2024માં સ્થપાયેલ રોબોટિક્સ સ્ટાર્ટઅપ, Generalist એ નવા ફંડિંગ રાઉન્ડની જાહેરાત કરી છે, જેનાથી તેના $200 મિલિયન જેટલા ભંડોળ એકત્ર કર્યા પછી તેનું મૂલ્યાંકન $3 બિલિયન સુધી પહોંચી ગયું છે. 8VC ના નેતૃત્વ હેઠળનું આ મૂડી વધારો, કુલ Series B ના નાણાં $600 મિલિયન સુધી લઈ જાય છે અને તે સંકેત આપે છે કે રોબોટ્સ જે માત્ર થોડી સેકન્ડના વીડિયોમાંથી નવા કામ શીખી શકે છે, તેવા રોબોટ્સ તરફનો માર્ગ ઝડપથી નજીક આવી રહ્યો છે તેમ રોકાણકારો માને છે.

ફંડિંગમાં ઉછાળો અને સમર્થકોની યાદી

રેગ્યુલેટરી ફાઇલિંગ્સ દર્શાવે છે કે $200 મિલિયનનું આ રોકાણ Series B ને વિસ્તૃત કરે છે, જે જૂનમાં Radical Ventures ના નેતૃત્વ હેઠળના $400 મિલિયનના રાઉન્ડ સાથે શરૂ થયું હતું. આ રાઉન્ડ Generalist ના રોકાણકારોની યાદીમાં Nvidia, Union Square Ventures, Bezos Expeditions અને AI અગ્રણી Fei-Fei Li જેવા મોટા નામો ઉમેરે છે. તેમની સંડોવણી એ વિશ્વાસને મજબૂત બનાવે છે કે ઘણા રોબોટ પ્લેટફોર્મ્સ માટે એક સિંગલ AI “brain” ફેક્ટરીઓ, વેરહાઉસ અને સર્વિસ સેટિંગ્સમાં ઓટોમેશનની નવી લહેર લાવી શકે છે.

Gen 1.5: અત્યંત ટૂંકા ડેમોમાંથી શીખવું

Generalist ની મુખ્ય વિશેષતા તેનું Gen 1.5 foundation model છે. દરેક હલનચલનને મેન્યુઅલી તૈયાર કરવાને બદલે, આ મોડેલ રોબોટને વીડિયો ક્લિપ જોવાની મંજૂરી આપે છે—જે ઘણીવાર માત્ર ત્રણ થી બાર સેકન્ડની હોય છે—અને પછી દર્શાવેલ કાર્યનું પુનરાવર્તન કરે છે. આ અભિગમ imitation learning પર આધારિત છે: AI વિઝ્યુઅલ ઇનપુટમાંથી motion cues, ઓબ્જેક્ટ ઇન્ટરેક્શન અને ટાઇમિંગ મેળવે છે અને તેને રોબોટના એક્ટ્યુએટર્સ (actuators) માટે કંટ્રોલ કમાન્ડમાં રૂપાંતરિત કરે છે. સૈદ્ધાંતિક રીતે, એક રોબોટ માત્ર ટૂંકી રેકોર્ડિંગ્સ જોઈને દર અઠવાડિયે ડઝનબંધ નવા કૌશલ્યો શીખી શકે છે, જેનાથી બદલાતા વાતાવરણમાં ઓટોમેશન લાગુ કરવા માટે જરૂરી સમય અને કુશળતામાં મોટો ઘટાડો થશે.

રોકાણકારો જે “ChatGPT moment” નો પીછો કરી રહ્યા છે

Generalist હાર્ડવેરને તે જ પ્રકારની સફળતા અપાવવાની સ્પર્ધામાં છે જે લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) એ સોફ્ટવેરને આપી છે. Physical Intelligence અને SoftBank દ્વારા સમર્થિત Skild AI જેવા હરીફો પહેલેથી જ ડબલ-ડિજિટ-બિલિયન મૂલ્યાંકન ધરાવે છે, જે રોબોટિક્સ માટે વ્યાપક “ChatGPT moment” ના કથન (narrative) ને વેગ આપે છે. તેનો મૂળ વિચાર સરળ છે: એક બહુમુખી, પ્રી-ટ્રેન્ડ મોડેલ જેને ન્યૂનતમ ડેટા સાથે fine-tuned કરી શકાય છે, તે કંપનીઓને કંટ્રોલ સ્ટેક્સને ફરીથી શૂન્યથી બનાવ્યા વિના રોબોટિક ક્ષમતાઓ ઉમેરવાની મંજૂરી આપી શકે છે.

