चित्रण: tuput
हिन्दी
OpenAI का हाथ लगभग 13,000 साल के सिमुलेटेड अभ्यास के बाद सबसे कठिन क्यूब स्क्रैम्बल को 10 में से 2 कोशिशों में सुलझा पाया। तब से प्रयोगशालाओं ने इंसानी प्रदर्शन, स्पर्श सेंसर और सस्ते हाथ भी जोड़े हैं, और जुलाई 2026 में Google DeepMind के पाँच उँगलियों वाले हाथ के आँकड़े 32 से 92 प्रतिशत तक जाते हैं।
OpenAI के रोबोट हाथ ने अपनी सबसे अच्छी व्यवस्था के साथ सबसे कठिन रुबिक क्यूब स्क्रैम्बल को 10 में से 2 कोशिशों में सुलझाया, सिमुलेशन में लगभग 13,000 साल के बराबर अभ्यास के बाद। इसे बताने वाला शोधपत्र 16 अक्टूबर 2019 को arXiv पर आया। तब से प्रयोगशालाओं ने रोबोट के हाथों को इंसानी प्रदर्शनों, स्पर्श सेंसरों और सस्ते हार्डवेयर से भी सिखाया है, और पाँच उँगलियों वाले हाथ के सबसे नए नापे गए नतीजे, Google DeepMind के 30 जुलाई 2026 के, काम के हिसाब से 32 से 92 प्रतिशत तक जाते हैं।
नीचे का हर आँकड़ा वही है जो नामित प्रयोगशाला ने अपने शोधपत्र या घोषणा में बताया। इनमें से ज़्यादातर अलग-अलग रोबोटों, अलग-अलग वस्तुओं और सफलता की अलग-अलग परिभाषाओं से आते हैं, इसलिए यह कोई तालिका नहीं है कि कौन किससे आगे है।
OpenAI के क्यूब वाले हाथ ने असल में क्या किया
रोबोट एक Shadow Dexterous E Series Hand था, पाँच उँगलियों वाला ह्यूमनॉइड हाथ, जिसके साथ तीन RGB कैमरे क्यूब को देखते थे। OpenAI ने नियंत्रण नीति और दृष्टि प्रणाली दोनों को पूरी तरह सिमुलेशन में प्रशिक्षित किया और फिर असली हाथ पर उतारा। जिस तकनीक को वह श्रेय देता है, वह स्वचालित डोमेन रैंडमाइज़ेशन है: सिमुलेटर दुनिया के लगातार कठिन होते रूप बनाता रहता है, ताकि नीति किसी एक रूप पर भरोसा न कर सके।
शोधपत्र क्यूब की नीति के कुल प्रशिक्षण अनुभव को लगभग 13 हज़ार साल बताता है, जो 64 NVIDIA V100 ग्राफ़िक्स चिप और 32-32 प्रोसेसर कोर वाली 920 वर्कर मशीनों पर चला।
असली रोबोट के नतीजे हर नीति के दस परीक्षणों वाली एक तालिका में हैं। सबसे अच्छी नीति ने, क्यूब के फलकों के कोण Giiker सेंसर से दिए जाने पर, 15 फलक घुमाने वाले स्क्रैम्बल को 60 प्रतिशत परीक्षणों में सुलझाया और 26 घुमावों वाले सबसे बुरे स्क्रैम्बल को 20 प्रतिशत में। फलकों के कोण पढ़ने के लिए सिर्फ़ दृष्टि का इस्तेमाल करने पर वही नीति 20 प्रतिशत और 0 प्रतिशत तक पहुँची। परीक्षण तब ख़त्म हो जाता था जब क्यूब गिर जाए या हाथ 1,600 टाइमस्टेप में, यानी करीब 128 सेकंड में, काम पूरा न कर पाए। शोधपत्र बताता है कि नीति आम तौर पर तब सँभल जाती थी जब वह ग़लत फलक घुमा देती या क्यूब फिसल जाता, दोबारा पकड़कर।
इंसान के हाथों से सीखना
हाथ को सिखाने का तरीका सिर्फ़ सिमुलेशन नहीं है। कोई इंसान रोबोट को काम दिखा सकता है, और रोबोट उस हरकत की नकल करता है। अप्रैल 2023 में टोनी झाओ, विकाश कुमार, सर्गेई लेविन और चेल्सी फ़िन ने ALOHA प्रकाशित किया, एक सस्ता द्विहस्त (दो भुजाओं वाला) तंत्र जो एक ख़ास टेलीऑपरेशन इंटरफ़ेस से चलता है, यानी कोई इंसान रोबोट को दूर से चलाता है। उनके एल्गोरिदम, Action Chunking with Transformers, ने असली दुनिया के छह काम सीखे, जिनमें पारदर्शी चटनी का कप खोलना और बैटरी को खाँचे में बिठाना शामिल हैं, करीब 10 मिनट के प्रदर्शनों से 80 से 90 प्रतिशत सफलता के साथ। प्रोजेक्ट पन्ना कहता है कि हार्डवेयर 20,000 डॉलर के बजट में बना।
