रोबोट रिपोर्ट: स्किल्ड एआई ने एस1 रोबोट फाउंडेशन मॉडल का अनावरण किया

क्या हुआ?

रोबोट रिपोर्ट की रिपोर्ट है कि स्किल्ड एआई ने अपने प्रमुख रोबोट फाउंडेशन मॉडल एस1 का अनावरण किया। सीईओ दीपक पाठक ने आउटलेट को बताया कि S1 रोबोटों को कार्य-विशिष्ट पोस्ट-प्रशिक्षण के बिना, एक मानव वीडियो में प्रदर्शित कार्य का पालन करने देने के लिए संदर्भ-आधारित शिक्षण का उपयोग करता है। स्किल्ड का कहना है कि मॉडल लंबी दूरी के कार्यों और कई रोबोट फॉर्म कारकों के लिए डिज़ाइन किया गया है, लेकिन रिपोर्ट कंपनी के दावों की स्वतंत्र रूप से पुष्टि नहीं करती है।

रोबोट रिपोर्ट, 31 अगस्त, 2026 की एक रिपोर्ट में कहती है कि स्किल्ड एआई ने हाल ही में अपने प्रमुख रोबोट फाउंडेशन मॉडल के रूप में एस1 का अनावरण किया है। आउटलेट की रिपोर्ट है कि स्किल्ड ने 2023 में अपनी स्थापना के बाद से एक सामान्य-उद्देश्यीय रोबोट मस्तिष्क विकसित करने के लिए लगभग 1.7 बिलियन डॉलर जुटाए हैं। स्किल्ड के सह-संस्थापक और सीईओ दीपक पाठक ने द रोबोट रिपोर्ट को बताया कि S1 संदर्भ में सीखने का उपयोग करता है: मॉडल के प्रॉम्प्ट में एक मानव प्रदर्शन वीडियो जोड़ा जाता है, और रोबोट फिर प्रदर्शित कार्य का पालन करने का प्रयास कर सकता है। पाठक ने कार्यों को संक्षिप्त, सरल कार्यों के बजाय जटिल और दीर्घकालिक कार्यों के रूप में वर्णित किया।

रोबोट रिपोर्ट कहती है कि स्किल्ड का दृष्टिकोण चार प्रकार के प्रशिक्षण डेटा को जोड़ता है। टेलीऑपरेशन डेटा सीधे रोबोट को नियंत्रित करने वाले मनुष्यों से आता है और इसे उच्च गुणवत्ता वाला लेकिन एकत्र करने में धीमा और विविधता में सीमित बताया गया है। मानव वीडियो प्रचुर मात्रा में और विविध हैं लेकिन उन्हें सीधे रोबोट पर लागू करना मुश्किल है। सिमुलेशन स्केलेबल और विविध है लेकिन सिम्युलेटेड और भौतिक वातावरण के बीच एक अंतर छोड़ देता है। डेटा-कैप्चर दस्ताने मानव कार्यों को रिकॉर्ड करने का एक और तरीका प्रदान करते हैं और टेलीऑपरेशन की तुलना में कुछ हद तक अधिक स्केलेबल हैं, हालांकि आउटलेट का कहना है कि वे रोबोट पर सीधे तौर पर थोड़े कम लागू होते हैं। पाठक ने प्रकाशन को बताया कि स्किल्ड स्रोतों को जोड़ता है ताकि एक की ताकत दूसरे की कमजोरियों की भरपाई कर सके।

रोबोट रिपोर्ट की रिपोर्ट है कि स्किल्ड एक उद्योग के बजाय कार्यों के व्यापक समूह को लक्षित कर रहा है। उद्धृत उदाहरणों में एक पौधे को दोबारा लगाना, कॉफी बनाना और पैनकेक पकाना शामिल है, जिसमें कुछ कार्यों में 10 मिनट तक का समय लगता है। पाठक ने आउटलेट को बताया कि पैनकेक पलटता हुआ एक रोबोट दिखाई दिया, भले ही स्किल्ड को लाखों घंटों के प्रशिक्षण डेटा में कोई मेल खाता उदाहरण नहीं मिला; उन्होंने स्पैचुला की गति से कार्रवाई का अनुमान लगाते हुए मॉडल के व्यवहार को जिम्मेदार ठहराया। यह रोबोट रिपोर्ट द्वारा रिपोर्ट किया गया एक कंपनी खाता है, स्वतंत्र रूप से प्रलेखित परीक्षण नहीं।

