रोबोट्स को प्रोग्राम करने वाला मस्तिष्क और अनदेखे बिंदु

रोबोट्स को प्रोग्राम करने वाला मस्तिष्क और अनदेखे बिंदु

16 मार्च, 2026 को, Skild AI ने कुछ ऐसा घोषित किया जो स्वचालन उद्योग में दशकों से वादा किया जा रहा था: एक ऐसा कृत्रिम बुद्धिमत्ता मॉडल जो किसी भी रोबोट को किसी भी कार्य को नियंत्रित करने की क्षमता रखता है, बिना विशेष प्रोग्रामिंग की आवश्यकता के। इसे Skild Brain कहा जाता है। ABB Robotics, Universal Robots, Mobile Industrial Robots और NVIDIA के साथ उनकी साझेदारियों ने इस घोषणा को एक ठोस संकेत बना दिया कि सामान्य रोबोटिक्स अब एक शैक्षणिक कागज नहीं बल्कि उत्पादक आधारभूत संरचना बन चुकी है।

संख्याएँ नजरअंदाज करना कठिन हैं। 60% से 80% नया कार्य करने की क्षमता डेटा संग्रहण के घंटों के भीतर। 1.5 गुना वजन तक लोड उठाने की क्षमता। एक यूनिट के लिए 4,000 से 15,000 डॉलर में लागू होने का खर्च, जबकि पारंपरिक कस्टम स्वचालन सिस्टम के लिए 250,000 डॉलर से अधिक। CEO दीपक पाठक ने इसे संक्षेप में कहा: रोबोटिक्स एक ऐसे मोड़ पर है जहां कुछ साल पहले भाषा मॉडल थे। यह कोई भावुकता नहीं है। यह उस क्षण का तकनीकी विवरण है।

लेकिन इस लॉन्च का एक आयाम है जिसे प्रेस विज्ञप्तियों में नहीं बताया गया है, और जिसे मैं एक सामाजिक पूंजी और संरचनात्मक समानता के विश्लेषक के रूप में अनदेखा नहीं कर सकता: जब कोई प्रौद्योगिकी वास्तविक दुनिया में भौतिक निर्णयों को औद्योगिक पैमाने पर स्वचालित करने का वादा करती है, तो इसे डिजाइन करने वाली टीम की संरचना मानव संसाधनों का एक डेटा बनकर नहीं रहती, बल्कि यह एक वित्तीय जोखिम का एक चर बन जाती है।

तकनीकी वादा और जो इसे समर्थन देता है

Skild Brain एक ऐसा मॉडल है जिसे उसके निर्माताओं द्वारा एक सर्वागीण आधार मॉडल कहा गया है: यह सिमुलेशन में उत्पन्न सिंथेटिक डेटा, मानव व्यवहार के वीडियो जो इंटरनेट पर उपलब्ध हैं, और उत्पादक तैनाती में एकत्र वास्तविक डेटा पर प्रशिक्षित होता है। यह एक कार्य नहीं सीखता; यह कार्य सीखने के लिए सीखता है। इसे समर्थन देने वाली अवसंरचना में HPE Cray XD670 सिस्टम, NVIDIA HGX H200 प्रशिक्षण के लिए और दृश्यता के लिए आठ NVIDIA L40S शामिल हैं, साथ ही NVIDIA के भौतिक सिमुलेशन मॉडल Cosmos और Isaac Lab।

इस मॉडल को अपने प्रतिस्पर्धियों से तकनीकी दृष्टि से रणनीतिक रूप से अलग बनाता है सिर्फ इसकी तकनीकी क्षमता नहीं, बल्कि वह डेटा संरचना जो इसे संचालित करती है। प्रत्येक उत्पादक तैनाती नए डेटा उत्पन्न करती है जो मॉडल में सुधार करती है, जो नए तैनाती को सक्षम करती है, जो अधिक डेटा उत्पन्न करती है। यह एक फीडबैक चक्र है जिसकी गति OEM भागीदारों की संख्या के साथ बढ़ती है। ABB, Universal Robots और MiR सिर्फ ग्राहक नहीं हैं; वे एक वितरित सीखने की नेटवर्क के नोड हैं। Skild की प्रतिस्पर्धात्मक बढ़त सिर्फ मॉडल में नहीं है: यह उस गति में है जिससे यह मॉडल वास्तविक स्थितियों में अपडेट होता है।