अगला क़दम कई प्रयोगशालाओं के प्रदर्शनों को एक जगह जमा करना था। अक्टूबर 2023 में डाले गए Open X-Embodiment शोधपत्र ने 21 संस्थानों के 22 रोबोटों का डेटा मिलाया, जिसमें 527 कौशल थे। उभरते कौशलों की परीक्षाओं में उसके RT-2-X मॉडल को 75.8 प्रतिशत मिले, जबकि RT-2 को 27.3 प्रतिशत। लेखक कहते हैं कि उन्होंने बहुत अलग संवेदन और गति-तंत्र वाले रोबोटों को नहीं परखा, और नए रोबोटों पर सामान्यीकरण का अध्ययन नहीं किया।
कुई और उनके साथियों ने अक्टूबर 2025 में लिखा कि कुशल भुजा और हाथ का हाथ से टेलीऑपरेशन इंसानी ऑपरेटरों पर बोझ डाल देता है। उनका हल काम को बाँट देता है: कोई इंसान वर्चुअल रियलिटी के ज़रिए भुजा को राह दिखाता है, जबकि एक सीखी हुई नीति स्पर्श और कैमरे के फ़ीडबैक से उँगलियाँ चलाती है। वे अलग-अलग वस्तुओं पर, अनदेखी वस्तुओं समेत, 90 प्रतिशत सफलता बताते हैं। जून 2025 में एल्विस नावा, रॉबर्ट काट्ज़मान और साथियों ने mimic-one का वर्णन किया, 16 स्वतंत्रता-कोटियों वाला एक हाथ जो दस्ताने और वीआर प्रदर्शनों से प्रशिक्षित हुआ, और जिसकी सफलता आउट-ऑफ-डिस्ट्रिब्यूशन परीक्षणों पर, यानी ऐसी स्थितियों में जो प्रशिक्षण के डेटा से अलग थीं, 93.3 प्रतिशत तक रही।
रोबोट अपनी ग़लतियों से भी सीख सकते हैं। Physical Intelligence का 18 नवंबर 2025 को डाला गया pi*0.6 शोधपत्र RECAP नाम की एक प्रशिक्षण पद्धति का वर्णन करता है, जो प्रदर्शनों, रोबोट की अपनी कोशिशों और इंसानी टेलीऑपरेटर के सुधारों को मिलाती है। कंपनी बताती है कि नतीजे में बना मॉडल असली घरों में कपड़े तह करता है, डिब्बे जोड़ता है और एस्प्रेसो पेय बनाता है, और कुछ सबसे कठिन कामों में यह पद्धति उत्पादन-दर को दोगुने से ज़्यादा करती है और विफलता की दर को लगभग आधा कर देती है। लॉन्ड्री वही घरेलू काम भी है जिसे tuput के पहले के मोरावेक के विरोधाभास वाले लेख ने अपनी सुर्खी के उदाहरण के तौर पर लिया था।
उँगलियों के सिरों को स्पर्श की समझ देना
F-TAC Hand, जो ज़िहांग झाओ, कास्पर अल्थोफ़र और सोंग-चुन झू समेत एक टीम का बनाया है, अपनी सतह के 70 प्रतिशत हिस्से पर 0.1 मिलीमीटर की स्थानिक विभेदन क्षमता से स्पर्श महसूस करता है। प्रीप्रिंट 19 दिसंबर 2024 को आया और क्वीन मैरी यूनिवर्सिटी ऑफ़ लंदन ने 9 जून 2025 को उसका Nature Machine Intelligence में छपा रूप घोषित किया। लेखक बताते हैं कि असली दुनिया के 600 परीक्षणों में स्पर्श वाले हाथ ने जटिल हेरफेर के कामों में बिना स्पर्श वाले विकल्पों को हराया (p का मान 0.0001 से कम)।
