न्यू रोबोटिक्स रेस के अंदर: डेटा, मॉडल, और विनिर्माण

नवाचार आमतौर पर अलगाव में उत्पन्न नहीं होता है। अधिक बार, यह इंजीनियरों, संस्थापकों, शोधकर्ताओं और निवेशकों के बीच बातचीत में पैदा होता है जो समझने की कोशिश कर रहे हैं कि प्रौद्योगिकी कहाँ जा रही है।

एक वर्ष के दौरान, मैंने दुनिया भर में दर्जनों सम्मेलनों में भाग लिया। व्यवसाय यात्राएं कभी-कभी महीनों तक चलती हैं, और एशिया से लेकर उत्तर अमेरिका तक भागीदारों और ग्राहकों के साथ बैठकें होती हैं। फिर भी, मेरी स्विट्जरलैंड की हाल की यात्रा विशेष रूप से दिलचस्प साबित हुई – ज्यादातर वहां हुई बातचीत और लोगों के कारण।

ज्यूरिख यह साबित हुआ कि रोबोटिक्स और फिजिकल एआई के भविष्य पर आज चर्चा की जा रही है। और जैसे ही ये बातचीत गहराती है, यह और भी स्पष्ट हो जाता है कि रोबोटिक्स में वास्तविक दौड़ डेटा के आसपास हो रही है।

यूरोप का सिलिकॉन वैली

ज्यूरिख को परंपरागत रूप से वित्तीय क्षेत्र से जोड़ा जाता है, लेकिन हाल के वर्षों में यह यूरोप के सिलिकॉन वैली के रूप में बढ़ती जा रही है। इस प्रतिष्ठा का अधिकांश हिस्सा ईटीएच ज्यूरिख से जुड़ा हुआ है, जो यूरोप के सबसे सम्मानित इंजीनियरिंग विश्वविद्यालयों में से एक है। यह शोधकर्ताओं, पीएचडी छात्रों, उद्यमियों और इंजीनियरों को दुनिया भर से आकर्षित करता है। नतीजतन, विश्वविद्यालय के आसपास एक शक्तिशाली प्रौद्योगिकी पारिस्थितिकी तंत्र बन गया है, जहां शोध, स्टार्टअप और औद्योगिक परियोजनाएं लगभग एक ही समय में विकसित हो रही हैं।

मेरी यात्रा के एक कारण यह था कि मैं समझना चाहता था कि इंट्रोस्पेक्टर रोबोटिक्स बाजार को क्या पेशकश कर सकता है, जो 2025 की शुरुआत से बढ़ रहा है। यह एक ऐसा उद्योग है जिसमें विभिन्न स्टार्टअप प्रवेश करने की कोशिश कर रहे हैं, जबकि प्रमुख प्रौद्योगिकी कंपनियों से तकनीकी सफलता इसे सक्रिय रूप से पुनः आकार दे रही है। फिर भी, इस गति के बावजूद, क्षेत्र अभी भी अधिक प्रश्न उठाता है niż यह उत्तर देता है।

ज्यूरिख हमारे भागीदारों लाइटली का भी घर है, जिन्होंने मुझे रोबोटिक्स, कंप्यूटर विजन और एआई के चौराहे पर काम करने वाले सहयोगियों से मिलवाया। स्थानीय प्रौद्योगिकी पारिस्थितिकी तंत्र के एक महत्वपूर्ण पहलू पर मैं ध्यान देना चाहूंगा: लोग यहांremarkably खुले और स्वागत योग्य हैं। वे अपने विचारों और परिकल्पनाओं को साझा करने से नहीं डरते हैं, उन चुनौतियों के बारे में बात करते हैं जिन्हें वे हल करने की कोशिश कर रहे हैं, और उन प्रयोगों के बारे में जो वे चला रहे हैं। नतीजतन, आप बाजार के वास्तविक संदर्भ और उद्योग की दिशा को बहुत तेजी से समझने लगते हैं।

