুন বস্তুতে ৬০ থেকে ৮০ শতাংশ সাফল্য। কাজ ধরে, সেরা পলিসি গড়ে পেয়েছে ধরা-আর-পৌঁছানোতে ৬২.৩ শতাংশ, বাক্স তোলায় ৮০ শতাংশ আর দুই হাতে হস্তান্তরে ৫২.৫ শতাংশ, প্রতি বস্তুতে দশটা পরীক্ষায়। লেখকদের সন্দেহ, হস্তান্তরের নিচু সংখ্যার কারণ সিমুলেটেড পদার্থবিদ্যায় শুধু সরল র্যান্ডমাইজেশন ব্যবহার, আর তাঁরা বলেন এই সক্ষমতা সাধারণ-উদ্দেশ্যের, মানুষ-স্তরের নিপুণতা থেকে অনেক দূরে।
২০২৬ সালের ফেব্রুয়ারির একটা গবেষণাপত্র, DexRepNet++, ৪০টা বস্তুতে প্রশিক্ষিত একটা পলিসির জন্য সিমুলেশনে ৮৭.৯ শতাংশ ধরার সাফল্য জানায়, পরীক্ষিত ৫,০০০-এরও বেশি অদেখা বস্তুতে। এর সারসংক্ষেপ সিমুলেশন আর আসল হার্ডওয়্যারের মধ্যে ছোট ফাঁকের কথা বলে, কিন্তু বাস্তব জগতের সাফল্যের কোনো হার দেয় না।
ডিপমাইন্ডের ২০২৬ সালের জুলাইয়ের পাঁচ আঙুলের সংখ্যা
২০২৬ সালের ৩০ জুলাই গুগল ডিপমাইন্ড ঘোষণা করে Gemini Robotics 2। মডেলটা অ্যাপট্রনিকের Apollo 2 হিউম্যানয়েডের পাঁচ আঙুলের, ২২ ডিগ্রি অফ ফ্রিডমের SharpaWave হাত চালায়। ডিপমাইন্ডের পোস্ট ওই হাতের জন্য এই সাফল্যের হারগুলো দিয়েছে: বাল্ব খুলে ফেলা ৯২ শতাংশ, বাল্ব লাগানো ৩৬ শতাংশ, ময়লার ব্যাগে গিঁট দেওয়া ৪৪ শতাংশ, ডাস্টপ্যানের কাজ ৩২ শতাংশ আর জিপলক ব্যাগ ৪০ শতাংশ। Franka Duo প্ল্যাটফর্মে দুই আঙুলের গ্রিপারে তারা জানিয়েছে সাধারণ পিক অ্যান্ড প্লেসে ৭৪.২ শতাংশ, সরঞ্জাম গুছিয়ে কিট বানানোয় ৭৮.৯ শতাংশ আর নিখুঁত ঢোকানোয় ৮৯.৬ শতাংশ।
ডিপমাইন্ডের পোস্ট বলছে বহু-আঙুলের নিপুণ কাজ এখনও কঠিন। আরও বলছে নতুন দুই বাহুর রোবটকে সাধারণত ২০০-এর কম উদাহরণ দিয়ে মানিয়ে নেওয়া যায়।
tuput-এর ২০২৬ সালে হিউম্যানয়েডের পাইলট কর্মসূচি নিয়ে প্রতিবেদন এই যন্ত্রগুলোর কারখানা আর বিমানবন্দরের দিকটা তুলে ধরেছে।
যা এখনও ব্যর্থ হয়
প্রথম সমস্যা তুলনা। ওয়েইগুয়াং ঝাও ও সহকর্মীদের ২০২৬ সালের মে মাসের নিপুণ-হাত গবেষণার একটা সমীক্ষা বলছে, গবেষণাগুলো রোবট, সেন্সর, কাজ, প্রশিক্ষণের তথ্য আর মূল্যায়ন নিয়ে ভিন্ন ভিন্ন ধরে নেয়, ফলে নিয়মমাফিক তুলনা কঠিন।
দ্বিতীয়টা ডেমো আর অদেখা বস্তুর মধ্যে ফাঁক। ২০১৯ সালের কিউব-হাত সবচেয়ে খারাপ এলোমেলো কিউব সমাধান করেছিল ১০ বারের মধ্যে ২ বার, লিন ও সহকর্মীদের নতুন-বস্তুর সংখ্যা তাঁদের দেখা-বস্তুর সংখ্যার পেছনে, আর ডিপমাইন্ডের জানানো পাঁচ আঙুলের পাঁচটা ফলের চারটা ৫০ শতাংশের নিচে, সবই ডিপমাইন্ডের নিজের পরীক্ষা থেকে। সায়েন্স রোবটিকসের দল টর্ক, আটকে যাওয়া আর পিছলে যাওয়াকে খোলা যান্ত্রিক সমস্যা বলে তালিকাভুক্ত করেছে।
