चीन रोबोट का ‘दिमाग’ तैयार करने के लिए बना रहा है डेटा इंफ्रास्ट्रक्चर

बीजिंग में आयोजित 2026 वर्ल्ड रोबोट कॉन्फ्रेंस ने चीन के ह्यूमनॉइड-रोबोट उद्योग की अगली दिशा की एक अहम झलक दी। दौड़ अब केवल अधिक सक्षम रोबोटिक शरीर बनाने की नहीं रह गई है। इसके साथ-साथ ऐसे डेटा इंफ्रास्ट्रक्चर पर भी निवेश हो रहा है, जो इन मशीनों के ‘दिमाग’ यानी उनकी embodied intelligence या भौतिक दुनिया में समझकर काम करने वाली कृत्रिम बुद्धिमत्ता को प्रशिक्षित कर सके।

चीन में ह्यूमनॉइड रोबोट के डेटा-संग्रह और प्रशिक्षण के कम-से-कम 90 केंद्र संचालित या निर्माणाधीन बताए गए हैं। यह आंकड़ा निवेश की प्राथमिकताओं में बड़े बदलाव का संकेत देता है। हालांकि, सम्मेलन ने एक महत्वपूर्ण अंतर भी उजागर किया: औद्योगिक स्तर पर डेटा जुटा लेना और ऐसा रोबोटिक ज्ञान विकसित कर लेना, जो अलग-अलग मशीनों, कामों और कार्यस्थलों पर भरोसेमंद ढंग से लागू हो सके—दो अलग बातें हैं। 13

नया रणनीतिक संसाधन है ‘embodied data’

रोबोट को प्रशिक्षित करने के लिए केवल तस्वीरें या टेक्स्ट पर्याप्त नहीं हैं। उपयोगी भौतिक बुद्धिमत्ता के लिए यह जानना जरूरी है कि इंसान क्या देखता है, कैसे चलता है, वस्तुएं उसके स्पर्श और गति पर कैसी प्रतिक्रिया देती हैं और कोई काम समय के साथ किस क्रम में पूरा होता है। इसलिए प्रथम-व्यक्ति वीडियो, शरीर की मुद्रा, गहराई की जानकारी, स्पर्श-संकेत और रोबोट की आंतरिक स्थिति से जुड़ा डेटा महत्वपूर्ण बन गया है।

Lightwheel AI ने इस विचार को EgoSuite-Open100K के जरिए सामने रखा है। यह प्रथम-व्यक्ति मानव-गतिविधि का ऐसा डेटासेट है, जिसका कुल लक्ष्य 1,00,000 घंटे है। इसमें 15,000 से अधिक कार्यों और वास्तविक दुनिया में डेटा जुटाने वाले 15,000 से अधिक दृश्यों को शामिल किया जाना है। डेटा में सिर और कलाई पर लगे कैमरों के दृश्य, हाथ और पूरे शरीर की मुद्रा, अर्थपूर्ण लेबल तथा गहराई की जानकारी शामिल है। इसके शुरुआती 10,000 घंटे Hugging Face के जरिए उपलब्ध कराए गए हैं और AtomGit पर वितरण का भी लक्ष्य रखा गया है। 1 12

इस तरीके का लाभ साफ है: रोजमर्रा के उठाने, पकड़ने, चलने और वस्तुओं को संभालने जैसे कामों का व्यापक रिकॉर्ड तैयार करने के लिए हर बार महंगे भौतिक रोबोट की जरूरत नहीं पड़ती। लेकिन मानव गतिविधि का डेटा अपने-आप रोबोट के अनुभव के बराबर नहीं हो जाता। इंसान संतुलन, घर्षण और संपर्क जैसी भौतिक चुनौतियों की भरपाई सहज रूप से कर लेता है; रोबोट को इन्हें अपने सेंसर और नियंत्रण प्रणाली के जरिए महसूस कर संभालना पड़ता है।

डेटा जुटाने के छह तरीके और एक बुनियादी समझौता

SenseTime के Intelligent Industries Research Institute से जुड़े तियान फेंग ने डेटा-संग्रह के छह ऐसे तरीकों का वर्णन किया, जो समानांतर रूप से इस्तेमाल किए जा रहे हैं। इनमें टेलीऑपरेशन, मोशन कैप्चर, सिंथेटिक डेटा और वास्तविक उत्पादन लाइनों पर डेटा-संग्रह शामिल हैं। 13

हर तरीका समस्या के अलग हिस्से को पकड़ता है:

• टेलीऑपरेशन रोबोट-विशिष्ट गतिविधियों और भौतिक फीडबैक को बेहतर ढंग से दर्ज कर सकता है, लेकिन इसके लिए रोबोट हार्डवेयर, ऑपरेटर और नियंत्रित इंफ्रास्ट्रक्चर चाहिए।
• मोशन कैप्चर बड़े पैमाने पर मानव-गतियों को रिकॉर्ड करता है, पर इससे उन बलों और सीमाओं की पूरी जानकारी जरूरी नहीं मिलती, जिनका सामना रोबोट करेगा।
• सिंथेटिक डेटा दुर्लभ या असामान्य स्थितियों को कम लागत में तैयार कर सकता है, लेकिन सिमुलेशन से सीखी गई गतिविधियों का वास्तविक दुनिया में स्थानांतरण साबित करना पड़ता है।
• उत्पादन लाइन से डेटा-संग्रह व्यावसायिक उपयोग के सबसे करीब है, क्योंकि इसमें किसी खास काम, उसकी विफलताओं और वास्तविक वातावरण की बाधाओं का रिकॉर्ड मिलता है।
• प्रथम-व्यक्ति मानव डेटा व्यापकता और कम लागत देता है, लेकिन इसमें रोबोट की अपनी गतिशीलता—जैसे जोड़ पर लगने वाला टॉर्क और संपर्क बल—छूट सकता है।

रिपोर्ट किए गए अनुमान के अनुसार, रोबोट के शरीर के बिना मानव गतिविधि रिकॉर्ड करना भौतिक रोबोट से प्रदर्शन जुटाने की लागत का लगभग पांचवां हिस्सा हो सकता है। समझौता यह है कि ऐसा डेटा किसी काम को अनुभवी कर्मचारी की तरह करने के बजाय, नियुक्त डेटा-संग्रहकर्ताओं के तरीके को प्रतिबिंबित कर सकता है। 13

इसका अर्थ यह नहीं कि मानव डेटा बेकार है। बल्कि उसे प्रशिक्षण की एक परत के रूप में देखना चाहिए—टेलीऑपरेशन, रोबोट की आंतरिक स्थिति, सिमुलेशन और वास्तविक तैनाती से मिले फीडबैक के साथ।

रोबोट की सप्लाई चेन अब डेटा-कैप्चर की सप्लाई चेन भी है

सम्मेलन का व्यापक संदेश यह था कि रोबोटिक्स इंफ्रास्ट्रक्चर में अब केवल मोटर, बैटरी और रोबोट का ढांचा शामिल नहीं है। प्रदर्शन रिकॉर्ड करने और सेंसर-आधारित व्यवहार कैप्चर करने वाली प्रणालियां भी उतनी ही महत्वपूर्ण हो रही हैं। प्रथम-व्यक्ति और हैंडहेल्ड कैप्चर सिस्टम, डेटा ग्लव्स, स्पर्श-सक्षम इंटरफेस, कैमरे, माइक्रोकंट्रोलर, मेमोरी और एनालॉग कंपोनेंट—सभी डेटा पाइपलाइन का हिस्सा बन रहे हैं। 13

इससे बड़ी मात्रा में प्रदर्शन रिकॉर्ड करने का अपेक्षाकृत कम लागत वाला रास्ता खुल सकता है। लेकिन इसके साथ मानकीकरण की समस्या भी आती है। अलग-अलग सेंसर, कैलिब्रेशन प्रक्रियाएं, एक्शन स्पेस, मिडलवेयर और लेबलिंग नियमों से जुटाए गए डेटा को एक साथ मिलाना आसान नहीं होता।

यहीं से उद्योग में ‘आइलैंड डेटा’ की समस्या पैदा होती है—ऐसा उपयोगी डेटा जो उसी हार्डवेयर और सॉफ्टवेयर स्टैक के भीतर फंसा रह जाता है, जिसने उसे बनाया था। ओपन डेटासेट इस समस्या को कम कर सकते हैं, लेकिन केवल डेटा को सार्वजनिक कर देना पर्याप्त नहीं है। साझा स्कीमा, कैलिब्रेशन मेटाडेटा, समय-संबंधी मानक, इंटरफेस और मूल्यांकन प्रोटोकॉल भी चाहिए, तभी डेटा की मात्रा किसी साझा क्षमता में बदल पाएगी। 13

क्या रोबोटिक्स में भी AI का ‘स्केलिंग लॉ’ लागू होगा?

एक बड़ा अनुत्तरित सवाल यह है कि क्या भाषा और विजन मॉडल में दिखा पैटर्न—अधिक डेटा और बड़े मॉडल से बेहतर क्षमता—रोबोटिक्स पर भी उसी तरह लागू होता है।

Generalist AI की नवंबर 2025 की GEN-0 रिपोर्ट ने इसका उत्साहजनक, लेकिन सीमित संकेत दिया। कंपनी के प्रयोगों में छोटे मॉडल तेजी से विविध होते सेंसरिमोटर डेटा को आत्मसात नहीं कर पाए। कंपनी ने इस समस्या को ‘ossification’ कहा। बड़े स्तर पर मॉडल का प्रदर्शन बेहतर होता रहा और रिपोर्ट ने लगभग 7 अरब पैरामीटर के आसपास एक संभावित बदलाव-बिंदु की पहचान की। 36

