जेन वेसियो, Empiric Earth की अध्यक्ष – साक्षात्कार शृंखला

जेन वेसियो Empiric Earth की अध्यक्ष हैं और उत्पाद रणनीति, कॉर्पोरेट विकास तथा व्यावसायीकरण की देखरेख करती हैं। इससे पहले, वह Uber में मुख्य व्यवसाय विकास अधिकारी थीं, जहाँ उन्होंने मोबिलिटी और स्वायत्तता के क्षेत्र में वैश्विक व्यवसाय विकास और नई साझेदारियों का नेतृत्व किया। उनका अनुभव उभरती प्रौद्योगिकी कंपनियों में निवेश करने और उन्हें परामर्श देने तक भी फैला है। उनका खास ध्यान भौतिक एआई को शोध से व्यावसायिक इस्तेमाल तक पहुँचाने में मदद करने पर रहा है।

Empiric Earth वास्तविक दुनिया में वाहन-चालन से जुड़ी जानकारी, सुरक्षा मॉडल और सत्यापन क्षमताएँ उपलब्ध कराने के लिए Nexar और Nauto को एक साथ लाती है। कंपनी अरबों मील के ड्राइविंग इतिहास को दुर्लभ घटनाओं के रिकॉर्ड के साथ जोड़ती है, ताकि डेवलपर, बेड़ा संचालक और अन्य संगठन प्रदर्शन तथा जोखिम को समझ सकें। इस साक्षात्कार में वेसियो स्वतंत्र मूल्यांकन, ज़िम्मेदार डेटा प्रशासन, व्यावसायीकरण और भौतिक एआई को बड़े पैमाने पर विकसित करने के लिए ज़रूरी बुनियादी ढाँचे पर चर्चा करती हैं।

आपका करियर व्यापक रहा है और इसमें Uber में वैश्विक व्यवसाय विकास, उभरती प्रौद्योगिकियों में निवेश तथा भौतिक एआई के क्षेत्र की कंपनियों को परामर्श देना शामिल है। आप शुरुआत में अप्रैल में Empiric Earth के निदेशक मंडल में शामिल हुईं और हाल ही में अध्यक्ष की भूमिका संभाली। इस कंपनी ने आपको क्यों आकर्षित किया, और आखिर किस बात ने आपको अधिक सक्रिय नेतृत्वकारी भूमिका लेने के लिए राज़ी किया?

भौतिक एआई के क्षेत्र में निवेशक और सलाहकार के रूप में मुझे बार-बार एक ही कमी दिखाई देती थी। कई टीमें प्रयोग कर रही थीं, लेकिन उनमें से बहुत कम के पास ऐसा वास्तविक दुनिया का डेटा था जो साबित कर सके कि उनके सिस्टम परीक्षण के माहौल से बाहर भी काम करते हैं। Empiric Earth के पास यह डेटा पहले से था। वास्तविक परिस्थितियों में 10 अरब मील से अधिक की ड्राइविंग और 6 करोड़ किनारी मामले ऐसी चीज़ हैं जिन्हें न तो खरीदा जा सकता है, न ही गढ़ा जा सकता है।

इससे कंपनी एक असाधारण स्थिति में आ जाती है। हमें रोबोट, वाहन या मॉडल बनाने वाली कंपनियों से प्रतिस्पर्धा करने की ज़रूरत नहीं है। हम उन्हें जोखिम सँभालने, प्रदर्शन का सत्यापन करने और भरोसा कायम करने के लिए ज़रूरी वास्तविक दुनिया की जानकारी देकर बाज़ार तक जल्दी पहुँचने में मदद कर सकते हैं। निदेशक मंडल में रहते हुए मैंने देखा कि पूरे भौतिक एआई पारिस्थितिकी तंत्र की बुनियाद बनने वाली चीज़ खड़ी करने का अवसर मौजूद है।

मुझे अध्यक्ष की भूमिका तक लाने वाली वजह ज़ैक और उनका दृष्टिकोण था। मैं उन्हें तब से जानती हूँ जब हम दोनों मोबिलिटी के क्षेत्र में साझेदारियाँ बना रहे थे—मैं Uber में और वह Lyft में। जब कोई ऐसा व्यक्ति, जिस पर आपने इतने लंबे समय से भरोसा किया हो, आपके सामने कोई कठिन समस्या और ऐसी संपत्ति रखे जो किसी और के पास न हो, तो आप उसकी बात सुनते हैं। हम एक-दूसरे की खूबियों को पूरा करते हैं। वह इस क्षेत्र और इसकी दिशा के बारे में सोचते हैं। मैंने अपना करियर नई प्रौद्योगिकी को ऐसे कारोबारों में बदलने में बिताया है जिन्हें बड़े पैमाने पर विकसित किया जा सके। भौतिक एआई अभी शोध से निकलकर वास्तविक इस्तेमाल की ओर बढ़ रहा है, और मैं यह सब निदेशक मंडल की बैठक से देखते नहीं रहना चाहती थी।

