Skild AI ने अपनी पहली व्यावसायिक तैनाती के दस महीने बाद, $100 मिलियन का ARR पार कर लिया।
सबसे पहले, हमारी टीम के हर सदस्य और हर उस पार्टनर का धन्यवाद जिन्होंने इसे संभव बनाया।
यह बहुत से महान लोगों के असाधारण प्रयासों का परिणाम है। दस महीनों में, हमने सामान ढोने, डिलीवरी करने, साइटों का निरीक्षण करने, सुरक्षा प्रदान करने, खाना तैयार करने, साथ ही गोदामों, कारखानों और डेटा सेंटरों के अंदर संचालन करने वाले 60 से अधिक भुगतान करने वाले ग्राहकों तक अपनी पहुंच बढ़ा ली है। मोबिलिटी हमारे राजस्व का 10% हिस्सा है, और Fetch समाधानों का 4% हिस्सा है।
NVIDIA और Foxconn के साथ मिलकर, हम NVIDIA Blackwell सिस्टम की उच्च-सटीकता असेंबली के लिए डुअल-आर्म मैनिपुलेटर्स पर Skild Brain को तैनात कर रहे हैं — यह ऐसा काम है जो हर उत्पाद चक्र के साथ बदलता है और जिसके लिए पहले लाइन पर हर रोबोट को फिर से प्रोग्राम करना पड़ता था।
Sumitomo Wiring Systems में, हम वायर हार्नेस निर्माण में उन प्रक्रियाओं को स्वचालित करने के लिए S1 को तैनात करने की दिशा में काम कर रहे हैं जिन्हें "असंभव" माना जाता था।
Mitsui & Co. के साथ, जिनकी आपूर्ति श्रृंखला पूरे जापान में प्रतिदिन 1.4 मिलियन भोजन परोसती है, हम वाणिज्यिक रसोई में S1 द्वारा संचालित सामान्य-उद्देश्य वाले रोबोटों का पायलट परीक्षण कर रहे हैं।
शुरुआत से ही, हमने तैनाती को तकनीक का एक मुख्य हिस्सा माना है, न कि उसका परिणाम।
छिपा हुआ स्तंभ
रोबोटिक्स में एक सोच है जो कुछ इस तरह है: हम एक अति-बुद्धिमान मॉडल को प्रशिक्षित करेंगे, अलौकिक हार्डवेयर बनाएंगे, और फिर एक दिन—बूम—हर जगह रोबोट।
भाषा मॉडल के अनुरूप, यह सही लगता है। वर्षों का शोध, फिर ChatGPT। दो महीनों के भीतर अनुमानित 100 मिलियन मासिक उपयोगकर्ता। बाहर से देखने पर, ऐसा लगा कि तैनाती एक साथ आ गई, जब मुश्किल काम हो गया था।
रोबोटिक्स में, आप तैनाती को अंत तक नहीं टाल सकते।
आपूर्ति श्रृंखला कैसे काम करेगी? इसे कौन स्थापित करेगा? एकीकरण का मालिक कौन होगा? जब यह खराब हो जाएगा तो इसे कौन ठीक करेगा? जब प्रक्रिया बदल जाएगी तो इसे कौन अपडेट करेगा? जब तक आप वहां नहीं होते, आप इन सवालों को पूरी तरह से नहीं समझ सकते।
तैनाती रोबोटिक्स अनुसंधान का छिपा हुआ स्तंभ है क्योंकि यहीं पर रोबोटिक्स वास्तव में घटित होता है। इसका कोई विकल्प नहीं है।
तैनाती Skild के अग्रणी अनुसंधान की दिशा को सूचित करती है। आइए हम आपको कुछ उदाहरण देते हैं।
डेमो बनाम तैनाती
डेमो वीडियो देखना फिजिकल AI में प्रगति को मापने का एक सामान्य तरीका बन गया है। आप एक वीडियो देखते हैं और सोचते हैं, "यह काम करता दिख रहा है!"
समस्या यह है कि 5%, 10%, या 99% सटीकता वाले रोबोट का एक सफल क्लिप बिल्कुल एक जैसा दिख सकता है। भले ही आप 10% सटीक हों, आप तब तक शूटिंग करते रह सकते हैं जब तक यह काम न करे।
हमने पिछले साल अपने मॉडल को अंडे बनाना सिखाया। पहला अंडा पकाने में एक सप्ताह लगा, फिर इसे विभिन्न अंडों और विभिन्न सेटअपों के साथ विश्वसनीय रूप से काम करने में दो महीने लगे।
यही कारण है कि रोबोटिक्स में देखना विश्वास करना नहीं है। तैनाती ही मायने रखती है। अंतिम 5% प्रदर्शन को निचोड़ने के लिए आवश्यक प्रयास की मात्रा पहले 95% से कहीं अधिक होती है।
गति बनाम सटीकता
शोध के दृष्टिकोण से, सटीकता मुख्य मीट्रिक की तरह दिख सकती है। तैनाती के दृष्टिकोण से, आपको तुरंत पूछना होगा: उस सटीकता पर रोबोट कितनी तेजी से काम कर सकता है?