दूसरी बात, जब लोग मुझसे पूछते हैं कि यूरोपीय “सिलिकॉन वैली” अमेरिकी से कैसे अलग है, तो उत्तर अक्सर उन्हें आश्चर्यचकित करता है। ज्यूरिख में, काम और जीवन के बीच संतुलन अधिक मजबूत महसूस होता है: सुबह के खेल, दिन में एक शांत लेकिन उत्पादक लय में केंद्रित काम, और परिवार या बस आराम के साथ पहाड़ों में शाम बिताना। सैन फ्रांसिस्को में, अक्सर ऐसा लगता है कि आपको हमेशा यह साबित करने की जरूरत है कि आप हर किसी से अधिक कठिन काम कर रहे हैं। ज्यूरिख में, गति अलग है – अधिक स्थायी।

बेहतर रोबोट से पहले बेहतर डेटा

इस यात्रा से एक मुख्य निष्कर्ष यह था कि एक सरल अवलोकन: आज कई लोग रोबोटिक्स में काम करना चाहते हैं। लेकिन उद्योग में भारी रुचि के बावजूद, कई टीमें अभी भी अन्वेषण चरण में हैं, यह समझने की कोशिश कर रही हैं कि वे रोबोटिक्स और फिजिकल एआई की नई लहर में क्या भूमिका निभा सकते हैं, और वे क्या योगदान दे सकते हैं।

अधिकांश बातचीत अंततः एक ही विषय पर केंद्रित हो जाती है: डेटा। आज, उद्योग दक्षता कार्यों पर डेटा की कमी से गुजर रहा है, अर्थात् महीन मोटर कौशल। इस क्षेत्र में, रोबोटों की क्षमताएं बहुत सीमित हैं। मानव जो अपने हाथों से लगभग स्वचालित रूप से करते हैं – एक वस्तु को उठाना, इसे मोड़ना, इसे सावधानी से कहीं रखना, या एक छोटी सी मैनिपुलेशन करना – रोबोटों के लिए सबसे चुनौतीपूर्ण कार्यों में से एक बना हुआ है।

प्रगति की कुंजी मुख्य रूप से बड़े पैमाने पर, ठीक से एकत्रित डेटासेट में निहित है। आज, लोग अक्सर पहले व्यक्ति के दृष्टिकोण से रिकॉर्ड किए गए, एगोसेंट्रिक डेटासेट के बारे में बात करते हैं, जहां सिस्टम मानव क्रियाओं को अपने आप करते हुए कैप्चर करता है। हालांकि, व्यवहार में यह पता चलता है कि “एगोसेंट्रिक डेटासेट” की अवधारणा बहुत अलग चीजें हो सकती है और कई तकनीकी प्रश्न उठाती है। कैमरा कहां रखा जाना चाहिए? माथे पर, छाती पर, या शायद आंख के स्तर पर? वीडियो रिकॉर्डिंग के साथ कौन से सेंसर होने चाहिए? यदि हम हाथ की गति को कैप्चर कर रहे हैं, तो क्या ऑपरेटरों को विशेष दस्ताने का उपयोग करना चाहिए? और यदि हां, तो क्या उन दस्तानों में स्पर्श सेंसर, जायरोस्कोप, या अन्य मोशन-ट्रैकिंग सिस्टम शामिल होने चाहिए?

एक और जटिल प्रश्न उठता है: गति की गहराई को ठीक से कैसे कैप्चर किया जाए। आखिरकार, यह समझना महत्वपूर्ण है कि न केवल दो-आयामी विमान में हाथ की स्थिति, बल्कि यह तीन-आयामी स्थान में कैसे चलता है – आगे, पीछे, ऊपर, या नीचे।

अब तक, उद्योग एक एकीकृत उत्तर पर नहीं पहुंचा है। यही कारण है कि आज कई टीमें विभिन्न सेंसर कॉन्फ़िगरेशन, रिकॉर्डिंग विधियों और डेटासेट प्रारूपों के साथ प्रयोग कर रही हैं।

मल्टीमॉडल सिस्टम

जैसे ही बात रोबोटिक्स के लिए डेटा संग्रह पर आती है, एक और विषय तेजी से उभरता है – अतिरिक्त सेंसर और मल्टीमॉडलिटी, जो शरीर की गति, हाथ की क्रियाओं और वस्तु संवादों को अधिक सटीकता के साथ कैप्चर करने में सक्षम बनाते हैं। वे डेटासेट संग्रह के दौरान त्रुटियों को भी कम करने में मदद करते हैं।

