२०२४ मध्ये स्थापन झालेल्या Generalist या रोबोटिक्स स्टार्टअपने नवीन फंडिंग राऊंडची घोषणा केली आहे, ज्यामुळे त्याचे मूल्यांकन ३ अब्ज डॉलर्सवर पोहोचले आहे. जवळजवळ २०० दशलक्ष डॉलर्स उभारल्यानंतर हे शक्य झाले आहे. 8VC च्या नेतृत्वाखालील या भांडवली वृद्धीमुळे एकूण Series B निधी ६०० दशलक्ष डॉलर्सवर पोहोचला आहे. गुंतवणूकदारांना असे वाटते की, काही सेकंदांच्या व्हिडिओवरून नवीन कामे शिकू शकणाऱ्या रोबोट्सच्या दिशेने वेगाने वाटचाल होत आहे.

निधीमध्ये वाढ आणि गुंतवणूकदारांची यादी

नियामक फायलिंग्सनुसार (Regulatory filings), २०० दशलक्ष डॉलर्सचा हा नवीन निधी Series B चा विस्तार आहे, ज्याची सुरुवात जूनमध्ये Radical Ventures च्या नेतृत्वाखाली ४०० दशलक्ष डॉलर्सच्या राऊंडने झाली होती. या राऊंडमुळे Generalist च्या गुंतवणूकदार यादीत Nvidia, Union Square Ventures, Bezos Expeditions आणि AI क्षेत्रातील अग्रणी Fei-Fei Li यांसारखी मोठी नावे सामील झाली आहेत. त्यांचा सहभाग या विश्वासाला अधोरेखित करतो की, अनेक रोबोट प्लॅटफॉर्मसाठी एकच AI "brain" कारखाने, वेअरहाऊस आणि सेवा क्षेत्रांमध्ये ऑटोमेशनची एक नवीन लाट आणू शकतो.

Gen 1.5: अतिशय लहान डेमोमधून शिकणे

Generalist ची खरी ओळख म्हणजे त्याचे Gen 1.5 फाउंडेशन मॉडेल. प्रत्येक हालचाल स्वतःहून तयार करण्याऐवजी, हे मॉडेल रोबोटला एक व्हिडिओ क्लिप पाहू देते—जी सहसा केवळ तीन ते बारा सेकंदांची असते—आणि त्यानंतर रोबोटने दाखवलेले कार्य पुन्हा करणे शक्य होते. हा दृष्टिकोन imitation learning वर आधारित आहे: AI व्हिज्युअल इनपुटमधून हालचालींचे संकेत (motion cues), वस्तूंसोबतचा परस्परसंवाद आणि वेळेचे नियोजन (timing) काढते आणि त्याचे रूपांतर रोबोटच्या actuators साठी कंट्रोल कमांड्समध्ये करते. सिद्धांतानुसार, केवळ लहान रेकॉर्डिंग दाखवून एक रोबोट दर आठवड्याला डझनभर नवीन कौशल्ये आत्मसात करू शकतो, ज्यामुळे बदलत्या वातावरणात ऑटोमेशन तैनात करण्यासाठी लागणारा वेळ आणि तज्ज्ञता लक्षणीयरीत्या कमी होईल.

गुंतवणूकदार ज्या “ChatGPT moment” च्या शोधात आहेत

लार्ज लँग्वेज मॉडेल्सनी सॉफ्टवेअरमध्ये जी क्रांती घडवून आणली, तीच क्रांती हार्डवेअरमध्ये घडवून आणण्याच्या स्पर्धेत Generalist सहभागी आहे. Physical Intelligence आणि SoftBank-समर्थित Skild AI सारखे प्रतिस्पर्धी आधीच अब्जावधी डॉलर्सचे मूल्यांकन राखून आहेत, ज्यामुळे रोबोटिक्ससाठी एक व्यापक “ChatGPT moment” ची चर्चा सुरू झाली आहे. याचा मूळ विचार साधा आहे: एक अष्टपैलू, प्री-ट्रेन्ड मॉडेल, जे कमीत कमी डेटा वापरून fine-tune केले जाऊ शकते, ज्यामुळे कंपन्यांना त्यांचे control stacks शून्यापासून पुन्हा न बनवता रोबोटिक क्षमता जोडता येतील.

फिजिकल डेटाचा अडथळा आणि संशयास्पद मते

या उत्साहासमोर एक व्यावहारिक अडथळा आहे. लार्ज लँग्वेज मॉडेल्स इंटरनेटवरील अफाट मजकुरावर (text) अवलंबून असतात, परंतु रोबोट्सना ट्रेनिंग डेटा तयार करण्यासाठी प्रत्यक्ष भौतिक संवादाची (physical interaction) गरज असते. सेन्सर्सना बल (forces), संपर्क आणि 3-D भूमिती टिपणे आवश्यक असते आणि प्रत्येक नवीन परिस्थितीसाठी नवीन डेटा संकलनाची गरज भासू शकते. काही तज्ज्ञांचा इशारा आहे की, उच्च-गुणवत्तेच्या आणि वैविध्यपूर्ण फिजिकल डेटासेटची कमतरता वास्तविक 'युनिव्हर्सल रोबोट इंटेलिजन्स'ला व्यावसायिक वापरासाठी येण्यापासून आणखी काही वर्षे लांब ठेवू शकते. प्रत्यक्ष जगातील प्रात्यक्षिकांचा (real-world demonstrations) सतत प्रवाह नसेल, तर Gen 1.5 सारख्या लवचिक मॉडेललाही त्याने पाहिलेल्या वातावरणापलीकडे विस्तारणे कठीण जाऊ शकते.

पुढे काय पाहावे

  • Deployment trials: Generalist च्या पुढील सार्वजनिक चाचण्या—मग त्या लॉजिस्टिक सेंटर्समध्ये असोत किंवा मॅन्युफॅक्चरिंग लाईन्समध्ये—Gen 1.5 प्रयोगशाळेतील डेमोपासून प्रत्यक्ष आणि अनपेक्षित ठिकाणी किती प्रभावीपणे काम करते हे स्पष्ट करतील.
  • Data pipeline development: ऑटोमेटेड डेटा कॅप्चरमधील प्रगती (उदा. मॉडेलला डेटा पुरवणारे कॅमेऱ्यांचे समूह) फिजिकल-डेटाचा अडथळा कमी करू शकते.
  • Competitive moves: प्रतिस्पर्ध्यांच्या फंडिंग राऊंड आणि भागीदारीच्या घोषणांवर लक्ष ठेवा, कारण पहिला व्यापकपणे स्वीकारार्ह रोबोट फाउंडेशन मॉडेल मिळवण्याची स्पर्धा अजूनही सुरुवातीच्या टप्प्यात आहे.

Takeaway: Generalist चे ३ अब्ज डॉलर्सचे मूल्यांकन या दृढ विश्वासाचे प्रतीक आहे की एकच AI मॉडेल रोबोट्सना आजच्या चॅटबॉट्सप्रमाणे लवचिक बनवू शकते, परंतु हे यश संक्षिप्त व्हिडिओ क्लिप्सचे विश्वसनीय, वास्तविक जगातील हालचालींमध्ये रूपांतर करण्यावर अवलंबून आहे—हे एक असे इंजिनिअरिंग आव्हान आहे जे या आश्वासनाचे रूपांतर दैनंदिन ऑटोमेशनमध्ये होईल की नाही हे ठरवेल.