ပင်မချင် AI အတွက် ပျံ့ပိုးမှု: DeepMirror မှ Unitree Robots တွင် OpenClaw ထည့်သွင်းပါသည်

(SeaPRwire) –   ဝမ်ချိုင်၊ ဟောင်ကောင်၊ ၂၀၂၆ ခုနှစ် ဧပြီလ ၀၃ ရက် — AI အေးဂျင့်များသည် ဒစ်ဂျစ်တယ်လုပ်ငန်းများကို ပိုမိုကောင်းမွန်စွာ ကိုင်တွယ်နိုင်လာသည်နှင့်အမျှ လုပ်ငန်းဆောင်တာများ၊ လက်တွေ့ကမ္ဘာတွင် အကောင်အထည်ဖော်မှုသို့ ကူးပြောင်းနိုင်စေရန်အတွက် အတားအဆီးအသစ်တစ်ခု ပေါ်ပေါက်လာပါသည်။

၎င်းသည် ရုပ်ပိုင်းဆိုင်ရာ AI အတွက် runtime layer အဖြစ် ရပ်တည်နေသော startup တစ်ခုဖြစ်သည့် DeepMirror ၏ ရည်ရွယ်ချက်ဖြစ်သည်။ ကုမ္ပဏီက ၎င်းသည် OpenClaw ကို Unitree စက်ရုပ်နှင့် ပေါင်းစပ်ထားကြောင်း ပြောကြားခဲ့ပြီး၊ ယင်းသည် အထွေထွေသုံး အေးဂျင့်များကို လက်တွေ့ကမ္ဘာပတ်ဝန်းကျင်တွင် သိမြင်နိုင်၊ လှုပ်ရှားနိုင်၊ လုပ်ဆောင်နိုင်၊ ပြန်လည်ကောင်းမွန်လာနိုင်သည့် စနစ်များအဖြစ် ပြောင်းလဲရန်အတွက် အစောပိုင်းခြေလှမ်းတစ်ခုဖြစ်ကြောင်း ဖော်ပြသည်။

“ လက်တွေ့ကမ္ဘာ ကွာဟချက်” ကို ပေါင်းကူးခြင်း

ဤနေရာတွင် ပြောဆိုချက်သည် စက်ရုပ်သရုပ်ပြတစ်ခုတည်းထက် ပိုမိုကြီးမားသည်။ DeepMirror က စက်ရုပ်ပညာတွင် နောက်ထပ်အရေးကြီးသော ထိန်းချုပ်မှုအချက်သည် မော်ဒယ်ကိုယ်တိုင် သို့မဟုတ် ဟာ့ဒ်ဝဲပင် မဟုတ်ဘဲ၊ ထိုနှစ်ခုကို ချိတ်ဆက်ပေးသည့် runtime ဖြစ်နိုင်သည်ဟု ငြင်းဆိုနေသည်။

၎င်း၏အမြင်အရ၊ OpenClaw ကဲ့သို့သော အေးဂျင့်များသည် ရည်မှန်းချက်များကို နားလည်ခြင်း၊ လုပ်ငန်းများကို စီစဉ်ခြင်းနှင့် ကိရိယာများကို အသုံးပြုခြင်းတို့တွင် ပိုမိုစွမ်းဆောင်နိုင်လာသည်။ သို့သော် ထိုသို့သော ဆင်ခြင်တုံတရားသည် အိမ်၊ ရုံး သို့မဟုတ် အခြားရုပ်ပိုင်းဆိုင်ရာ ပတ်ဝန်းကျင်တွင် ရုပ်ပိုင်းဆိုင်ရာ စွမ်းဆောင်ရည်အဖြစ် မွေးရာပါ ပြောင်းလဲခြင်းမရှိပါ။ လက်တွေ့ကမ္ဘာရှိ စက်ရုပ်တစ်ရုပ်သည် မတူညီသော ပြဿနာအမျိုးအစားများကို ကိုင်တွယ်ဖြေရှင်းရသည်။ ၎င်းသည် ၎င်းမည်သည့်နေရာတွင် ရှိသည်၊ မည်သည့်အရာကို မြင်သည်၊ လုပ်ငန်းတစ်ခု အမှန်တကယ် ပြီးစီးခြင်းရှိမရှိ၊ ပတ်ဝန်းကျင်တွင် မည်သည့်အရာများ ပြောင်းလဲသွားသည်၊ တစ်ခုခု မှားယွင်းသွားပါက မည်သို့လုပ်ဆောင်ရမည်ကို သိရန်လိုအပ်သည်။ ၎င်းသည် ရွေ့လျားနေသောလူများ၊ ပိတ်ဆို့ထားသော လမ်းကြောင်းများ၊ ဖမ်းဆုပ်မှု မအောင်မြင်ခြင်းများနှင့် မပြည့်စုံသော လုပ်ဆောင်ချက်များကို ကိုင်တွယ်ဖြေရှင်းရသည်။