एक फैक्ट्री लाइन की कल्पना करें जिसमें दस स्टेशन हों—पांच रोबोट द्वारा और पांच लोगों द्वारा संचालित। प्रत्येक स्टेशन को लगभग समान चक्र समय में समाप्त होना चाहिए। यदि एक स्टेशन धीमा है, तो यह पूरी लाइन के थ्रूपुट को सीमित कर देता है।
एक रोबोट जो 99.9% सटीक है लेकिन दस गुना धीमा है, वह लगभग तैनात करने योग्य नहीं है। वह बिल्कुल तैनात करने योग्य नहीं है।
एक तैनाती-प्रथम कंपनी शुरू से ही समय की कमी के तहत सफलता के लिए अनुकूलन करती है।
परिवर्तन के लिए अनुकूलन
तैनाती में हमने जो कठोर सबक सीखा: परिवर्तन ही एकमात्र स्थिरांक है।
एक आपूर्तिकर्ता एक घटक बदल देता है। एक फैक्ट्री एक वर्कस्टेशन को पुनर्व्यवस्थित कर देती है। एक ग्राहक असेंबली अनुक्रम बदल देता है। आपके द्वारा तैनात सिस्टम को अनुकूलित करना होगा।
यदि प्रत्येक बदलाव के लिए एक नया डेटासेट एकत्र करने और पोस्ट-ट्रेनिंग का एक और दौर चलाने की आवश्यकता है, तो आप जब तक रोबोट तैनात है, उस काम को दोहराने के लिए सहमत हो रहे हैं। यह स्केलेबल नहीं है।
ये निष्कर्ष, जो तैनाती से कठोरता से सीखे गए, ने हमें अपने शोध प्रयासों को S1, हमारे नवीनतम मॉडल पर केंद्रित करने के लिए प्रेरित किया, जिसे दो सप्ताह पहले जारी किया गया था।
हमने S1 को एकल वीडियो उदाहरण से इन-कॉन्टेक्स्ट लर्निंग के माध्यम से सीखने के लिए बनाया है। एक ऑपरेटर एक नया डेमो रिकॉर्ड कर सकता है और इसे मॉडल के वेट को अपडेट किए बिना, रोबोट को एक प्रॉम्प्ट के रूप में दे सकता है। S1 NVIDIA AI इंफ्रास्ट्रक्चर पर बनाया गया है, जो हमें अपने विविध रोबोटिक्स डेटा मिश्रण में बड़े पैमाने पर प्रशिक्षण के लिए आवश्यक त्वरित कंप्यूटिंग फाउंडेशन प्रदान करता है।
https://x.com/SkildAI/status/2092300842900865389
क्या यह इतनी प्राथमिकता बन पाता अगर हम शोध की दुनिया में ही रहते? हमें ऐसा नहीं लगता। तैनाती ने हमें खुद से यह सवाल पूछना सिखाया, और S1 हमारा जवाब है।
संस्कृति
डेमो हानिकारक भी हो सकते हैं। एक ही कंपनी के भीतर एक साथ डेमो संस्कृति और तैनाती संस्कृति को बनाए रखना बहुत मुश्किल है।
आप 50% सटीकता वाले रोबोट से एक अच्छा डेमो चुन सकते हैं। तैनात करने के लिए, आपको दूसरे 50% पर काम करना होगा—जो कहीं अधिक कठिन है।
यदि आप इन "उन्नत" डेमो को सार्वजनिक रूप से सेलिब्रेट करते हैं, तो उन पर काम करने वाले लोगों को प्रोत्साहित किया जाता है। कम सराहे गए 50% पर काम करने वाले लोगों को कम ध्यान मिलता है, भले ही उनका काम ही रोबोट को उपयोगी बनाता है।
दोनों के लिए संसाधन होने से वे प्रोत्साहन गायब नहीं हो जाते।
आप आंतरिक रूप से वास्तविक तैनाती के काम को पुरस्कृत करके उनसे लड़ने की कोशिश कर सकते हैं। लेकिन फिर स्मार्ट लोग पूछते हैं, "जब असली काम तैनाती में है तो मैं अपना समय डेमो पर क्यों बर्बाद करूं?" — और डेमो संस्कृति वैसे भी खत्म हो जाती है।
यदि डेमो वह है जिसे कंपनी पुरस्कृत करती है, तो लोग डेमो पर ही काम करेंगे। हमने तैनाती को पुरस्कृत करना चुना।