यह वित्तीय रूप से सीधा प्रभाव डालता है। 1.4 बिलियन डॉलर की फंडिंग के साथ, Skild निर्माण कर रहा है जिसे वे आंतरिक रूप से AI फैक्ट्री कहते हैं, प्रशिक्षण और उत्पादन को एक ही प्रवाह में एकीकृत करना। OEM के लिए API के माध्यम से मॉडल का लाइसेंसिंग सतत राजस्व उत्पन्न करता है, जबकि तैनात की गई मात्रा धीरे-धीरे नई कार्यों के लिए अनुकूलता की सीमांत लागत को कम करती है। इस मॉडल की एकात्मक अर्थव्यवस्था समय के साथ मजबूत होती है, कमजोर नहीं होती। यह हार्डवेयर या स्वचालन परामर्श बेचने से संरचनात्मक रूप से भिन्न है।

पूर्व-ट्रेन किया गया पूर्वाग्रह जो किसी ने नहीं देखा

यहाँ वह तनाव है जिसे मैं पहचानना चाहता हूँ। Skild Brain दो मुख्य स्रोतों से सीखता है: एल्गोरिदमिक रूप से उत्पन्न भौतिक सिमुलेशन और इंटरनेट पर उपलब्ध मानव व्यवहार के वीडियो। दूसरों में, दूसरी सामग्री जो सबसे अधिक जांच की जानी चाहिए।

इंटरनेट पर मौजूद मानव व्यवहार के वीडियो उस तरह का प्रतिनिधि नमूना नहीं हैं कि मनुष्य भौतिक दुनिया के साथ कैसे बातचीत करते हैं। यह उनके पैटर्न को दर्शाते हैं जो बड़े पैमाने पर डिजिटल सामग्री उत्पन्न करते हैं: विशिष्ट जनसांख्यिकी, ख़ास भौगोलिक स्थान, और कामकाजी और घरेलू वातावरण के प्रकार जिनका वेब पर अधिक प्रतिनिधित्व है। एक ऐसा मॉडल जो इस आधार पर प्रशिक्षित है वस्तुओं को संचालित करना, स्थानों को नेविगेट करना और विफलताओं से उबरना सीखता है उसी उपसमूह के भौतिक पैटर्न के अनुसार, न कि वास्तव में उन औद्योगिक वातावरणों की विविधता के अनुसार जहाँ इसे तैनात किया जाएगा।

यह अटकलबाजी नहीं है। यह अनुकरण द्वारा सीखे जाने वाले सिस्टम में पूर्वाग्रह की प्रलेखित यांत्रिकी है। जब वही पूर्वाग्रह एक ऐसे रोबोट में स्थापित होता है जो मलेशिया के एक उत्पाद संयंत्र में, मेक्सिको में एक निर्माण स्थल पर, या नाइजीरिया में एक लॉजिस्टिक्स गोदाम में काम करता है, तो प्रशिक्षित व्यवहार और वास्तविक वातावरण के बीच का अंतर कार्य प्रदर्शन में विफलताओं का कारण बनता है जिसे कोई भी प्रयोगशाला बेंचमार्क नहीं देखता। और उन विफलताओं के संचालित लागतें होती हैं, कोई अमूर्त नहीं।

OEM भागीदारों के निदेशक मंडल को जो सवाल पूछना चाहिए वह यह नहीं है कि मॉडल पिट्सबर्ग में कैसे काम करता है। सवाल यह है कि क्या उन्होंने उस डिजाइन टीम में अनुभव शामिल किया जो उन भौतिक वातावरणों में सीधे अनुभव रखती है जहाँ मॉडल पैमाने पर तैनात किया जाएगा। क्योंकि अगर वह टीम उत्पत्ति, भौगोलिकता और कार्य अनुभव में समान है, तो मॉडल के बिंदु अंधे तकनीकी दुर्घटनाएँ नहीं हैं। वे डिजाइन टेबल पर एक कमजोर सामाजिक वास्तुकला के स्पष्ट परिणाम हैं।

एक मजबूत सामाजिक पूंजी क्या अलग करेगा

Skild की ABB, Universal Robots, और MiR के साथ साझेदारियाँ लेन-देन की दृष्टि से मजबूत हैं। प्रत्येक OEM तैनाती की मात्रा लाता है; Skild बुद्धिमत्ता लाता है। चक्र अपने आप को बंद करता है। लेकिन एक लेन-देन संबंधी नेटवर्क और एक मजबूत सामाजिक पूंजी वाले नेटवर्क के बीच एक महत्वपूर्ण अंतर है: पहला पहले से ज्ञात मापदंडों के भीतर डेटा का प्रवाह अधिकतम करता है; दूसरा सक्रिय रूप से मापदंडों का विस्तार करती है।