Empiric Earth का गठन Nexar और Nauto के विलय से हुआ, जिससे वास्तविक दुनिया में वाहन-चालन की जानकारी और एआई-संचालित सुरक्षा में गहरी विशेषज्ञता रखने वाली दो कंपनियाँ एक साथ आईं। इस संयोजन से कौन-सी विशिष्ट क्षमताएँ हासिल होती हैं, और तेज़ी से बदलते भौतिक एआई बाज़ार में आप एकीकृत कंपनी को दूसरों से अलग कैसे देखती हैं?

Nexar और Nauto, दोनों की स्थापना 2015 में हुई थी। दोनों ने मिलकर दो दशकों से अधिक समय तक एक ही समस्या को दो अलग-अलग नज़रियों से मापा। साथ मिलकर हम समझ सकते हैं कि सड़क पर क्या हो रहा है और चालक उस पर कैसी प्रतिक्रिया देते हैं। इससे हमें वास्तविक दुनिया के व्यवहार और जोखिम की कहीं अधिक समृद्ध तस्वीर मिलती है।

व्यापक बाज़ार के लिए, यही अनुकरण और वास्तविक दुनिया के बीच का सेतु है। ज़्यादातर टीमें अनुकरण में निर्माण और परीक्षण करती हैं, लेकिन असली चुनौती यह साबित करना है कि कोई सिस्टम वास्तविक परिस्थितियों में भरोसेमंद ढंग से काम कर सकता है। हम साझेदारों को ऐसे परिदृश्य खोजने में मदद कर सकते हैं जिनका उनके सिस्टम ने सामना नहीं किया है, उनके मॉडल बेहतर बना सकते हैं और वास्तविक घटनाओं के आधार पर प्रदर्शन का सत्यापन कर सकते हैं। इससे विकास चक्र छोटा हो सकता है, जोखिम घट सकता है और व्यावसायीकरण में तेज़ी आ सकती है।

भौतिक एआई के पूरे पारिस्थितिकी तंत्र में स्वतंत्र मूल्यांकन संभव बनाने की हमारी क्षमता हमें दूसरों से अलग करती है। हम वे वाहन, रोबोट या स्वायत्त प्रणालियाँ नहीं बना रहे जिन्हें हमारे ग्राहक विकसित कर रहे हैं। हम उन्हें प्रदर्शन समझने, जोखिम सँभालने और भरोसा कायम करने में मदद करने वाली वास्तविक दुनिया की जानकारी उपलब्ध कराते हैं। इसके लिए तटस्थता, पोर्टेबिलिटी और अंतर-संचालनीयता के प्रति प्रतिबद्धता ज़रूरी है। जैसे-जैसे हम नए अनुप्रयोग, मॉडल और सेवाएँ बाज़ार में लाएँगे, हम चाहते हैं कि ग्राहक उन्हें अलग-अलग हार्डवेयर और प्रौद्योगिकी प्रणालियों पर इस्तेमाल कर सकें और किसी एक प्रदाता तक सीमित न रहें। हमारा लक्ष्य पूरे पारिस्थितिकी तंत्र के लिए “रेफरी” की भूमिका निभाना है, न कि उसमें किसी एक पक्ष को विजेता चुनना।

भौतिक एआई कृत्रिम बुद्धिमत्ता की अगली बड़ी सीमाओं में से एक के रूप में उभर रहा है। इसके अनुप्रयोगों में स्वायत्त वाहन, रोबोटिक्स और बुद्धिमान बुनियादी ढाँचा शामिल हैं। आपके विचार में, कौन-सी सबसे बड़ी बाधाएँ इन प्रणालियों को अप्रत्याशित वास्तविक परिस्थितियों में भरोसेमंद ढंग से काम करने से रोकती हैं, और इन बाधाओं को दूर करने के लिए वास्तविक दुनिया के डेटा तक पहुँच इतनी महत्वपूर्ण क्यों है?

