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

आविष्कार अक्सर 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 कहां जा रही है।

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

ज्यूरिख ने साबित किया कि यह एक ऐसी जगह है जहां रोबोटिक्स और भौतिक एआई के भविष्य पर सक्रिय रूप से चर्चा की जा रही है। और जितनी गहराई से ये बातचीत होती है, उतना ही स्पष्ट होता जाता है कि रोबोटिक्स में वास्तविक दौड़ डेटा के आसपास हो रही है।

यूरोप की सिलिकॉन वैली

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

मेरी यात्रा का एक कारण यह समझना था कि इंट्रोस्पेक्टर रोबोटिक्स बाजार को क्या पेशकश कर सकता है, जो 2025 की शुरुआत से ही 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, इसके बावजूद, क्षेत्र अभी भी अधिक प्रश्नों की तुलना में अधिक उत्तर प्रदान करता है।

ज्यूरिख हमारे भागीदारों लाइटली का भी घर है, जिन्होंने मुझे रोबोटिक्स, कंप्यूटर विजन और एआई के चौराहे पर काम कर रहे अपने साथियों 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 हिचकिचाते हैं, उन चुनौतियों के बारे में बात करते हैं जिन्हें वे हल करने की कोशिश कर रहे हैं, और उन प्रयोगों के बारे में जिन्हें वे चला रहे हैं। इसके परिणामस्वरूप, आप बाजार के वास्तविक संदर्भ और उद्योग की दिशा को बहुत तेजी से समझने लगते हैं।

द्वारा, 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 में खेल, दिन में एक शांत लेकिन उत्पादक लय में केंद्रित काम, और शाम को परिवार के साथ पहाड़ों में या बस आराम करते हुए। सैन फ्रांसिस्को में, अक्सर ऐसा महसूस होता है कि आपको यह साबित करने की जरूरत है कि आप हर किसी की तुलना में अधिक काम कर रहे हैं। ज्यूरिख में, गति अलग है – अधिक टिकाऊ। हालांकि, यहां तकनीकी महत्वाकांक्षा कम नहीं है।

बेहतर डेटा से पहले बेहतर रोबोट

इस यात्रा से एक मुख्य निष्कर्ष यह था कि कई लोग आज रोबोटिक्स में काम करना चाहते हैं। लेकिन इसके बावजूद, उद्योग में रुचि के बावजूद, कई टीमें अभी भी अन्वेषण चरण में हैं, यह समझने की कोशिश कर रही हैं कि वे रोबोटिक्स और भौतिक एआई की नई लहर में क्या भूमिका निभा सकते हैं और 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, रोबोट की क्षमताएं अत्यंत सीमित हैं। जो काम मानव अपने हाथों से लगभग स्वचालित रूप से करते हैं – किसी वस्तु को उठाना, उसे घुमाना, सावधानी से कहीं रखना, या एक छोटी सी मैनिपुलेशन करना – रोबोट के लिए सबसे चुनौतीपूर्ण कार्यों में से एक है।

यहां प्रगति की कुंजी मुख्य रूप से बड़े पैमाने पर, ठीक से एकत्रित डेटासेट में निहित है। आज, लोग अक्सर स्व-केंद्रित डेटासेट के बारे में बात करते हैं, जो पहले व्यक्ति के दृष्टिकोण से रिकॉर्ड किया जाता है, जहां सिस्टम मानव क्रियाओं को कैप्चर करता है जैसे कि यह स्वयं उन्हें कर रहा हो। हालांकि, व्यवहार में, यह पता चलता है कि “स्व-केंद्रित डेटासेट” की अवधारणा विभिन्न चीजों का मतलब 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 ऑपरेटरों को विशेष दستانे का उपयोग करना चाहिए? और यदि ऐसा है, तो क्या उन दستانों में स्पर्श सेंसर, जायरोस्कोप, या अन्य मोशन-ट्रैकिंग सिस्टम शामिल होने चाहिए?