Meta की एआई शोध टीम ने 31 अक्टूबर 2024 को Digit 360 उँगली-सिरा जारी किया। Meta के अनुसार उसमें 8 मिलियन से ज़्यादा टैक्सेल (स्पर्श महसूस करने वाले पिक्सेल) हैं, वह 1 मिलीन्यूटन जितने छोटे बल पकड़ लेता है, और उसके साथ Sparsh है, एक स्पर्श मॉडल जो 460,000 से ज़्यादा स्पर्श-चित्रों पर पूर्व-प्रशिक्षित है। GelSight को Digit 360 बनाना था, और Wonik Robotics को स्पर्श वाला एक Allegro Hand, दोनों की व्यापक उपलब्धता 2025 के लिए सोची गई थी।
स्पर्श का जटिल होना ज़रूरी नहीं। क्यूई ये और साथियों के एक Science Robotics शोधपत्र ने, जिसकी रिपोर्ट 17 फ़रवरी 2026 को आई, चार उँगलियों वाले सस्ते LEAP Hand को एक आम वेबकैम और बुनियादी स्पर्श या बिना-स्पर्श सेंसरों के साथ इस्तेमाल किया, उन इंसानी प्रदर्शनों पर पूर्व-प्रशिक्षण के बाद जिनमें दृष्टि और स्पर्श साथ थे। हाथ ने अपने आठों काम कुल मिलाकर 73 प्रतिशत सफलता से पूरे किए, और सिमुलेशन में अभ्यास किए गए पाँच कामों में 85 प्रतिशत। जिन तीन अनदेखे कामों में पेंसिल छीलना और पेच खोलना शामिल थे, वे Phys.org की रिपोर्ट में “ज़्यादातर बार” पूरे हुए, जो कोई आँकड़ा नहीं देती। दर्ज विफलताओं में छोटे बोतल के ढक्कन हैं जिन्हें घुमाने लायक बल हाथ में नहीं है, और नल के हैंडल की संकरी खाँचों में फँसती उँगलियाँ।
सस्ते हाथ, और मोटरों की जगह तार
केनेथ शॉ, अनन्ये अग्रवाल और दीपक पाठक ने सितंबर 2023 में लिखा कि कुशल हेरफेर के सीखने वाले तरीके ज़्यादातर सिमुलेशन में ही रह गए थे क्योंकि उपयुक्त हार्डवेयर नहीं था। उनका LEAP Hand करीब 2,000 डॉलर का है और आसानी से मिलने वाले पुर्ज़ों से चार घंटे में जोड़ा जाता है। सार इसे उसके सबसे करीबी प्रतिस्पर्धी Allegro Hand की कीमत का लगभग आठवाँ हिस्सा बताता है।
कुछ नए हाथ उँगलियों को तारों से चलाते हैं, जिन्हें टेंडन कहा जाता है। mimic-one ऐसा ही एक है। Ruka-v2 भी, जो लेरेल पिंटो और इरमाक गुज़े समेत एक टीम का है और 27 मार्च 2026 को डाला गया। वह मूल Ruka में दो स्वतंत्रता-कोटियों वाली कलाई और उँगलियों की बगल की हरकत जोड़ता है, जिसे लेखकों के अनुसार 1,300 डॉलर से कम में बनाया जा सकता था। टेलीऑपरेशन वाले कामों के उपयोगकर्ता अध्ययनों में Ruka-v2 ने मूल की तुलना में पूरा होने का समय 51.3 प्रतिशत घटाया और सफलता 21.2 प्रतिशत बढ़ाई। उसे 13 कामों में टेलीऑपरेट किया गया, और उनमें से 3 उसने अपने आप सीखे।
सिमुलेशन लौट आया
सिमुलेशन ने अपनी जगह नहीं खोई। तोरु लिन, जितेंद्र मलिक, युके झू और साथियों ने फ़रवरी 2025 में सिमुलेशन में प्रशिक्षित एक रीइन्फ़ोर्समेंट-लर्निंग पाइपलाइन की जानकारी दी, जो कई उँगलियों वाले दो हाथों के साथ Fourier GR1 ह्यूमनॉइड के लिए है। वे देखी हुई वस्तुओं पर करीब 90 प्रतिशत सफलता और नई वस्तुओं पर 60 से 80 प्रतिशत बताते हैं। काम के हिसाब से, हर वस्तु के दस परीक्षणों पर, सबसे अच्छी नीति का औसत पकड़कर पहुँचने में 62.3 प्रतिशत, डिब्बा उठाने में 80 प्रतिशत और दो हाथों से सौंपने में 52.5 प्रतिशत रहा। लेखकों का अनुमान है कि सौंपने का कम आँकड़ा सिमुलेटेड भौतिकी के सिर्फ़ सरल रैंडमाइज़ेशन से आता है, और वे कहते हैं कि क्षमताएँ सामान्य-उद्देश्य, इंसानी स्तर के हेरफेर से बहुत दूर हैं।