जब कोई व्यक्ति कैमरे पर अपनी क्रियाओं को रिकॉर्ड करता है, तो हमेशा यह जोखिम होता है कि सामग्री का एक हिस्सा अव्यावहारिक हो सकता है। कैमरा थोड़ा सा खिसक सकता है, शूटिंग का कोण गलत हो सकता है, ऑपरेटर गलत तरीके से मुड़ सकता है, या ऑपरेटर बहुत तेजी से गति कर सकता है। नतीजतन, रिकॉर्ड की गई सामग्री का एक महत्वपूर्ण हिस्सा छोड़ दिया जाता है। एक सरल उदाहरण: वास्तव में उपयोगी एक घंटे का वीडियो प्राप्त करने के लिए, एक ऑपरेटर को अक्सर दो घंटे का कच्चा फुटेज रिकॉर्ड करना पड़ता है।

अतिरिक्त सेंसर इन समस्याओं के लिए कुछ मुआवजा प्रदान करते हैं। भले ही कैमरा थोड़ा सा खिसक जाए, सेंसर डेटा अभी भी हाथ या शरीर की स्थिति को त्रि-आयामी स्थान में पुनर्निर्माण करना संभव बनाता है। नतीजतन, दो घंटे की रिकॉर्डिंग के बजाय, यह लगभग एक घंटे और बीस मिनट ले सकता है ताकि समान मात्रा में उपयोगी डेटा प्राप्त किया जा सके। यह डेटासेट संग्रह की दक्षता को काफी बढ़ाता है और उनके निर्माण की लागत को कम करता है।

यह इसलिए नहीं है कि कई टीमें रोबोटिक्स और एम्बेडेड एआई के विकास से जुड़े मल्टीमॉडल डेटा एनोटेशन में बढ़ती रुचि को देख रही हैं। यह एक दृश्यमान रुझान बन गया है।

अगला बिंदु ऐसे डेटासेट को लेबल करना है। हमने कीमकर में रोबोटिक्स मामलों के लिए क्लाइंट डेटासेट के साथ काम करते समय इसी तरह के प्रश्नों का सामना किया है: ऐसा एनोटेशन व्यावहारिक रूप से कैसा दिखना चाहिए? क्या यह कंकाल होना चाहिए? दो-आयामी या त्रि-आयामी? क्या पाइपलाइन में प्रबलित学习 के तत्वों को शामिल किया जाना चाहिए? ऐसे दर्जनों प्रश्न हैं। इंजीनियर स्वयं स्वीकार करते हैं कि अभी तक कोई यह नहीं कह सकता कि कौन सा विशिष्ट डेटा कॉन्फ़िगरेशन अंततः एक वास्तविक प्रौद्योगिकी सफलता की ओर ले जाएगा।

इन चिंताओं को समझा जा सकता है। जटिल डेटासेट बनाना एक महंगी प्रक्रिया है। डेटा संरचना में हर गलती हजारों या यहां तक कि लाखों डॉलर की लागत आ सकती है। यह संभव है कि “गलत” डेटासेट एकत्र किया जाए या वास्तविक दुनिया में पुन: उत्पन्न करने में मुश्किल परिस्थितियों में रिकॉर्ड किया जाए, अंततः पूरी परियोजना को कमजोर कर दें। यही कारण है कि आज, मॉडलों के साथ-साथ प्रशिक्षित किए जाने वाले डेटा की गुणवत्ता और वास्तुकला पर अधिक ध्यान दिया जा रहा है।

बाजार को किस प्रकार के रोबोट की आवश्यकता है?