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

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

मल्टीमॉडल सिस्टम

जैसे ही बातचीत 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 संपर्क को अधिक सटीकता से कैप्चर करने में मदद करते 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 उपयोग करने योग्य नहीं होगा। कैमरा थोड़ा सा खिसक सकता है, शूटिंग कोण गलत हो सकता है, ऑपरेटर गलत तरीके से मुड़ सकता है, या ऑपरेटर बहुत तेजी से गति कर सकता है। इसके परिणामस्वरूप, 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 स्थान में पुनर्निर्माण करने में सक्षम बनाता है। इसके परिणामस्वरूप, 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 इसकी लागत को कम करता है।

इसलिए, यह कोई संयोग नहीं है कि कई टीमें मल्टीमॉडल डेटा एनोटेशन में बढ़ती रुचि को भी देख रही हैं। यह रोबोटिक्स और निहित एआई के विकास से जुड़ी एक और दृश्यमान प्रवृत्ति बन गई है।

अगला बिंदु ऐसे डेटासेट को लेबल करना है। हमने कीमकर पर रोबोटिक्स मामलों के लिए क्लाइंट डेटासेट के साथ काम करते समय इसी तरह के प्रश्नों का सामना किया है: व्यवहार में ऐसी एनोटेशन कैसी दिखनी चाहिए? क्या यह कंकाल होना चाहिए? दो-आयामी या तीन-आयामी? क्या पाइपलाइन में प्रबलित学习 के तत्वों को शामिल किया जाना चाहिए? ऐसे दर्जनों प्रश्न हैं। इंजीनियर स्वीकार करते हैं कि अभी तक कोई नहीं कह सकता कि कौन सा विशिष्ट डेटा कॉन्फ़िगरेशन अंततः 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 ऐसी स्थितियों के तहत रिकॉर्ड किया जाए जो वास्तविक दुनिया में पुन: उत्पन्न करना मुश्किल हो, जो अंततः पूरी परियोजना को कमजोर कर देगा। यही कारण है कि आज, मॉडल के साथ-साथ डेटा की गुणवत्ता और वास्तुकला पर भी अधिक ध्यान दिया जा रहा है।

बाजार को किस प्रकार के रोबोट की आवश्यकता है?

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

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

आधुनिक फैक्ट्री फ्लोर पर उच्च स्वचालन के बावजूद, कई कार्य अभी भी मानव द्वारा किए जाते हैं। किसी वस्तु को स्थानांतरित करना, एक बॉक्स उठाना, भागों को छानना, एक घटक को कसकर बंद करना, या सामग्रियों को व्यवस्थित करना – ये छोटी क्रियाएं हैं जिन्हें लचीलापन और समन्वय की आवश्यकता होती है। यह क्षेत्र अभी भी स्वचालन के लिए सबसे कठिन क्षेत्रों में से एक बना हुआ है, और यह वह जगह है जहां मानवनुमा प्रणालियां अपनी भूमिका पा सकती हैं।

मैंने जिन कई टीमों से बात की, वे एक समान व्यवसाय मॉडल का उपयोग कर रही थीं। वे एक फैक्ट्री को संपर्क करते हैं और एक विशिष्ट उत्पादन मामले को हल करने का प्रस्ताव रखते हैं। उदाहरण के लिए, एक श्रमिक पूरे दिन वेयरहाउस ज़ोन के बीच बॉक्स स्थानांतरित करता है। इंजीनियर एक tương đối सरल प्रयोग का सुझाव देते हैं: श्रमिक को एक कैमरा और सेंसर के सेट से सुसज्जित करें, हजारों घंटों की उनकी क्रियाओं को रिकॉर्ड करें, और इस डेटा का उपयोग एक मॉडल को प्रशिक्षित करने के लिए करें जो एक मानवनुमा रोबोट को नियंत्रित करेगा। इस तरह, रोबोट उन्हीं कार्यों को सीखता है जो मानव श्रमिक द्वारा किए जाते हैं।

वास्तव में, कंपनी एक मानवनुमा प्लेटफ़ॉर्म खरीदती है, जबकि विकास टीम एक कस्टम मॉडल बनाती है जो एक विशिष्ट ऑपरेटर के व्यवहार की नकल करता है। यह कोई सार्वभौमिक बुद्धिमत्ता नहीं है जो किसी भी कार्य को हल कर सकती है। बल्कि, यह एक विशिष्ट परिदृश्य या उत्पादन कार्यों के समूह के लिए प्रशिक्षित कौशल का सेट है। कई इंजीनियरों के लिए, यह दृष्टिकोण 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।

व्यवसायिक आयाम

यदि भविष्य कस्टम मॉडल में निहित है, तो यह समझना महत्वपूर्ण है कि आर्थिक दृष्टिकोण से, यह एक相当 लंबा विकास मार्ग है।