आउटलेट यह भी रिपोर्ट करता है कि स्किल्ड S1 को "ओमनी-बॉडीड" के रूप में वर्णित करता है, जिसका अर्थ है कि इसका उद्देश्य चौपायों, ह्यूमनॉइड्स और स्थिर हथियारों के साथ काम करना है। पाठक ने कहा कि स्किल्ड ने ह्यूमनॉइड प्रदर्शन को बेहतर बनाने में अधिक समय बिताने की योजना बनाई है। रिपोर्ट में पहले के परिणामों का उल्लेख किया गया है जिसमें एक ह्यूमनॉइड ने तब अनुकूलन किया था जब उसके अंग विफल हो गए थे, लेकिन यह स्पष्ट रूप से कहता है कि वे परिणाम पहले के मॉडल संस्करण से आए थे और स्किल्ड ने अभी तक मॉडल को ह्यूमनॉइड्स तक नहीं बढ़ाया था। पाठक ने मॉडल के संदर्भ में सीखने की तुलना कार्य-विशिष्ट फ़ाइन-ट्यूनिंग से भाषा मॉडल में संकेत देने के बदलाव के साथ की, जबकि यह स्वीकार करते हुए कि रोबोटिक्स अभी तक व्यापक घरेलू तैनाती के लिए तैयार नहीं है।

स्रोत विवरण: therobotreport.com ↗

यह क्यों मायने रखता है?

यदि स्वतंत्र रूप से मान्य किया जाता है, तो S1 रोबोटिक्स में एक बड़ी बाधा को संबोधित कर सकता है: नए कार्यों के लिए अलग से मॉडल एकत्र करने और पोस्ट-ट्रेन करने की आवश्यकता। रिपोर्ट में टेलीऑपरेशन डेटा, मानव वीडियो, सिमुलेशन और डेटा-कैप्चर दस्ताने को संयोजित करने के स्किल्ड के प्रयास का वर्णन किया गया है, जो संभावित रूप से किसी एक स्रोत की कमजोरियों का व्यापार करता है। हालाँकि, लेख कोई मानकीकृत बेंचमार्क परिणाम, परिनियोजन मेट्रिक्स, उपलब्धता विवरण या स्वतंत्र परीक्षण प्रदान नहीं करता है।

रिपोर्ट किया गया लॉन्च महत्वपूर्ण है क्योंकि रोबोटिक्स सिस्टम को अपरिचित कार्यों का सामना करने पर आमतौर पर नए डेटा संग्रह या प्रशिक्षण के बाद की आवश्यकता होती है। S1 का केंद्रीय दावा यह है कि एक रोबोट एक प्रदर्शन को संदर्भ के रूप में उपयोग कर सकता है और उस पर तुरंत कार्रवाई कर सकता है। यदि यह दावा विभिन्न वातावरणों और हार्डवेयर पर लागू होता है, तो यह प्रत्येक नए कार्य के लिए रोबोट को अनुकूलित करने के लिए आवश्यक समय और इंजीनियरिंग प्रयास को कम कर सकता है। रिपोर्ट यह स्थापित नहीं करती है कि यह उत्पादन पैमाने पर हुआ है, इसलिए क्षमता को प्रदर्शित उद्योग बदलाव के रूप में नहीं माना जाना चाहिए।

स्किल्ड की बहु-स्रोत प्रशिक्षण रणनीति एक व्यावहारिक डेटा समस्या का समाधान करती है। रोबोट-संग्रहित डेटा भौतिक प्रणाली से निकटता से जुड़ा हुआ है लेकिन इकट्ठा करना महंगा है; मानव वीडियो प्रचुर मात्रा में हैं लेकिन रोबोट के शरीर यांत्रिकी को सीधे एन्कोड नहीं करते हैं; सिमुलेशन बड़ी मात्रा में उदाहरण उत्पन्न कर सकता है लेकिन वास्तविक दुनिया की स्थितियों को कैप्चर नहीं कर सकता है। इन स्रोतों के संयोजन से फाउंडेशन मॉडल को अधिक लचीला बनाया जा सकता है, लेकिन यह कठिन स्थानांतरण प्रश्न भी पैदा करता है। एक मॉडल को मानव गति, अनुरूपित गतिशीलता और रोबोट-विशिष्ट नियंत्रण संकेतों को सुरक्षित भौतिक क्रियाओं में अनुवाद करना होगा। रोबोट रिपोर्ट स्किल्ड के तर्क का वर्णन करती है लेकिन यह दिखाने वाला कोई स्वतंत्र अध्ययन नहीं देती है कि संयोजन कितना अच्छा काम करता है।