एक मजबूत सामाजिक पूंजी का नेटवर्क मॉडल के डिजाइन में उभरते बाजारों में संयंत्र ऑपरेटरों, दशकों के अनुभव वाले रखरखाव तकनीकी, और उन श्रमिकों को शामिल करेगा जो भौतिक दुनिया के असमान किनारों को जानते हैं जो कोई भी सिमुलेशन विस्तार से नहीं दोहराता है। ना कि बाहरी सलाहकारों के रूप में जो किसी तैयार उत्पाद की पुष्टि करते हैं, बल्कि डेटा चुनने की परिभाषा में सक्रिय भागीदार के रूप में।

यह कार्पोरेट परोपकारिता नहीं है। यह लचीलापन इंजीनियरिंग है। वे मॉडल जो चरम स्थितियों में या ऐसे संदर्भों में विफल होते हैं जो उनके प्रशिक्षण डेटा में नहीं दिखते, वे चुपचाप नहीं विफल होते हैं: वे ऑपरेशनल घटनाओं, जिम्मेदारी के दावे, और सर्वोत्तम स्थितियों में पुनः प्रशिक्षण के लागतों को उत्पन्न करते हैं जो ठीक उसी लागत की बढ़त को नष्ट करती है जिसका वादा Skild करता है। उस लागत में 10 गुना की कमी जो मॉडल की पेशकश करता है केवल तब बनी रहती है जब उत्पादन में विफलता की दर कम बनी रहती है। और यह दर सीधे इस पर निर्भर करती है कि वह डेटा कितना प्रतिनिधित्व करता है जिससे मॉडल ने सीखा।

1.4 बिलियन डॉलर की वित्तपोषण Skild को इस नेटवर्क को अन्य तरीकों से बनाने की क्षमता देती है। कमी पूंजी की नहीं है। यह डेटा आर्किटेक्चर में उन आवाजों को शामिल करने के लिए संरचनात्मक इच्छा की कमी है जो इंटरनेट के वीडियो में नहीं आती हैं।

मॉडल के साथ पार्श्व में बढ़ती नाजुकता

एक पैटर्न है जिसे मैंने हर बड़े तकनीकी अपनाने के चक्र में देखा है: पहले चरण में स्केलिंग का नेतृत्व करने वाली कंपनियाँ वे होती हैं जिनकी तकनीकी आर्किटेक्चर सबसे विकसित होती है। जो परिपक्वता के चरण का नेतृत्व करते हैं, वे वे हैं जिनकी सामाजिक आर्किटेक्चर सबसे मजबूत होती है। पहला लाभ पर्याप्त पूंजी के साथ दोहराया जा सकता है। दूसरा वर्षों में निर्मित होता है और इसे फंडिंग राउंड में नहीं खरीदा जाता है।

Skild, अपने आंकड़ों के अनुसार, पहले चरण के मोड़ पर है। मॉडल काम करता है। भागीदार बाधित हो चुके हैं। उत्पादक तैनात शुरू हो चुके हैं। यह निर्णय करता है कि क्या यह कंपनी अगले दशक में स्वचालन बाजार को कैप्चर करती है, यह नहीं है कि क्या Skild Brain एक डेस्क को साफ कर सकता है या NVIDIA की उत्पादन लाइन में कोई घटक डाल सकता है। सवाल है कि क्या मॉडल उन वातावरणों में प्रभावी होना सीखता है जिनमें उसके डिज़ाइनर कभी नहीं गए।

उन कंपनियों के निदेशकों को जो Skild Brain को अपनी उत्पादक अवसंरचना में समाहित कर रही हैं, उन्हें प्रशिक्षण डेटा की संरचना का ऑडिट करने की आवश्यकता है, उतनी ही कठोरता के साथ जितनी वे एक वित्तीय बैलेंस का ऑडिट करते हैं। एक ऐसा AI मॉडल जो विभिन्न वातावरणों में भौतिक निर्णयों को स्वचालित करता है लेकिन एक समान डेटा यूनिवर्स पर प्रशिक्षित होता है, तकनीकी संपत्ति नहीं है; यह एक ऑपरेशनल लायबिलिटी है जिसका समाप्ति तिथि अनिश्चित है।

जब अगली बार किसी भी निदेशक मंडल की तकनीकी समिति स्किल्ड ब्रेन के तैनाती की प्रगति की समीक्षा करती है, तो यह देखे कि निर्णय मॉडल के डिज़ाइन के निर्णय में कौन लोग बैठे हैं। अगर सभी समान शिक्षा प्रोफ़ाइल, समान संदर्भ भौगोलिकता, और समान भौतिक दुनिया का अनुभव साझा करते हैं, तो वे प्रतिस्पर्धात्मक ताकत नहीं देख रहे हैं। वे अपने सामूहिक दृष्टिहीनताओं के सटीक इन्वेंट्री देख रहे हैं, और ये दृष्टिहीनताएँ पहले से ही उस मॉडल में कोडित हैं जिसे उन्होंने अभी अनुबंधित किया है।