सबसे बड़ी बाधा यह है कि भौतिक दुनिया का विवरण कभी लिखकर दर्ज ही नहीं किया गया। भाषा मॉडल तेज़ी से बेहतर हुए, क्योंकि उन्हें दशकों से लोगों द्वारा तैयार किए गए पाठ पर प्रशिक्षित किया गया। सड़क, गोदाम के फ़र्श या फुटपाथ के लिए ऐसा कोई समकक्ष डेटा उपलब्ध नहीं है। वहाँ होने वाली ज़्यादातर घटनाएँ—जैसे कोई हादसा होते-होते बचना या आज सुबह बंद हुई लेन—कभी दर्ज ही नहीं होतीं।

इससे दो समस्याएँ पैदा होती हैं। पहली यह कि भौतिक दुनिया लगातार बदलती रहती है। किसी सिस्टम को यह जानना होता है कि अभी क्या सच है, और पिछले वसंत की कोई तस्वीर उसे उस सड़क के बारे में नहीं बता सकती जो आज सुबह बदल गई हो। बीते कल में लौटकर डेटा इकट्ठा करना भी संभव नहीं है। दूसरी समस्या विखंडन की है। कोई एक कंपनी अपने दम पर दुनिया का पर्याप्त हिस्सा नहीं देख पाती, इसलिए डेवलपर अलग-अलग डेटासेट, मॉडल और तकनीकी ढाँचों के साथ अलग-अलग प्रयोग कर रहे हैं। इससे नतीजों की तुलना करना, कारगर तरीकों को साझा करना और आशाजनक शोध को व्यावसायिक रूप से व्यवहार्य उत्पादों में बदलना कठिन हो जाता है।

इन दोनों समस्याओं से पार पाने का तरीका वास्तविक दुनिया का डेटा है। किसी सिस्टम को विफल करने वाली दुर्लभ घटनाएँ हर दिन कहीं न कहीं होती हैं, और उन्हें लगातार वास्तविक परिस्थितियों की बहुत बड़ी विविधता का अवलोकन करके ही खोजा जा सकता है। हमारे अमेरिकी डेटा में हर टक्कर के पीछे लगभग 19 ऐसी घटनाएँ होती हैं जिनमें टक्कर होते-होते बचती है, और उनमें से लगभग किसी का भी उल्लेख पुलिस रिपोर्ट या बीमा दावे में नहीं होता। Zach ने हाल ही में एक निबंध में इसे अच्छी तरह कहा: सुरक्षा उन चीज़ों का अध्ययन है जो हुई ही नहीं। अगर किसी ने उन घटनाओं की गिनती ही नहीं की, तो उनका अध्ययन नहीं किया जा सकता।

Empiric Earth ने ड्राइविंग के 10 अरब मील से अधिक का इतिहास और 6 करोड़ से अधिक सीमांत मामले जुटाए हैं; इसके अलावा हर महीने सैकड़ों मिलियन मील का अतिरिक्त डेटा भी दर्ज किया जाता है। इतना विशाल डेटासेट एआई डेवलपरों को अधिक विश्वसनीय स्वायत्त सिस्टम प्रशिक्षित करने और उनकी पुष्टि करने में कैसे मदद कर सकता है—खासकर उन दुर्लभ या खतरनाक परिस्थितियों में, जिन्हें पारंपरिक सिमुलेशन में दोहराना कठिन होता है?

अब ज़्यादातर सिस्टम सामान्य ड्राइविंग अच्छी तरह संभाल लेते हैं। फिर भी उन्हें मुश्किल में डालने वाली चीज़ें दुर्लभ घटनाओं की लंबी पूँछ हैं: कोई दुर्घटना, खड़ी कारों के बीच से अचानक सड़क पर आ जाता पैदल यात्री, सड़क पर कोई जानवर या ऐसा निर्माण क्षेत्र जो पिछले सप्ताह वहाँ नहीं था। ये घटनाएँ इतनी दुर्लभ होती हैं कि परीक्षण वाहनों का बेड़ा उपयोगी संख्या में इन्हें पकड़ नहीं सकता, और सिमुलेशन केवल उन्हीं चीज़ों को दोहरा सकता है जिन्हें मॉडल में शामिल करने के बारे में किसी ने पहले से सोचा हो।

Empiric Earth को इन्हीं घटनाओं का पता लगाने के लिए बनाया गया था। हम अपने नेटवर्क द्वारा तय किए गए हर मील का प्रसंस्करण नहीं करते। हम केवल उस छोटे हिस्से को रखते हैं जिसे हमारे मॉडल असामान्य या जोखिमपूर्ण बताते हैं। इसी तरह 10 अरब मील का डेटा उन 6 करोड़ सीमांत मामलों में बदलता है जिनका डेवलपर वास्तव में उपयोग कर सकता है।