यह महत्वपूर्ण संकेत है, लेकिन अभी इसे पूरे रोबोटिक्स क्षेत्र का सिद्ध नियम नहीं कहा जा सकता। यह निष्कर्ष एक कंपनी के मॉडल, डेटा और मूल्यांकन पद्धति पर आधारित है। इसके अलावा, रोबोटिक्स की अतिरिक्त चुनौती यह है कि मॉडल को किसी खास शरीर, खास वातावरण और वास्तविक भौतिक सीमाओं के भीतर काम करना होता है।

इसलिए व्यावहारिक सवाल केवल यह नहीं है कि मॉडल कितना बड़ा है। सवाल यह भी है कि प्रशिक्षण डेटा में सही भौतिक संकेत मौजूद हैं या नहीं और क्या उससे सीखी नीति अलग-अलग रोबोटिक शरीरों तथा वास्तविक कार्यों में स्थानांतरित हो सकती है।

रोबोटों की शिपमेंट व्यावसायिक मांग का प्रमाण क्यों नहीं है

चीन का विशाल विनिर्माण आधार उसे प्रयोगों और डेटा-संग्रह के लिए रोबोट तैनात करने में बढ़त देता है। लेकिन तैनाती के आंकड़े भ्रामक हो सकते हैं, अगर अधिकांश मशीनें अभी भी आर्थिक उत्पादन के बजाय क्षमताओं के प्रदर्शन, शोध या डेटा-संग्रह में इस्तेमाल हो रही हों।

Interact Analysis के अनुसार, 2025 में दुनिया भर में ह्यूमनॉइड रोबोट का उत्पादन 20,000 इकाइयों से अधिक हो गया। इसके बावजूद केवल लगभग 10 प्रतिशत इकाइयां वास्तविक दुनिया के अनुप्रयोगों में तैनात थीं; अधिकांश शोध, डेटा-संग्रह या मनोरंजन के लिए इस्तेमाल की गईं। इसी विश्लेषण में चीन को आपूर्ति और शुरुआती अपनाने—दोनों का प्रमुख केंद्र बताया गया। 21

यह संदर्भ डेटा केंद्रों की बढ़ती संख्या को समझने के लिए अहम है। सरकारी सहायता, बड़े पैमाने पर खरीद और डेटा-बायबैक कार्यक्रम रोबोटों, केंद्रों और रिकॉर्ड किए गए घंटों की संख्या तेजी से बढ़ा सकते हैं। इससे सीखने का पारिस्थितिकी तंत्र बन सकता है, लेकिन यह अपने-आप साबित नहीं करता कि ग्राहक ऐसे रोबोटों के लिए भुगतान करेंगे जो लगातार लागत घटाएं, उत्पादन बढ़ाएं या ऐसा काम करें जिसे इंसानों के लिए करना कठिन हो।

असली अड़चन डेटा की मात्रा नहीं, उसका मेल है

बीजिंग सम्मेलन ने यह साबित नहीं किया कि चीन ने embodied intelligence की समस्या हल कर ली है। उसने यह दिखाया कि उद्योग संभावित समाधान के कई हिस्सों को असाधारण पैमाने पर जोड़ रहा है:

1. व्यापक डेटा — मानव प्रदर्शनों और विविध वातावरणों से।
2. भौतिक रूप से विश्वसनीय डेटा — टेलीऑपरेशन, रोबोट सेंसर और वास्तविक उत्पादन कार्यों से।
3. इंटरऑपरेबल इंफ्रास्ट्रक्चर — ताकि रिकॉर्डिंग अलग-अलग रोबोटों और सॉफ्टवेयर स्टैक के बीच इस्तेमाल हो सके।
4. स्केल और ट्रांसफर करने वाले मॉडल — जो केवल प्रदर्शन याद न करें, बल्कि नए कामों में भी सीख लागू कर सकें।
5. तैनाती से फीडबैक — जिसमें विफलताएं, रिकवरी व्यवहार और मानव हस्तक्षेप दर्ज हों।
6. व्यावसायिक राजस्व — जो लंबे समय तक सब्सिडी पर निर्भर हुए बिना डेटा-संग्रह को वित्त दे सके।

Lightwheel का प्रस्तावित इकोसिस्टम भी इसी तरह के चक्र की ओर इशारा करता है: खुले डेटा मानक, मूल्यांकन-आधारित डेटा-संग्रह तथा डेटा और मॉडल डिजाइन के बीच तालमेल। 1

सबसे सटीक निष्कर्ष यह नहीं है कि ‘चीन ने रोबोट का दिमाग बना लिया है।’ अधिक सीमित, लेकिन महत्वपूर्ण निष्कर्ष यह है कि चीन ऐसे कारखाने, उपकरण और डेटासेट तैयार कर रहा है, जिनसे भविष्य में ऐसा दिमाग बनाना संभव हो सके। यह इंफ्रास्ट्रक्चर व्यापक रूप से उपयोगी ह्यूमनॉइड रोबोट पैदा करेगा या नहीं, इसका फैसला डेटा की गुणवत्ता, भौतिक विश्वसनीयता, अलग-अलग हार्डवेयर के बीच अनुकूलता और प्रयोगशालाओं के बाहर रोबोटों द्वारा बनाए गए टिकाऊ आर्थिक मूल्य से होगा।