ဆော့ဖ်ဝဲလ်နှင့်မတူဘဲ၊ ရုပ်ပိုင်းဆိုင်ရာ အကောင်အထည်ဖော်မှုတွင် လွယ်ကူသော ပြန်ဖျက်ရန် ခလုတ် မပါရှိပါ။ ၎င်းသည် DeepMirror က ပိုင်ဆိုင်လိုသည်ဟု ပြောသော layer ဖြစ်သည်။

ဒစ်ဂျစ်တယ် လုပ်ငန်းစီးဆင်းမှုမှ ရုပ်ပိုင်းဆိုင်ရာ အကောင်အထည်ဖော်မှုသို့

OpenClaw သည် အေးဂျင့်များကို terminal မှ ပိုမိုရင်းနှီးသော စကားပြောဆိုမှု လုပ်ငန်းစီးဆင်းမှုသို့ ရွှေ့ပြောင်းခြင်းဖြင့် အေးဂျင့်များအတွက် မတူညီသော interface တစ်ခုကို လူသိများလာစေရန် ကူညီပေးခဲ့သည်။ developer tool ကဲ့သို့ ပြုမူခြင်းအစား၊ စနစ်ကို သဘာဝဘာသာစကားဖြင့် လုပ်ငန်းပေးနိုင်သည်၊ အချိန်ကြာမြင့်စွာ လည်ပတ်နိုင်သည်၊ context ကို ထိန်းသိမ်းထားနိုင်သည်၊ လုပ်ငန်းများကို စဉ်ဆက်မပြတ် စောင့်ကြည့်နိုင်သည်၊ နှင့် ရလဒ်များကို ကြိုတင်၍ ပြန်လည်ပေးပို့နိုင်သည်။

သို့သော် ထိုကဲ့သို့သော အေးဂျင့်ဗိသုကာသည် ဒစ်ဂျစ်တယ်ကမ္ဘာတွင်သာ အများအားဖြင့် တည်ရှိနေသေးသည်။ DeepMirror ၏ ခန့်မှန်းချက်မှာ ရုပ်ပိုင်းဆိုင်ရာ AI သည် အတိုင်းအတာတစ်ခုအထိ အသုံးဝင်လာစေရန်အတွက် အေးဂျင့်များသည် အဆင့်မြင့် ရည်ရွယ်ချက်ကို closed-loop physical execution အဖြစ် ပြောင်းလဲပေးနိုင်သည့် runtime တစ်ခု လိုအပ်သည်ဟူ၍ ဖြစ်သည်။

အပေါ်ဆုံး layer အနေဖြင့် လှုပ်ရှားမှု၊ သိမြင်မှု၊ လှုပ်ရှားမှုစီမံကိန်း သို့မဟုတ် ဟာ့ဒ်ဝဲ-သီးသန့် ထိန်းချုပ်မှုယုတ္တိဗေဒတို့ကို စီမံခန့်ခွဲရန် မလိုအပ်ဘဲ၊ ကုမ္ပဏီသည် အေးဂျင့်အား ရည်မှန်းချက်တစ်ခု ထုတ်ပေးပြီး ကျန်အရာများကို runtime က ကိုင်တွယ်စေလိုသည်။ လက်တွေ့ကျကျဆိုရသော်၊ အပေါ်ဆုံး layer အေးဂျင့်သည် SLAM၊ sensor fusion၊ odometry သို့မဟုတ် ဟာ့ဒ်ဝဲအဆင့်တွင် လုပ်ဆောင်ချက်စီစဉ်ခြင်းတို့ကို နားလည်ရန်မလိုဘဲ “ မီးဖိုပိတ်ထားလား စစ်ဆေးပါ” သို့မဟုတ် “ စားပွဲပေါ်က ပစ္စည်းကို ယူလာပေးပါ” ကဲ့သို့သော အရာများကို ပြောနိုင်သင့်သည်။