टीमें इस रिकॉर्ड का तीन तरीकों से उपयोग करती हैं। वे इसमें खोज करती हैं: निर्माण क्षेत्रों पर काम कर रही कोई टीम, कुछ उदाहरणों को स्क्रिप्ट करने के बजाय, ऐसे हज़ारों वास्तविक उदाहरण निकाल सकती है जिनमें मानव चालक इन क्षेत्रों से होकर गुज़रे। वे अनुपलब्ध उदाहरण माँगती हैं: अगर किसी सिस्टम को व्यस्त चौराहों पर बाएँ मुड़ने में कठिनाई होती है, तो हम नेटवर्क को ठीक उसी स्थिति पर केंद्रित कर सकते हैं और घटनाएँ घटने के साथ नए उदाहरण जुटा सकते हैं। और वे अपने सिमुलेशन की वास्तविकता से तुलना करती हैं। जब कोई साझेदार पैदल यात्रियों और साइकिल चालकों से जुड़ी वास्तविक टक्करों और टक्कर होते-होते बचने की घटनाओं का पुनर्निर्माण करता है, तो वह सिस्टम जारी करने से पहले देख सकता है कि उसकी सिम्युलेटेड दुनिया वास्तविक दुनिया की तरह व्यवहार करती है या नहीं।

इसी वजह से इसका मूल्य केवल डेटा तक सीमित नहीं है। सिमुलेशन अनिवार्य है, लेकिन उसे वास्तविक दुनिया में सचमुच होने वाली घटनाओं पर आधारित होना चाहिए। डेवलपरों को ऐसे साक्ष्यों तक पहुँच देने से उन्हें कमियाँ पहले पहचानने, अपने सिस्टम में तेज़ी से सुधार करने और तैनाती के लिए तैयार होने का निर्णय अधिक ठोस जानकारी के आधार पर लेने में मदद मिलती है। इससे उद्योग के विस्तार के साथ-साथ अधिक सुसंगत और स्वतंत्र मूल्यांकन की नींव भी तैयार होती है।

Empiric Earth का एक प्रमुख सिद्धांत उन स्वायत्त प्रणालियों और वाहन निर्माताओं से स्वतंत्र रहना है जिनका यह मूल्यांकन करता है। जैसे-जैसे फिजिकल एआई का व्यापक तैनाती की ओर बढ़ना जारी है, स्वतंत्र सत्यापन अधिक महत्वपूर्ण क्यों होता जा रहा है, और एआई सुरक्षा के सार्थक मानदंड स्थापित करने के लिए उद्योग को कौन-से मानक अपनाने चाहिए?

जैसे-जैसे फिजिकल एआई शोध के वातावरण से निकलकर सार्वजनिक स्थानों में पहुँच रहा है, भरोसा तकनीकी प्रदर्शन जितना ही महत्वपूर्ण हो जाता है।

आज उद्योग का बड़ा हिस्सा डेवलपरों पर निर्भर करता है कि वे अपने ही सिस्टम के प्रदर्शन का परीक्षण करें और उसकी रिपोर्ट दें। इस चरण में यह समझ में आता है, लेकिन जैसे-जैसे अधिक स्वायत्त सिस्टम रोज़मर्रा के परिवेश में प्रवेश करेंगे, ग्राहक, नियामक और आम जनता इस बात के स्वतंत्र प्रमाण की बढ़ती अपेक्षा करेंगे कि ये सिस्टम विश्वसनीय ढंग से काम करते हैं।

हमने दूसरे उद्योगों में भी इस चुनौती के रूप देखे हैं। जब आप कार में बैठते हैं, तो चालकों को लाइसेंस देने, वाहनों का निरीक्षण करने और सुरक्षा की अपेक्षाएँ तय करने की एक स्थापित व्यवस्था होती है। फिजिकल एआई को अपनी तत्परता और प्रदर्शन साबित करने के लिए अपने तरीके विकसित करने होंगे। स्वायत्त वाहनों के मामले में यह ड्राइविंग लाइसेंस जैसा हो सकता है: एक मानकीकृत परीक्षण, जो दिखाए कि सिस्टम का प्रदर्शन मानव चालक के स्तर के बराबर या उससे बेहतर है।

सवाल यह है कि केवल नियंत्रित परीक्षणों या सिमुलेशन पर निर्भर रहने के बजाय, वास्तविक दुनिया की परिस्थितियों को दर्शाने वाले सार्थक मानदंड कैसे स्थापित किए जाएँ। ये मानदंड वास्तविक दुनिया के डेटा पर आधारित होने चाहिए, दुर्लभ और खतरनाक परिस्थितियों को ध्यान में रखने चाहिए और अलग-अलग सिस्टमों के प्रदर्शन का एकसमान ढंग से मूल्यांकन करने की सुविधा देनी चाहिए।