भौतिक RSI
तैनाती शोध का एक स्तंभ है। यह मूल्यांकन का एक स्तंभ है। और यह हमें सांस्कृतिक प्रोत्साहनों का सामना करने के लिए मजबूर करता है जो किसी कंपनी को उपयोगी काम से दूर खींच सकते हैं।
यह भी है कि हम भौतिक RSI के बारे में कैसे सोचते हैं: पुनरावर्ती स्व-सुधार।
तैनाती डेटा के बारे में दो सामान्य दृष्टिकोण हैं। एक कहता है कि तैनाती रोबोटिक्स के लिए प्रशिक्षण डेटा का अंतिम स्रोत बन जाएगी। दूसरा कहता है कि तैनाती डेटा एक सामान्य मॉडल को बेहतर बनाने के लिए बहुत संकीर्ण है, क्योंकि एक तैनात रोबोट एक ही कार्य को बार-बार दोहराता है। दोनों दृष्टिकोण आंशिक रूप से सही हैं।
यदि एक विशेष रोबोट पहले से ही एक विशेष बोतल के ढक्कन को विश्वसनीय रूप से खोलता है, तो उसी सफल गति के हजारों अतिरिक्त उदाहरण एकत्र करने से बहुत कम लाभ हो सकता है। विशेष प्रणाली पहले से ही अपना कार्य जानती है। मूल्य तब प्रकट होता है जब कई विशेष प्रणालियों से सीखने को एक सामान्य आधार मॉडल में वापस लाया जाता है।
- एक फाउंडेशन मॉडल से शुरू करें जो विभिन्न रोबोटों, कार्यों और अवतारों पर प्रशिक्षित हो। यह व्यापक रूप से सक्षम है, लेकिन किसी भी चीज़ में परिपूर्ण नहीं है।
- इसे विभिन्न अनुप्रयोगों में तैनात करें। इन-कॉन्टेक्स्ट लर्निंग इसे हर बदलाव के लिए एक नए प्रशिक्षण रन की आवश्यकता के बिना अनुकूलित करने देता है। जहां उत्पादन-स्तर की गति और विश्वसनीयता के लिए आगे प्रशिक्षण की आवश्यकता होती है, वहां तैनाती डेटा सिस्टम को विशेषज्ञ बनाने में मदद कर सकता है। प्रत्येक तैनाती अपने कार्य में बेहतर होती जाती है।
- उन तैनातियों से डेटा को सामान्य मॉडल में वापस लाएं। अनुभव जो एक विशेषज्ञ के लिए बहुत कम जोड़ता है जिसने एक कार्य में महारत हासिल कर ली है, वह अभी भी एक सामान्यवादी के लिए मूल्यवान हो सकता है जो कई अलग-अलग कार्य सीख रहा है। अगली तैनाती एक मजबूत मॉडल से शुरू होती है।
हम जिस उपमा का उपयोग करते हैं वह मेरी अपनी शिक्षा है।
हाई स्कूल में, हम भौतिकी, रसायन विज्ञान और गणित को एक अच्छे स्तर पर जानते थे। फिर हमने AI में विशेषज्ञता हासिल की। हम आज AI के बारे में अपने हाई स्कूल के स्वयं से कहीं अधिक जानते हैं, लेकिन हम अपने द्वारा एक बार जाने गए अधिकांश रसायन विज्ञान को भूल गए हैं।
अब कल्पना करें कि हम अपने हाई स्कूल के स्वयं को ले सकते हैं और, एक समानांतर ब्रह्मांड में, रसायन विज्ञान में पीएचडी कर सकते हैं। दूसरे में भौतिकी में। तीसरे में गणित में। फिर कल्पना करें कि उस सभी विशेष ज्ञान को वापस उस छात्र में आसवित कर सकते हैं जो हम शुरू में थे।
यही हमारी रणनीति है। तैनाती करके, हम "हाई स्कूल के स्वयं"—S1—को बेहतर और बेहतर बना रहे हैं। सामान्यवादी जितना अधिक सीखता है, अगली तैनाती को उतनी ही कम विशेषज्ञता की आवश्यकता होनी चाहिए। यह तैनाती डेटा फ्लाईव्हील है।
डेमो का युग समाप्त हो गया है; तैनाती का युग शुरू हो गया है।
दीपक पाठक और अभिनव गुप्ता