ફિઝિકલ ડેટા બોટલનેક અને શંકાસ્પદ અવાજો

આ ઉત્સાહ સામે એક વ્યવહારિક અવરોધ છે. લાર્જ લેંગ્વેજ મોડલ્સ ઇન્ટરનેટના અનંત ટેક્સ્ટ પર ખીલે છે, પરંતુ રોબોટ્સને ટ્રેનિંગ ડેટા જનરેટ કરવા માટે ભૌતિક (physical) ઇન્ટરેક્શનની જરૂર હોય છે. સેન્સર્સ દ્વારા બળ (forces), સંપર્ક (contacts) અને 3-D ભૂમિતિ (geometry) ને કેપ્ચર કરવી પડે છે, અને દરેક નવા સંજોગો માટે નવા ડેટા કલેક્શનની જરૂર પડી શકે છે. કેટલાક નિષ્ણાતો ચેતવણી આપે છે કે ઉચ્ચ ગુણવત્તાવાળા, વૈવિધ્યસભર ફિઝિકલ ડેટાસેટ્સની અછત સાચા અર્થમાં યુનિવર્સલ રોબોટ ઇન્ટેલિજન્સને વ્યાવસાયિક રીતે વ્યવહારુ બનતા વર્ષો દૂર રાખી શકે છે. વાસ્તવિક દુનિયાના ડેમોના સતત પ્રવાહ વિના, Gen 1.5 જેવું લવચીક મોડેલ પણ તેણે જોયેલા વાતાવરણથી આગળ વધવા માટે સંઘર્ષ કરી શકે છે.

આગળ શું જોવું

  • ડિપ્લોયમેન્ટ ટ્રાયલ્સ: Generalist ના આગામી જાહેર ટેસ્ટ બેડ્સ—પછી તે લોજિસ્ટિક્સ સેન્ટરો હોય કે મેન્યુફેક્ચરિંગ લાઇન—તે દર્શાવશે કે Gen 1.5 લેબ ડેમોથી લઈને અવાજવાળા અને અનિશ્ચિત સ્થળો સુધી કેટલી સારી રીતે સ્કેલ કરી શકે છે.
  • ડેટા પાઇપલાઇન ડેવલપમેન્ટ: ઓટોમેટેડ ડેટા કેપ્ચર (દા.ત., મોડેલને ફીડ કરતા કેમેરાના કાફલા) માં પ્રગતિ ફિઝિકલ-ડેટા બોટલનેકને હળવું કરી શકે છે.
  • સ્પર્ધાત્મક પગલાં: હરીફોના ફંડિંગ રાઉન્ડ અને ભાગીદારીની જાહેરાતો પર નજર રાખો, કારણ કે પ્રથમ વ્યાપકપણે અપનાવી શકાય તેવા રોબોટ ફાઉન્ડેશન મોડેલ માટેની રેસ હજુ તેના પ્રારંભિક તબક્કામાં છે.

નિષ્કર્ષ: Generalist નું $3 બિલિયનનું મૂલ્યાંકન એ મજબૂત વિશ્વાસ દર્શાવે છે કે એક સિંગલ AI મોડેલ રોબોટ્સને આજની ચેટબોટ્સ જેટલા અનુકૂલનશીલ બનાવી શકે છે, પરંતુ આ માર્ગ ટૂંકી વીડિયો ક્લિપ્સને વિશ્વસનીય, વાસ્તવિક દુનિયાની હલનચલનમાં બદલવા પર નિર્ભર છે—એક એન્જિનિયરિંગ પડકાર જે નક્કી કરશે કે આ વચન રોજિંદા ઓટોમેશનમાં પરિવર્તિત થશે કે નહીં.