यहीं Empiric Earth महत्वपूर्ण भूमिका निभा सकता है। हमारा मानना नहीं है कि स्वायत्त सिस्टम विकसित करने वाली कंपनियों को ही उनके प्रदर्शन का मूल्यांकन करने का एकमात्र अधिकार होना चाहिए। हमारी भूमिका स्वतंत्र वास्तविक-जगत की जानकारी, मॉडल और सत्यापन क्षमताएँ उपलब्ध कराना है, ताकि दूसरे लोग प्रदर्शन का आकलन कर सकें, जोखिम का प्रबंधन कर सकें और भरोसा कायम कर सकें। तटस्थ और परस्पर-संगत बने रहकर हम किसी एक तरीके को प्राथमिकता दिए बिना अलग-अलग तकनीकों और प्लेटफ़ॉर्मों के मूल्यांकन में सहायता कर सकते हैं।

अंततः, मानक स्थापित करने के लिए डेवलपरों, शोधकर्ताओं, नियामकों और अन्य हितधारकों के बीच सहयोग आवश्यक होगा। हम ऐसी नींव तैयार करने में मदद करना चाहते हैं जिससे स्वतंत्र मूल्यांकन संभव हो, ताकि भरोसा दावों के बजाय साक्ष्यों पर आधारित हो।

जैसे-जैसे अधिकाधिक उन्नत एआई प्रणालियाँ भौतिक दुनिया के साथ संवाद कर रही हैं, संगठनों को व्यापक वास्तविक-जगत के डेटा की ज़रूरत और निजता, सुरक्षा तथा ज़िम्मेदार डेटा-प्रबंधन के बीच संतुलन बनाना होगा। Empiric Earth इन चुनौतियों से कैसे निपटता है, और बड़े पैमाने पर फिजिकल एआई का बुनियादी ढाँचा तैयार करते समय लोगों का भरोसा जीतने के लिए कौन-से सुरक्षा उपाय ज़रूरी हैं?

भरोसे की शुरुआत इस बात से होती है कि डेटा कैसे एकत्र किया जाता है, उसकी सुरक्षा कैसे की जाती है और उसका इस्तेमाल कैसे होता है। Empiric Earth में निजता को शुरुआत से ही हमारे काम करने के तरीके का हिस्सा बनाया गया है। हम हर पल की ड्राइविंग को समान रूप से मूल्यवान मानने के बजाय उन वास्तविक-जगत की घटनाओं को दर्ज करने पर ध्यान देते हैं, जिनसे सार्थक जानकारी मिलती है। पहचान हटाना और डेटा को ज़िम्मेदारी से संभालना इस प्रक्रिया के बुनियादी पहलू हैं।

डेटा का स्रोत और उसका इतिहास भी उतना ही मायने रखता है। जैसे-जैसे फिजिकल एआई व्यावसायिक इस्तेमाल की ओर बढ़ रहा है, डेवलपरों को यह जानना ज़रूरी है कि उनका डेटा कहाँ से आया, उसे कैसे एकत्र किया गया और उसके इस्तेमाल पर कौन-से अधिकार लागू होते हैं। इस बुनियाद के बिना विस्तार के लिए ज़रूरी भरोसा कायम करना मुश्किल है।

अलग-अलग बाज़ारों में निजता, सहमति और डेटा को कहाँ रखा जाए, इसे लेकर अलग-अलग ज़रूरतें भी होती हैं। हमारा प्लेटफ़ॉर्म हर देश के लिए अलग सेटिंग लागू करता है, ताकि सिस्टम को नए सिरे से बनाए बिना स्थानीय नियमों का पालन किया जा सके। कहाँ और किस तरह विस्तार करना है, इसका आकलन करते समय हमें इन अंतरों को ध्यान में रखना पड़ता है।

व्यापक सिद्धांत पारदर्शिता का है। फिजिकल एआई के लिए बुनियादी ढाँचा बनाने वाले किसी भी व्यक्ति को यह स्पष्ट करने में सक्षम होना चाहिए कि वह कौन-सा डेटा एकत्र करता है, उसकी सुरक्षा कैसे करता है और उसका इस्तेमाल कौन कर सकता है। डेटा के ज़िम्मेदार तौर-तरीके अपनाना सफल व्यवसाय बनाने से अलग नहीं है। व्यापक रूप से अपनाए जाने की संभावना इन्हीं तौर-तरीकों से बनती है।