रिपोर्ट मॉडल लॉन्च को स्किल्ड की व्यावसायिक रणनीति से भी जोड़ती है। पाठक ने द रोबोट रिपोर्ट को बताया कि S1 पहले से ही स्किल्ड को ग्राहकों को तेजी से हासिल करने में मदद कर रहा था, और उन्होंने कहा कि हाल ही में फ़ेच रोबोटिक्स अधिग्रहण का उद्देश्य तैनाती और स्केलिंग के लिए प्रतिभा को जोड़ना था। उन बयानों से पता चलता है कि स्किल्ड सीमांत अनुसंधान के साथ-साथ परिचालन उपयोग को प्राथमिकता दे रहा है। फिर भी लेख ग्राहकों की पहचान नहीं करता है, उत्पादन साइटों का नाम नहीं देता है, कार्य-सफलता दर की रिपोर्ट नहीं करता है, या सबूत प्रदान नहीं करता है कि S1 ने लाइव तैनाती में औसत दर्जे का लाभ प्रदान किया है। इसलिए सार्वजनिक प्रभाव अनुवर्ती साक्ष्य पर निर्भर रहता है।

आगे क्या देखना है

मुख्य परीक्षण यह हैं कि क्या S1 विश्वसनीय रूप से प्रदर्शनों को विभिन्न रोबोटों में स्थानांतरित कर सकता है, त्रुटियों से उबर सकता है, और नियंत्रित प्रदर्शनों के बाहर लंबे कार्यों को पूरा कर सकता है। स्किल्ड का कहना है कि अधिक उत्पादन-संबंधी परिणाम और ग्राहक तैनाती आने वाली है, लेकिन रिपोर्ट में किसी ग्राहक का नाम नहीं है और कोई प्रदर्शन या सुरक्षा डेटा नहीं दिया गया है। हार्डवेयर समर्थन, पहुंच, प्रशिक्षण डेटा, लागत और मानव निरीक्षण के बारे में अधिक जानकारी लॉन्च के व्यावहारिक महत्व को निर्धारित करेगी।

पहली प्राथमिकता एकल-वीडियो सीखने के दावे का स्वतंत्र मूल्यांकन है। उपयोगी साक्ष्य में अनदेखे कार्यों में सफलता दर, परीक्षण किए गए रोबोटों की संख्या और प्रकार, वे स्थितियाँ जिनके तहत प्रदर्शन रिकॉर्ड किए गए थे, और पारंपरिक कार्य-विशिष्ट प्रशिक्षण के साथ तुलना शामिल होगी। लंबी-क्षितिज गतिविधियों के लिए, मूल्यांकन में रिपोर्ट दी जानी चाहिए कि विफलताएं कहां होती हैं, क्या रोबोट ठीक हो सकता है, और जब ऑब्जेक्ट, लेआउट, प्रकाश व्यवस्था या उपकरण प्रदर्शन से भिन्न होते हैं तो प्रदर्शन कैसे बदलता है। वर्तमान रिपोर्ट उदाहरण प्रदान करती है लेकिन कोई मानकीकृत माप नहीं।

ह्यूमनॉइड और बहु-रूप-कारक प्रदर्शन विशेष जांच के पात्र हैं। रोबोट रिपोर्ट में कहा गया है कि S1 का उद्देश्य चौपायों, ह्यूमनॉइड और स्थिर भुजाओं पर काम करना है, जबकि यह भी ध्यान दिया गया है कि पाठक द्वारा उद्धृत ह्यूमनॉइड अनुकूलन परिणाम पिछले संस्करण से आए थे। अनुवर्ती रिपोर्टिंग में वर्तमान S1 क्षमताओं को पूर्व प्रदर्शनों से अलग करना चाहिए और यह बताना चाहिए कि किस मॉडल, हार्डवेयर और नियंत्रण प्रणाली ने प्रत्येक परिणाम का उत्पादन किया। भौतिक तैनाती सुरक्षा उपायों, मानवीय हस्तक्षेप, विफलता से निपटने और दायित्व के बारे में भी सवाल उठाती है जिनका लेख में उत्तर नहीं दिया गया है।

स्किल्ड के अगले खुलासे से यह स्पष्ट हो जाएगा कि S1 एक शोध प्रणाली है, एक ग्राहक उत्पाद है या दोनों है। पाठक ने द रोबोट रिपोर्ट को बताया कि कंपनी आने वाले हफ्तों में अधिक उत्पादन-संबंधित परिणाम दिखाएगी। पाठकों को नामित तैनाती, प्रतिलिपि प्रस्तुत करने योग्य परीक्षण, हार्डवेयर आवश्यकताएं, मूल्य निर्धारण या पहुंच शर्तें और मॉडल को प्रशिक्षित करने के लिए उपयोग किए गए डेटा के बारे में जानकारी देखनी चाहिए। रिपोर्ट यह नहीं बताती है कि S1 का वजन, सॉफ़्टवेयर, या मूल्यांकन सामग्री सार्वजनिक रूप से उपलब्ध होगी या नहीं, और यह कंपनी के वित्तपोषण, प्रदर्शन या तैनाती के दावों की कोई स्वतंत्र पुष्टि नहीं देती है।

संबंधित मार्गदर्शिकाएँ एवं प्रश्नोत्तरी