क्लासिक औद्योगिक रोबोट, जो दशकों से ऑटोमोटिव असेंबली लाइनों पर संचालित हो रहे हैं, वास्तव में बहुत कम कंप्यूटर विजन या जटिल एआई मॉडल की आवश्यकता होती है। उनका कार्य अत्यधिक विशिष्ट है: सख्ती से पुनरावृत्ति आंदोलनों को उच्च सटीकता और निरंतरता के साथ करना – बाएं, दाएं, ऊपर, नीचे। इस क्षेत्र में, उन्होंने लंबे समय से मानवता को पार कर लिया है।

एक पूरी तरह से अलग श्रेणी मानव रोबोट है। इन प्रणालियों को “मस्तिष्क” की आवश्यकता होती है: स्थान को नेविगेट करने, आसपास के वातावरण को समझने, स्थिति के संदर्भ को समझने और नियंत्रकों को प्री-प्रोग्राम किए गए ट्रेजेक्टरी के माध्यम से नहीं, बल्कि वास्तविक दुनिया के अनुकूल होने के द्वारा मैनिपुलेटरों को नियंत्रित करने की क्षमता।

आधुनिक फैक्ट्री फ्लोर पर उच्च स्तर के स्वचालन के बावजूद, कई कार्य अभी भी मानव द्वारा किए जाते हैं। एक वस्तु को स्थानांतरित करना, एक बॉक्स उठाना, भागों को छानना, एक घटक को कसना, या सामग्रियों को व्यवस्थित करना – ये छोटी क्रियाएं लचीलेपन और समन्वय की आवश्यकता होती है। यह क्षेत्र अभी भी स्वचालन के लिए सबसे कठिन बना हुआ है, और यह वह जगह है जहां मानव रोबोट अपनी भूमिका पा सकते हैं।

मैं जिन टीमों से बात की उनमें से कई एक समान व्यवसाय मॉडल का उपयोग कर रहे हैं। वे एक फैक्ट्री को दृष्टिकोण देते हैं और एक विशिष्ट उत्पादन मामले को हल करने का प्रस्ताव करते हैं। उदाहरण के लिए, एक कार्यकर्ता पूरे दिन गोदाम ज़ोन के बीच बॉक्स स्थानांतरित करता है। इंजीनियर एक सरल प्रयोग का सुझाव देते हैं: कार्यकर्ता को एक कैमरा और सेंसर के सेट से लैस करें, उनकी क्रियाओं के हजारों घंटे रिकॉर्ड करें, और इस डेटा का उपयोग एक मॉडल को प्रशिक्षित करने के लिए करें जो एक मानव रोबोट को नियंत्रित करेगा। इस तरह, रोबोट उन्हीं कार्यों को सीखता है जो मानव कार्यकर्ता द्वारा किया जाता है।

वास्तव में, कंपनी एक मानव रोबोट प्लेटफ़ॉर्म खरीदती है, जबकि विकास टीम एक कस्टम मॉडल बनाती है जो एक विशिष्ट ऑपरेटर के व्यवहार की नकल करता है। यह एक सार्वभौमिक बुद्धिमत्ता नहीं है जो किसी भी कार्य को हल कर सकती है। बल्कि, यह एक कौशल का सेट है जो एक विशिष्ट परिदृश्य या उत्पादन कार्यों के समूह के लिए प्रशिक्षित है। कई इंजीनियरों के लिए, यह दृष्टिकोण आज अधिक व्यावहारिक लगता है। सार्वभौमिक रोबोट बनाने की कोशिश करने के बजाय, टीमें संकीर्ण लेकिन आर्थिक रूप से व्यवहार्य स्वचालन परिदृश्यों पर ध्यान केंद्रित करती हैं।

व्यवसाय आयाम

यदि भविष्य कस्टम मॉडल में निहित है, तो यह समझना महत्वपूर्ण है कि आर्थिक दृष्टिकोण से, यह एक काफी लंबी विकास पथ है।

प्रत्येक उद्योग मूल रूप से अपना एक अलग दुनिया है। प्रत्येक उत्पादन वातावरण में अपनी प्रक्रियाएं, कार्य प्रवाह और अपवाद होते हैं। एक रोबोट जो एक ऑटोमोटिव फैक्ट्री में संचालित होता है को सीधे खाद्य उत्पादन या वेयरहाउस लॉजिस्टिक्स में स्थानांतरित नहीं किया जा सकता है। प्रत्येक मामले में, प्रणाली को शून्य से पुनः प्रशिक्षित किया जाना चाहिए।

यह हमें अगले तार्किक प्रश्न पर ले जाता है: ऐसी प्रौद्योगिकी के पहले ग्राहक कौन होंगे?