प्रत्येक उद्योग मूल रूप से अपनी दुनिया है। प्रत्येक उत्पादन वातावरण में अपनी प्रक्रियाएं, कार्य प्रवाह और अपवाद होते हैं। एक ऑटोमोबाइल फैक्ट्री में संचालित होने वाले रोबोट को सीधे खाद्य उत्पादन या वेयरहाउस लॉजिस्टिक्स में स्थानांतरित नहीं किया जा सकता है। प्रत्येक मामले में, प्रणाली को शुरू से प्रशिक्षित किया जाना चाहिए।

इसके परिणामस्वरूप, अगला तार्किक प्रश्न यह है: ऐसी प्रौद्योगिकी के पहले ग्राहक कौन होंगे?

इस चरण में, प्राथमिक अपनताओं को बड़े उद्यम होने की संभावना है – जिनमें बजट हैं और जिनके लिए स्वचालन एक महत्वपूर्ण आर्थिक प्रभाव पैदा कर सकता है। आज, एक मानवनुमा रोबोट की कीमत लगभग $60,000-$90,000 है, केवल हार्डवेयर के लिए। यह केवल बेस कॉन्फ़िगरेशन है। इसके अलावा, रखरखाव की लागत, बैटरी, चार्जिंग स्टेशन, बुनियादी ढांचे और सॉफ़्टवेयर हैं।

परिणामस्वरूप, ऐसे प्रणालियों के साथ प्रयोग करने में सक्षम कंपनियां बड़ी संगठन हैं, ऑटोमोबाइल निर्माता, खाद्य निगम और प्रमुख औद्योगिक उद्यम।

बेशक, छोटे क्षेत्रों में भी कुछ प्रारंभिक अपनता देखी जा सकती है। कुछ कंपनियां विशिष्ट कार्यों के लिए एक या दो रोबोट खरीद सकती हैं। हालांकि, अधिकांश मामलों में, ये व्यवसाय अभी भी उच्च विशिष्ट ऑपरेशनल परिदृश्यों के लिए आवश्यक कस्टम डेटासेट एकत्र करने और एनोटेट करने के लिए सैकड़ों हजारों यूरो 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: मानव या रोबोट में से कौन अधिक कुशल है? यदि हम आज की अर्थव्यवस्था को देखें, तो उत्तर स्पष्ट है: मानव श्रम सस्ता है, जल्दी से नई स्थितियों के अनुकूल होता है, और जटिल बुनियादी ढांचे की आवश्यकता नहीं होती है।

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

कई कंपनियां समझती हैं कि प्रौद्योगिकी नेतृत्व के लिए एक प्रकार की दौड़ चल रही है। वे उच्च लागत के बावजूद समाधान विकसित कर रहे हैं ताकि वे रोबोटिक्स के अर्थशास्त्र में बदलाव के समय तैयार हों।

जैसे-जैसे इलेक्ट्रॉनिक्स आगे बढ़ते हैं, घटक लागत घटती है, और कंप्यूटिंग दक्षता में सुधार होता है, रोबोटिक्स अनिवार्य रूप से अधिक सुलभ हो जाएगी। और जब ऐसा होगा, तो लाभ उन कंपनियों को मिलेगा जिन्होंने पहले से ही मॉडल बनाए हैं, डेटा एकत्र किया है, और आवश्यक प्रौद्योगिकी बुनियादी ढांचे की स्थापना की है।

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

यही कारण है कि विकास अभी भी जारी है, भले ही व्यवसाय अर्थशास्त्र अभी भी आदर्श नहीं दिख रहे हों। कई कंपनियों के लिए, यह भविष्य में निवेश है – उस पल में जब प्रौद्योगिकियां अधिक सुलभ हो जाती हैं और मांग तेजी से बढ़ जाती है।

और इस दौड़ में, जैसा कि कई प्रौद्योगिकी क्रांतियों में, एक कारक अक्सर निर्णायक साबित होता है: कौन पहले शुरू हुआ। इस意义 में, आज की रोबोटिक्स आर्टिफ़िशियल इंटेलिजेंस के शुरुआती चरणों से मेल खाती है। उस समय भी अधिक प्रश्न थे niż उत्तर। फिर भी, यह उन टीमों थीं जिन्होंने अन्य लोगों की तुलना में पहले डेटा और बुनियादी ढांचे के साथ काम करना शुरू किया था जिन्होंने अंततः पूरे उद्योग की दिशा को आकार दिया।