Uber में आपका अनुभव उभरती प्रौद्योगिकियों और रणनीतिक साझेदारियों को विस्तार योग्य व्यवसायों में बदलने से जुड़ा रहा है। अपनी नई भूमिका में आप Empiric Earth की उत्पाद रणनीति, कॉरपोरेट विकास और व्यावसायीकरण की ज़िम्मेदारी संभालते हैं। Uber में अपने समय से मिले कौन-से सबक फिजिकल एआई का विस्तार करने में सबसे ज़्यादा काम आते हैं, और आप कैसे तय करते हैं कि क्षमताएँ कंपनी के भीतर विकसित की जाएँ या अधिग्रहण अथवा साझेदारियों का रास्ता अपनाया जाए?

Uber ने मुझे सिखाया कि सही जवाब बदल सकता है। हमने अपना स्वायत्त वाहन कार्यक्रम, ATG, बनाया, क्योंकि हमारा मानना था कि हमें पूरे प्रौद्योगिकी ढाँचे का स्वामित्व अपने पास रखना होगा। बाद में हमने इसे Aurora को बेच दिया और साझेदारियों के ज़रिए स्वायत्त वाहन क्षेत्र में फिर लौटे। जिस समय हमने ये दोनों फ़ैसले लिए, उस समय वे उचित थे। जो बदला, वह था गति, लागत और जोखिम को लेकर हमारे मानदंड।

इसलिए कुछ खुद बनाने, खरीदने या साझेदारी करने से जुड़े हर फ़ैसले में हम वही सवाल पूछते हैं। जोखिम क्या है? इसमें कितने संसाधन और पूँजी लगेंगे? यह हमें बाज़ार तक कितनी जल्दी पहुँचाएगा, और इस बीच प्रतिस्पर्धी क्या कर रहे होंगे? क्या यह हमारी रणनीति के अनुरूप है?

Empiric Earth की शुरुआत अधिकांश कंपनियों से अलग स्थिति से होती है, क्योंकि हमारे पास पहले से ही वह सबसे मुश्किल चीज़ है जिसे विकसित करना होता है—डेटा। हम वहीं निर्माण करते हैं जहाँ यह बुनियाद हमें ऐसा लाभ देती है जिसकी नकल करना मुश्किल है। अधिग्रहण तब उचित होते हैं, जब उनसे पूरक क्षमताएँ जुड़ें या हमारी रणनीति को गति मिले। साझेदारियाँ अक्सर ग्राहकों तक पहुँचने, नए बाज़ारों में जाने और व्यावसायिक स्तर पर विस्तार करने का सबसे तेज़ रास्ता हो सकती हैं। फिजिकल एआई का दायरा इतना व्यापक है कि कोई एक कंपनी सब कुछ नहीं बना सकती। इसलिए हम ऐसे साझेदारों के साथ काम करना चाहते हैं जो पूरे पारितंत्र को मज़बूत बनाने में मदद कर सकें, और बाज़ार की परिस्थितियों तथा अपनी प्रतिस्पर्धी बढ़त—यानी अपनी परिसंपत्तियों—के अनुरूप अपने कदमों का क्रम तय करना चाहते हैं।

आप ओपन-सोर्स एआई पारितंत्र से भी जुड़े रहे हैं, जिसमें OpenClaw समुदाय के साथ आपका काम शामिल है। आपके विचार में ओपन-सोर्स नवाचार फिजिकल एआई की प्रगति में किस तरह योगदान दे सकता है? क्या अधिक पारदर्शिता और सहयोग, इन प्रणालियों के लिए ज़रूरी सुरक्षा और शासन मानकों को बनाए रखते हुए, उन्हें अपनाने की गति बढ़ा सकते हैं?

ओपन सोर्स ने सॉफ़्टवेयर में एआई की प्रगति की रफ़्तार बदल दी। जब ज़्यादा लोग एक ही टूल के आधार पर काम कर सकते हैं, तो शोध के चक्र छोटे हो जाते हैं और अच्छे विचार हर जगह से आते हैं—सिर्फ़ सबसे बड़ी प्रयोगशालाओं से नहीं। फिजिकल एआई अभी इस राह के शुरुआती दौर में है। इस क्षेत्र का बड़ा हिस्सा अब भी शोध और डेमो तक सीमित है, और अब सवाल यह है कि इस काम को टिकाऊ व्यवसायों में कैसे बदला जाए।