फ़रवरी 2026 का एक शोधपत्र, DexRepNet++, 40 वस्तुओं पर प्रशिक्षित और 5,000 से ज़्यादा अनदेखी वस्तुओं पर परखी गई नीति के लिए सिमुलेशन में 87.9 प्रतिशत पकड़ सफलता बताता है। उसका सार सिमुलेशन और असली हार्डवेयर के बीच एक छोटे अंतर का वर्णन करता है लेकिन असली दुनिया की कोई सफलता दर नहीं देता।
जुलाई 2026 में DeepMind की पाँच उँगलियों के आँकड़े
30 जुलाई 2026 को Google DeepMind ने Gemini Robotics 2 की घोषणा की। मॉडल Apptronik के Apollo 2 ह्यूमनॉइड पर लगे पाँच उँगलियों वाले, 22 स्वतंत्रता-कोटियों के SharpaWave हाथ को नियंत्रित करता है। DeepMind की पोस्ट उस हाथ की ये सफलता दरें देती है: बल्ब खोलना 92 प्रतिशत, बल्ब कसना 36 प्रतिशत, कचरे की थैली बाँधना 44 प्रतिशत, डस्टपैन का काम 32 प्रतिशत और ज़िपलॉक थैली 40 प्रतिशत। Franka Duo प्लेटफ़ॉर्म पर दो उँगलियों वाले ग्रिपरों के लिए वह सामान्य पिक-एंड-प्लेस में 74.2 प्रतिशत, टूल किटिंग में 78.9 प्रतिशत और सटीक प्रवेश कराने में 89.6 प्रतिशत बताती है।
DeepMind की पोस्ट कहती है कि कई उँगलियों वाला कुशल हेरफेर अब भी चुनौतीपूर्ण है। वह यह भी कहती है कि नए द्विभुज रोबोटों को आम तौर पर 200 से कम उदाहरणों से ढाला जा सकता है।
tuput की 2026 में ह्यूमनॉइड पायलटों पर रिपोर्ट इन मशीनों के फ़ैक्टरी और हवाई अड्डे वाले पहलू को देखती है।
अब भी क्या नाकाम होता है
पहली समस्या तुलना की है। वेइगुआंग झाओ और साथियों का कुशल-हाथ शोध पर मई 2026 का सर्वेक्षण कहता है कि अध्ययन रोबोटों, सेंसरों, कामों, प्रशिक्षण डेटा और मूल्यांकन के बारे में अलग-अलग मान्यताएँ इस्तेमाल करते हैं, जिससे व्यवस्थित तुलना कठिन हो जाती है।
दूसरी समस्या डेमो और अनदेखी वस्तुओं के बीच का अंतर है। 2019 के क्यूब वाले हाथ ने सबसे बुरा स्क्रैम्बल 10 में से 2 परीक्षणों में सुलझाया, लिन और साथियों के नई वस्तुओं के आँकड़े देखी हुई वस्तुओं के आँकड़ों से पीछे हैं, और DeepMind के रिपोर्ट किए पाँच उँगलियों के पाँच नतीजों में से चार 50 प्रतिशत से नीचे हैं, सब DeepMind के अपने परीक्षणों से। Science Robotics की टीम बल, फँसने और फिसलने को खुली यांत्रिक समस्याओं के रूप में गिनाती है।
तीसरी समस्या पहुँच और रफ़्तार की है। द रोबोट रिपोर्ट की 2 अगस्त 2026 की कवरेज के अनुसार DeepMind Gemini Robotics 2 मॉडल और उसके डिवाइस पर चलने वाले संस्करण को शुरुआती पहुँच वाले साझेदारों तक सीमित रखता है, और कहता है कि रोबोटों को गति की रफ़्तार में अभी और आगे बढ़ना है।
स्रोत और आगे पढ़ने के लिए
- 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)
यह लेख AI उपकरणों की सहायता से शोधित और लिखा गया है, और सटीकता के लिए संपादित किया गया है। यह केवल सामान्य जानकारी और चर्चा के लिए है, पेशेवर सलाह नहीं। हमारे संपादकीय मानक और अस्वीकरण देखें। कोई त्रुटि मिली? हमें बताएँ।
अच्छा लगा? अगला लेख पाएँ।
एक बार में एक अच्छा लेख, सीधे आपके इनबॉक्स में। कोई स्पैम नहीं, जब चाहें अनसब्सक्राइब करें।