তৃতীয়টা প্রাপ্যতা আর গতি। দ্য রোবট রিপোর্টের ২০২৬ সালের ২ আগস্টের প্রতিবেদন অনুযায়ী, ডিপমাইন্ড Gemini Robotics 2 মডেল আর তার অন-ডিভাইস সংস্করণ শুধু আর্লি-অ্যাক্সেস অংশীদারদের জন্য সীমিত রেখেছে, আর বলেছে রোবটের নড়াচড়ার গতিতে আরও এগোনোর আছে।
সূত্র ও আরও পড়ার জন্য
- OpenAI: Solving Rubik's Cube with a Robot Hand (arXiv:1910.07113 abstract, 16 October 2019)
- OpenAI: Solving Rubik's Cube with a Robot Hand (full text, results tables)
- Zhao, Kumar, Levine and Finn: Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ALOHA, arXiv:2304.13705)
- ALOHA project page (Tony Zhao)
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models (arXiv:2310.08864)
- Open X-Embodiment, full text with Tables I and II
- Shaw, Agarwal and Pathak: LEAP Hand, Low-Cost, Efficient, and Anthropomorphic Hand for Robot Learning (arXiv:2309.06440)
- Zhao et al.: Embedding high-resolution touch across robotic hands enables adaptive human-like grasping (F-TAC Hand, arXiv:2412.14482)
- Queen Mary University of London: Robotic hand with human-like touch (9 June 2025)
- Meta FAIR: Digit 360 and Sparsh tactile releases (31 October 2024)
- Phys.org / TechXplore: Robot hand approaches human-like dexterity with visual-tactile training (Science Robotics, 17 February 2026)
- Nava et al.: mimic-one, a Scalable Model Recipe for General Purpose Robot Dexterity (arXiv:2506.11916)
- Liu et al.: Ruka-v2, Tendon Driven Open-Source Dexterous Hand (arXiv:2603.26660)
- Cui et al.: End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy (arXiv:2511.00139)
- Physical Intelligence: pi*0.6, a VLA That Learns From Experience (arXiv:2511.14759)
- Lin et al.: Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids (arXiv:2502.20396)
- Liu et al.: DexRepNet++ (arXiv:2602.21811)
- Google DeepMind: Gemini Robotics 2 brings whole body intelligence to robots (30 July 2026)
- The Robot Report: Google DeepMind says Gemini Robotics 2 enables full-body control (2 August 2026)
- Zhao et al.: Towards Robotic Dexterous Hand Intelligence, A Survey (arXiv:2605.13925)
এই লেখাটি AI সরঞ্জামের সহায়তায় গবেষণা ও রচনা করা হয়েছে এবং নির্ভুলতার জন্য সম্পাদনা করা হয়েছে। এটি কেবল সাধারণ তথ্য ও আলোচনার জন্য, পেশাদার পরামর্শ নয়। আমাদের সম্পাদকীয় মান ও দাবিত্যাগ দেখুন। কোনো ভুল চোখে পড়ল? আমাদের জানান।
ভালো লাগল? পরেরটিও পড়ুন।
একবারে একটি ভালো লেখা, সরাসরি আপনার ইনবক্সে। কোনো স্প্যাম নয়, যখন খুশি বন্ধ করতে পারেন।