मैं OpenClaw Foundation में साझेदारी प्रमुख था। इस संस्था की शुरुआत Peter Steinberger के ओपन-सोर्स, व्यक्तिगत एजेंटिक एआई के दृष्टिकोण को समर्थन देने के लिए हुई थी। यह उन सबसे स्पष्ट उदाहरणों में से एक है जिन्हें मैंने किसी ओपन प्रोजेक्ट को वास्तविक काम में तेज़ी लाते देखा है, क्योंकि लोग इसे लेकर अपने सिस्टम पर चला सकते थे और अपने वास्तविक काम के लिए उपयोगी बना सकते थे।

मेरा मानना है कि फिजिकल एआई को इस सबक को गंभीरता से लेना चाहिए। ओपन टूल की मदद से ज़्यादा टीमें शून्य से शुरुआत किए बिना निर्माण और प्रयोग कर सकती हैं। ग्राहकों से डेटा कहीं और भेजने को कहने के बजाय उसे उनके अपने परिवेश में ही रखने से कंपनियों की झिझक की एक बड़ी वजह दूर हो जाती है। कोई बेड़ा, शहर या निर्माता अपने डेटा पर, अपने नियंत्रण में, एआई का इस्तेमाल कर सकता है और उससे मिलने वाला लाभ जल्दी देख सकता है।

इन दोनों विचारों के मेल से ही यह उद्योग शोध और डेमो से आगे बढ़कर ऐसे उत्पादों तक पहुँच सकता है जिनके लिए लोग भुगतान करें। केवल खुलापन किसी सिस्टम को सुरक्षित नहीं बनाता, इसलिए वास्तविक परीक्षण, स्पष्ट शासन और जवाबदेही फिर भी ज़रूरी हैं। लेकिन ऐसा खुला पारितंत्र, जिसमें डेटा उन्हीं लोगों के पास रहता है जिनका वह है, ज़्यादा प्रणालियों को वास्तविक इस्तेमाल तक पहुँचाता है—और वहीं से सीख लगातार बढ़ती जाती है।

Empiric Earth में हमारी रुचि इस बात में है कि ग्राहक के अपने परिवेश में रहने वाले ओपन टूल्स और डेटा, वास्तविक दुनिया के उस डेटा की सुरक्षा करते हुए, पूरे भौतिक एआई इकोसिस्टम को विकसित करने में कैसे मदद कर सकते हैं, जो हमारे काम को मूल्यवान बनाता है। हमारा मानना ​​है कि इकोसिस्टम को आगे बढ़ाना और एक टिकाऊ व्यवसाय खड़ा करना, परस्पर विरोधी लक्ष्य नहीं होने चाहिए।

आपने एआई नेतृत्व में अधिक महिलाओं को शामिल करने के महत्व पर बात की है, खासकर ऐसे समय में जब उद्योग सुरक्षा मानक और शासन-ढाँचे स्थापित करना शुरू कर रहा है। ये मानक और ढाँचे तय करेंगे कि बुद्धिमान मशीनें समाज में किस तरह काम करेंगी। आपके विचार से, नेतृत्व में अधिक विविधता सुरक्षित और अधिक ज़िम्मेदार एआई प्रणालियों के विकास को कैसे प्रभावित कर सकती है?

इस विषय पर मैं सावधानी से बात करती हूँ, क्योंकि “अधिक महिलाओं को शामिल करो और एआई सुरक्षित हो जाएगा” कहना अपने आप में एक तरह का पूर्वाग्रह है। बात इससे कहीं व्यापक है। हम जो एजेंट बना रहे हैं, वे इस बात से सीखते हैं कि मनुष्यों ने अब तक क्या किया है और हम उन्हें कैसे सिखाते हैं। अगर उन्हें सिखाने की प्रक्रिया को आकार देने वाले सभी लोग एक ही तरह से सोचते हैं, तो प्रणालियाँ भी वही कमियाँ अपना लेती हैं।

विविध नेतृत्व से इस बारे में फ़ैसले लेते समय अधिक नज़रिए सामने आते हैं कि किसी एजेंट को किन मूल्यों को प्राथमिकता देनी चाहिए। इनमें सहानुभूति, परवाह और किसी फ़ैसले का उससे प्रभावित व्यक्ति पर क्या असर होगा, ये बातें भी शामिल हैं। एआई से जुड़े कई जोखिम तकनीकी हैं। अन्य जोखिम तब पैदा होते हैं, जब प्रणालियाँ ऐसे फ़ैसले लेती हैं जो उनसे प्रभावित लोगों के मूल्यों या ज़रूरतों को प्रतिबिंबित नहीं करते। इन फ़ैसलों में अलग-अलग नज़रियों को शामिल करने से हमें कमियों को वास्तविक दुनिया की समस्याएँ बनने से पहले पहचानने में मदद मिलती है।

