Octopus Protocol: One-Shot Hardware Discovery and Control for AI Agents via Infrastructure-as-Prompts
ऑक्टोपस प्रोटोकॉल (Octopus Protocol) एक लैंग्वेज-मॉडल-संचालित कोडिंग एजेंट का उपयोग करके विविध हार्डवेयर के लिए टाइप किए गए कंट्रोल टूल्स को स्वचालित रूप से खोजने, इंटरफेस करने और तैनात करने के माध्यम से, एकल शेल कमांड द्वारा क्लोज्ड-लूप विजुअल-मोटर कंट्रोल को सक्षम बनाकर, AI एजेंट्स के लिए हार्डवेयर इंटीग्रेशन की इंजीनियरिंग लागत को समाप्त करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आपने अभी-अभी एक बिल्कुल नया, हाई-टेक रोबोटिक आर्म और एक कैमरा खरीदा है, लेकिन जब आप उन्हें अपने कंप्यूटर में प्लग करते हैं, तो कुछ भी नहीं होता। आमतौर पर, अगला कदम एक बुरा सपना होता है: आपको मोटी मैनुअल पढ़नी पड़ती है, जटिल कंप्यूटर कोड (ड्राइवर्स) लिखना पड़ता है ताकि आप अपने कंप्यूटर को सिखा सकें कि रोबोट से कैसे बात करनी है, और फिर उसे ठीक करने (डीबगिंग) में घंटों बिताने पड़ते हैं। यदि आप अपने कंप्यूटर का ऑपरेटिंग सिस्टम बदलते हैं, तो आपको यह सब फिर से करना होगा।
ऑक्टोपस प्रोटोकॉल (Octopus Protocol) एक ऐसा सिस्टम है जो इस सिरदर्द को पूरी तरह से खत्म कर देता है। यह नए हार्डवेयर को जोड़ने की प्रक्रिया को एक सिंगल कमांड में बदल देता है, जैसे पिज्जा ऑर्डर करना।
यह कैसे काम करता है, इसके लिए कुछ रोजमर्रा के उदाहरणों का उपयोग किया गया है:
1. "यूनिवर्सल ट्रांसलेटर" (पांच-चरणीय पाइपलाइन)
इंसान द्वारा कोड लिखने के बजाय, ऑक्टोपस एक AI "कोडिंग एजेंट" का उपयोग करता है जो एक सुपर-स्मार्ट, इंस्टेंट ट्रांसलेटर की तरह काम करता है। जब आप एक डिवाइस को प्लग करते हैं और कमांड चलाते हैं, तो एजेंट पांच त्वरित चरणों से गुजरता है:
- PROBE (जासूस): यह आपके कंप्यूटर के पोर्ट्स (जैसे USB या ब्लूटूथ) को स्कैन करता है ताकि यह देख सके कि क्या प्लग किया गया है, ठीक वैसे ही जैसे एक जासूस सुराग खोजने के लिए अपराध स्थल की जांच करता है।
- IDENTIFY (लाइब्रेरियन): यह देखता है कि वे डिवाइस वास्तव में क्या हैं और वे क्या कर सकते हैं। यह अनुमान नहीं लगाता; यह पुष्टि करने के लिए अपने "लाइब्रेरी" (डेटाबेस और वेब) की जांच करता है, "आह, यह एक 6-जॉइंट वाला रोबोटिक आर्म है, और यह अपने जॉइंट्स को विशिष्ट कोणों पर घुमा सकता है।"
- INTERFACE (आर्किटेक्ट): यह एक "रिमोट कंट्रोल" (जिसे MCP सर्वर कहा जाता है) के लिए एक ब्लूप्रिंट तैयार करता है। कोड को शून्य से लिखने के बजाय, यह 'टाइप्ड टूल्स' का एक सेट बनाता है (जैसे "जॉइंट 2 को हिलाएं" या "एक फोटो लें") जिसे कोई भी सॉफ्टवेयर समझ सके।
- SERVE (बिल्डर): यह तुरंत उस वास्तविक सॉफ्टवेयर का निर्माण करता है जो इन टूल्स को चलाता है। यह किसी बने-बनाए टेम्पलेट का उपयोग नहीं कर रहा है; यह आपके विशिष्ट हार्डवेयर के लिए उसी समय एक कस्टम घर बना रहा है।