အကောင်အထည်ဖော်မှု၏ စိတ္တဇလေးမျိုး

DeepMirror သည် ၎င်း၏ဗိသုကာကို အေးဂျင့် runtime အောက်ရှိ stack တစ်ခုအဖြစ် ဖော်ပြသည်။ အပေါ်ဆုံးတွင် OpenClaw တည်ရှိပြီး ရည်ရွယ်ချက်၊ စီမံကိန်း၊ စီမံခန့်ခွဲမှုနှင့် ကိရိယာအသုံးပြုမှုကို ကိုင်တွယ်သည်။ အောက်တွင် DeepMirror ၏ ရုပ်ပိုင်းဆိုင်ရာ runtime တည်ရှိပြီး လက်တွေ့ကမ္ဘာတွင် အကောင်အထည်ဖော်မှုကို ကိုင်တွယ်သည်။ ကုမ္ပဏီသည် ထိုအကောင်အထည်ဖော်မှု layer ကို စိတ္တဇလေးမျိုးအဖြစ် ခွဲခြားထားသည်-

• Semantic Understanding: သဘာဝဘာသာစကား ရည်ရွယ်ချက်ကို လုပ်ဆောင်နိုင်သော စက်ရည်မှန်းချက်များအဖြစ် ပြောင်းလဲခြင်း။

• Spatial Mobility: ရွေ့လျားနေသော အတားအဆီးများရှိသည့် ပြောင်းလဲနေသော ပတ်ဝန်းကျင်များကို သွားလာခြင်း။

• Dynamic Action Generation: အရာဝတ္ထုများကို အချိန်နှင့်တပြေးညီ ကိုင်တွယ်ခြင်း။
• Cross-Embodiment Support: တူညီသော အေးဂျင့်ယုတ္တိဗေဒကို quadrupeds မှ humanoids အထိ မတူညီသော စက်ရုပ်ဟာ့ဒ်ဝဲများတွင် လည်ပတ်ခွင့်ပြုခြင်း။

တစ်နည်းအားဖြင့်ဆိုရသော်၊ ၎င်းသည် developer များအား ဟာ့ဒ်ဝဲပလက်ဖောင်းတစ်ခုစီအတွက် စနစ်တစ်ခုလုံးကို ပြန်လည်တည်ဆောက်ရန် မလိုအပ်ဘဲ အပေါ်ဆုံး layer အေးဂျင့်ယုတ္တိဗေဒတစ်ခုကို စက်ရုပ်အမျိုးအစားများစွာတွင် လည်ပတ်စေလိုသည်။ ထိုသို့ အလုပ်လုပ်ပါက runtime layer ကို မဟာဗျူဟာအရ အရေးပါစေမည်ဖြစ်သည်။

ယုံကြည်စိတ်ချရမှုနှင့် မှတ်ဉာဏ်

ယနေ့ခေတ် စက်ရုပ်ဆော့ဖ်ဝဲလ် အများအပြားသည် သီးခြားစက်၊ သီးခြား sensors သို့မဟုတ် ကျဉ်းမြောင်းသော လုပ်ငန်းစီးဆင်းမှုနှင့် တင်းကျပ်စွာ ချိတ်ဆက်နေဆဲဖြစ်သည်။ DeepMirror သည် ထို layer ကို ပိုမိုအထွေထွေသုံး ဖြစ်လာစေရန် ကြိုးစားနေသည်။ ကုမ္ပဏီက ၎င်း၏ runtime သည် လုပ်ငန်းပြီးစီးချိန်တွင် အခြေအနေနှင့် ဘေးကင်းရေး ကန့်သတ်ချက်များကို ထိန်းသိမ်းထားစဉ် ရုပ်ပိုင်းဆိုင်ရာ အကောင်အထည်ဖော်မှုကို လေ့လာနိုင်၊ နှောင့်ယှက်နိုင်၊ ပြန်လည်ကောင်းမွန်နိုင်စေရန် ဒီဇိုင်းထုတ်ထားသည်ဟု ပြောကြားခဲ့သည်။

၎င်းသည် မှတ်ဉာဏ်ကိုလည်း အလေးပေးသည်။ ကုမ္ပဏီ၏အဆိုအရ ၎င်း၏စနစ်သည် live cognitive layer၊ spatial memory နှင့် temporal memory တို့ကို ပေါင်းစပ်ထားသည်။ ရည်ရွယ်ချက်မှာ အေးဂျင့်အား one-shot perception pipeline ထက် ပိုမိုပေးရန်ဖြစ်သည်။ အရာဝတ္ထုတစ်ခုကို frame တစ်ခုတည်းတွင် အသိအမှတ်ပြုရုံသာမကဘဲ၊ စနစ်သည် အရာဝတ္ထုများ မည်သည့်နေရာတွင် ရှိသည်၊ လုပ်ငန်း၏ အစောပိုင်းတွင် မည်သည့်အရာများ ဖြစ်ပျက်ခဲ့သည်၊ ယခင်လုပ်ဆောင်ချက် အဘယ်ကြောင့် မအောင်မြင်ခဲ့သည်၊ နှင့် လက်ရှိပတ်ဝန်းကျင်သည် ယခင်ကြိုးစားမှုများနှင့် မည်သို့ဆက်စပ်နေသည်ကို မှတ်သားထားသည်။