इन प्रणालियों से मेरी अपेक्षा सरल है। उन्हें लोगों के बेहतर फ़ैसले लेने में मदद करनी चाहिए और वास्तविक जीवन में एक-दूसरे के साथ बिताने के लिए हमें अधिक समय देना चाहिए। इस लक्ष्य तक पहुँचने के लिए कई तरह के नज़रियों से संतुलन और ठोस नियंत्रण ज़रूरी हैं। कोई एक समूह अकेले इसे हासिल नहीं कर सकता। हमें महिलाओं को भाग लेने और एजेंट-से-मानव, एजेंट-से-एजेंट और मानव-से-मानव संबंधों को आगे बढ़ाने के लिए प्रेरित और प्रोत्साहित करना होगा।

अगले तीन से पाँच वर्षों को देखते हुए, सड़क सुरक्षा और फ़्लीट इंटेलिजेंस में अपने मौजूदा अनुप्रयोगों से आगे Empiric Earth के लिए आपको सबसे बड़े अवसर कहाँ दिखाई देते हैं? जैसे-जैसे स्वायत्त वाहन, रोबोटिक्स और अन्य भौतिक एआई प्रौद्योगिकियाँ रोज़मर्रा की ज़िंदगी का अधिक अभिन्न हिस्सा बनती जाएँगी, इस बदलाव को सहारा देने वाले बुनियादी ढाँचे में Empiric Earth की क्या भूमिका होगी?

सड़क सुरक्षा और फ़्लीट वे क्षेत्र हैं जहाँ से हमने शुरुआत की थी, और वे आज भी हमारे व्यवसाय के मूल में हैं। लेकिन इससे बड़ा अवसर जोखिम घटाकर, सत्यापन का एक मानक उपलब्ध कराकर और अंततः वास्तविक दुनिया को अधिक सुरक्षित बनाकर भौतिक एआई को सहारा देने में है।

चाहे आप स्वायत्त वाहन बना रहे हों, डिलीवरी रोबोट या वास्तविक दुनिया में विज्ञापन और वाणिज्य के नेटवर्क को संचालित करने वाली खुदरा-बुद्धिमत्ता प्रणाली—मूल चुनौतियाँ मिलती-जुलती हैं। आप कैसे समझेंगे कि वास्तविक दुनिया में क्या हो रहा है? आपको कैसे पता चलेगा कि कोई प्रणाली अप्रत्याशित परिस्थितियों से निपट सकती है? और जब ये प्रणालियाँ व्यावसायिक उपयोग में लाई जाएँगी, तो आप उनके प्रदर्शन का मूल्यांकन और जोखिम का प्रबंधन कैसे करेंगे?

मेरी नज़र में Empiric Earth भौतिक एआई इकोसिस्टम के लिए बुद्धिमत्ता की एक अहम परत बनेगा और वास्तविक दुनिया का डेटा, मॉडल, एप्लिकेशन तथा सेवाएँ उपलब्ध कराएगा। इनकी मदद से डेवलपर, साझेदार और संचालक उन सवालों के जवाब पा सकेंगे। इस दृष्टि के लिए तटस्थता, पोर्टेबिलिटी और अंतर-संचालनीयता अहम होंगी। हम चाहते हैं कि हमारी क्षमताएँ अलग-अलग तकनीकों और प्लेटफ़ॉर्म पर काम करें, ताकि ग्राहक अपने लिए सबसे उपयुक्त समाधान अपना सकें।

वास्तविक दुनिया में ड्राइविंग से जुड़ी बुद्धिमत्ता के क्षेत्र में हमारी नींव असाधारण रूप से मज़बूत है। अब नए सामर्थ्यों, साझेदारियों और व्यावसायिक मॉडलों के ज़रिए इस नींव पर आगे निर्माण करने का अवसर है।

भौतिक एआई का विस्तार इसलिए नहीं होगा कि कोई एक कंपनी सबसे अच्छा रोबोट या मॉडल बना लेती है। इसका विस्तार तब होगा, जब व्यापक इकोसिस्टम के पास इन प्रणालियों को वास्तविक दुनिया में काम में लाने के लिए बुद्धिमत्ता, टूल्स और सुरक्षा उपाय होंगे। Empiric Earth इसी भूमिका में योगदान देना चाहता है।

इस शानदार साक्षात्कार के लिए धन्यवाद। वास्तविक दुनिया की बुद्धिमत्ता और भौतिक एआई के स्वतंत्र सत्यापन के बारे में जानने के इच्छुक पाठक Empiric Earth की वेबसाइट पर जाएँ।