- DEPLOY (डिलीवरी): यह आवश्यक हिस्सों को इंस्टॉल करता है और सिस्टम को चालू करता है, जिससे आपका हार्डवेयर तुरंत आपके लोकल नेटवर्क पर उपलब्ध हो जाता है।
2. "सेल्फ-हीलिंग बॉडी" (जीवित बैकएंड)
एक बार जब सिस्टम चल जाता है, तो यह केवल वहीं नहीं रुक जाता। इसमें एक "डेमन" (बैकग्राउंड वर्कर) होता है जो एक इम्यून सिस्टम की तरह काम करता है:
- WATCH (निगरानी): यह लगातार सिस्टम के लॉग्स की निगरानी करता है, जैसे एक डॉक्टर दिल की धड़कन सुनता है।
- HEAL (ठीक करना): यदि कुछ टूट जाता है (जैसे केबल निकल जाना या किसी सॉफ्टवेयर अपडेट के कारण त्रुटि आना), तो AI एजेंट स्वचालित रूप से टूटे हुए कोड को फिर से लिख देता है या गायब हिस्सों को फिर से इंस्टॉल करके खुद को ठीक कर लेता है।
- PERCEIVE (महसूस करना): यहाँ सबसे चतुर हिस्सा है: सिस्टम उसी कैमरा टूल का उपयोग करता है जिसे इसने खुद बनाया है ताकि वह रोबोटिक आर्म को देख सके। यह एक तस्वीर लेता है, जो देखता है उसका सारांश बनाता है ("आर्म 45 डिग्री पर है"), और भौतिक दुनिया के बारे में तर्क लगाने के लिए उस जानकारी का उपयोग करता है। यह विजन (देखने) वाले हिस्से के लिए मानव प्रोग्रामिंग की आवश्यकता के बिना, देखने और कार्य करने के बीच के चक्र को पूरा करता है।
3. "वन-साइज़-फिट्स-ऑल" का जादू
इस पेपर का परीक्षण तीन बहुत अलग कंप्यूटरों पर किया गया: एक विंडोज लैपटॉप, एक मैक, और एक छोटा रास्पबेरी पाई (Raspberry Pi)।
- उपमा: कल्पना कीजिए कि आपके पास एक रेसिपी कार्ड है जिस पर लिखा है "केक बनाएं।" आमतौर पर, आपको गैस ओवन, इलेक्ट्रिक ओवन या माइक्रोवेव के लिए अलग-अलग निर्देश चाहिए होते हैं। ऑक्टोपस के साथ, आप एक मास्टर शेफ (AI एजेंट) को वही रेसिपी कार्ड देते हैं। शेफ आपके विशिष्ट ओवन (हार्डवेयर) को देखता है और तुरंत समझ जाता है कि उस विशिष्ट मशीन में केक कैसे पकाया जाए, बिना इस बात की जरूरत के कि आपको उस ओवन के काम करने के तरीके को सीखने की आवश्यकता है।
परिणाम
लगभग 10 से 15 मिनट में, ऑक्टसेप्ट (Octopus) एक ऐसे हार्डवेयर को, जो पहले कभी आपके कंप्यूटर से नहीं जुड़ा था, उसे समझने, उससे बात करने का तरीका खोजने, एक कस्टम कंट्रोल इंटरफेस बनाने और एक AI एजेंट को सरल भाषा के कमांड (जैसे "आर्म को 45 डिग्री पर ले जाएं") का उपयोग करके उसे नियंत्रित करने में सक्षम बनाता है।
मुख्य निष्कर्ष:
पेपर का दावा है कि ड्राइवर्स और हार्डवेयर इंटरफेस को अब पहले से लिखे गए, कंपाइल किए गए सॉफ्टवेयर की आवश्यकता नहीं है जिसे आप खरीदते या डाउनलोड करते हैं। इसके बजाय, वे प्रॉम्प्ट्स (prompts) हो सकते हैं। "इंफ्रास्ट्रक्चर" को ऑन-द-फ्लाई एक AI एजेंट द्वारा जनरेट किया जाता है जो निर्माता और रखरखाव करने वाले, दोनों की भूमिका निभाता है। इसका मतलब है कि आप लगभग किसी भी मानक डिवाइस (USB, कैमरा, रोबोटिक आर्म) को प्लग कर सकते हैं और बिना किसी मानवीय कोडिंग के कुछ ही मिनटों में इसे तैयार पा सकते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।