इस चरण में, प्राथमिक अपनाने वाले संभवतः बड़े उद्यम होंगे – जिनमें बजट हैं और जिनके लिए स्वचालन एक महत्वपूर्ण आर्थिक प्रभाव पैदा कर सकता है। आज, एक मानव रोबोट की लागत केवल हार्डवेयर के लिए लगभग $60,000-$90,000 है। यह केवल बेस कॉन्फ़िगरेशन है। इसके अलावा, रखरखाव की लागत, बैटरी, चार्जिंग स्टेशन, बुनियादी ढांचे और सॉफ्टवेयर हैं।

नतीजतन, ऐसी प्रणालियों के साथ प्रयोग करने में सक्षम कंपनियां बड़ी संगठन हैं, ऑटोमोटिव निर्माता, खाद्य निगम और प्रमुख औद्योगिक उद्यम।

बेशक, छोटे क्षेत्रों में भी कुछ प्रारंभिक अपनाने वाले देखे जा सकते हैं। कुछ कंपनियां विशिष्ट कार्यों के लिए एक या दो रोबोट खरीद सकती हैं। हालांकि, अधिकांश मामलों में, ये व्यवसाय अभी भी विशिष्ट परिचालन परिदृश्यों के लिए प्रशिक्षित प्रणालियों को प्रशिक्षित करने के लिए आवश्यक कस्टम डेटासेट एकत्र करने और एनोटेट करने में निवेश करने के लिए तैयार नहीं हैं। उनके लिए, मानव श्रम अभी भी सस्ता विकल्प है।

रोबोटिक्स नवाचार का लंबा खेल

हम अंततः एक मूलभूत आर्थिक प्रश्न पर आते हैं: क्या अधिक कुशल है – एक मानव या एक रोबोट? यदि हम आज की अर्थव्यवस्था को देखें, तो उत्तर स्पष्ट है: मानव श्रम सस्ता है, नई स्थितियों के अनुकूल होने में तेजी से है, और जटिल बुनियादी ढांचे की आवश्यकता नहीं है।

तो उद्योग आज रोबोटिक्स में क्यों निवेश कर रहा है? उत्तर मुख्य रूप से रणनीतिक है।

कई कंपनियां समझती हैं कि एक प्रकार की प्रौद्योगिकी नेतृत्व की दौड़ चल रही है। वे पहले से ही समाधान विकसित कर रहे हैं,尽管 उच्च लागत, ताकि जब रोबोटिक्स की अर्थव्यवस्था बदल जाए, तो वे तैयार हों।

कल्पना कीजिए, उदाहरण के लिए, नई विनियमनें जो बड़े पैमाने पर मानव रोबोटों के उपयोग की अनुमति देती हैं। या कि सरकारें उद्योगों के रोबोटीकरण को सब्सिडी देना शुरू कर देती हैं। ऐसे परिदृश्य में, बाजार कुछ ही वर्षों में नाटकीय रूप से बढ़ सकता है। और जिन्होंने पहले से तैयारी की, जिन्हें मॉडल, शोध, डेटासेट और तैयार प्रौद्योगिकी स्टैक है, वे सबसे अधिक लाभान्वित होंगे।

यही कारण है कि विकास अभी भी जारी है,尽管 व्यवसाय अर्थव्यवस्था अभी भी आदर्श नहीं दिखती। कई कंपनियों के लिए, यह भविष्य में निवेश है – उस पल में जब तकनीक अधिक सुलभ हो जाती है और मांग तेजी से बढ़ जाती है।

और इस दौड़ में, जैसे कई प्रौद्योगिकी क्रांतियों में, एक कारक अक्सर निर्णायक साबित होता है: जिसने पहले शुरू किया। रोबोटिक्स के शुरुआती चरणों में भी ऐसा ही था। तब भी अधिक प्रश्न थे niż उत्तर। फिर भी, जिन टीमों ने डेटा और बुनियादी ढांचे के साथ पहले काम करना शुरू किया, उन्होंने अंततः पूरे उद्योग की दिशा को आकार दिया।