၎င်းသည် အရေးကြီးသည်၊ အဘယ်ကြောင့်ဆိုသော် စက်ရုပ်စနစ်များကို ပျက်စီးစေသောအရာ အများအပြားသည် ပထမဆုံးလုပ်ဆောင်ချက် မဟုတ်ပါ။ ပတ်ဝန်းကျင် ပြောင်းလဲပြီးနောက် ဖြစ်ပျက်သမျှ အရာအားလုံး ဖြစ်သည်။

Agent-Native Control Protocol တစ်ခု

ထိန်းချုပ်မှုအဆင့်တွင်၊ DeepMirror က ၎င်းသည် “ Agent-Native Robot Control Protocol” ဟုခေါ်သည့်အရာကို တည်ဆောက်ထားသည်ဟု ပြောကြားခဲ့သည်။ ကုမ္ပဏီက ၎င်းကို တိုက်ရိုက် command စနစ်တစ်ခုထက် ရည်မှန်းချက်-မောင်းနှင်သော အကောင်အထည်ဖော်မှုစနစ်အဖြစ် သတ်မှတ်သည်။ အပေါ်မှ ကုန်ကြမ်းမော်တာ ညွှန်ကြားချက်များ ပေးပို့ခြင်းအစား၊ အေးဂျင့်သည် ရည်ရွယ်ချက်၊ ကန့်သတ်ချက်များနှင့် context ကို ပေးပို့ပြီး runtime သည် feedback loops နှင့် rollback paths များကို ထိန်းသိမ်းထားစဉ် ၎င်းကို ကျွမ်းကျင်မှုများ၊ modules များနှင့် ဟာ့ဒ်ဝဲလုပ်ဆောင်ချက်များအဖြစ် ဖြေရှင်းပေးသည်။

မဟာဗျူဟာမြောက် အလယ်အလတ် Layer

AI ကုမ္ပဏီများ ပိုမိုများပြားလာသည်နှင့်အမျှ browser automation နှင့် coding assistants များကို ကျော်လွန်၍ စက်ရုပ်များ၊ ကိရိယာများနှင့် အခြားလက်တွေ့ကမ္ဘာစနစ်များဆီသို့ စတင်ကြည့်ရှုလာသည်နှင့်အမျှ ထိုသို့သော သတ်မှတ်ချက်သည် ပိုမိုသက်ဆိုင်လာသည်။

ပိုမိုကျယ်ပြန့်သော စျေးကွက်မေးခွန်းမှာ ရုပ်ပိုင်းဆိုင်ရာ AI တွင် အောင်မြင်သော layer သည် foundation model၊ စက်ရုပ်ထုတ်လုပ်သူ သို့မဟုတ် အလယ်ရှိ execution stack ဖြစ်မည်လားဟူ၍ ဖြစ်သည်။ DeepMirror သည် တတိယရွေးချယ်မှုကို ရှင်းရှင်းလင်းလင်း လောင်းကြေးထပ်နေသည်။ ကုမ္ပဏီ၏ Unitree ပေါင်းစပ်မှုသည် အစောပိုင်းအဆင့်တွင် ရှိနေသေးသော်လည်း ၎င်းသည် ပိုမိုကြီးမားသော ရည်မှန်းချက်ကို ညွှန်ပြသည်- အောက်တွင် မည်သည့်စက်ရုပ်ကိုယ်ထည် ရှိနေသည်ဖြစ်စေ အထွေထွေသုံး အေးဂျင့်များကို ရုပ်ပိုင်းဆိုင်ရာကမ္ဘာတွင် ယုံကြည်စိတ်ချစွာ လည်ပတ်နိုင်စေမည့် runtime ဖြစ်လာရန်။

AI အေးဂျင့်များသည် အထောက်အကူပြု ဆော့ဖ်ဝဲလ်မှ အသုံးဝင်သော ရုပ်ပိုင်းဆိုင်ရာ လုပ်ဆောင်သူများအဖြစ်သို့ ပြောင်းလဲတော့မည်ဆိုပါက ထိုအလယ်အလတ် layer သည် အလွန်အရေးကြီးလာနိုင်သည်။

CONTACT: YAN QINRUI
qinrui.yan@looper-robotics.com