- रोबोटिक्स क्षेत्र ने 2025 में रिकॉर्ड $40.7 billion का निवेश आकर्षित किया, जो पिछले वर्ष की तुलना में 74% अधिक है, और कुल venture funding का 9% हिस्सा लेते हुए AI software के साथ निवेश के अग्रणी क्षेत्रों में उभरा
- Physical/भौतिक AI वह मुख्य तकनीक है जो रोबोट को पहले से प्रोग्राम किए गए नियमों के बजाय डेटा से सीखकर भौतिक दुनिया में काम करने में सक्षम बनाती है
- भाषा मॉडल्स के विपरीत, physical AI models को वास्तविक robot data की आवश्यकता होती है, जिससे बाज़ार पर नियंत्रण के लिए शुरुआती बढ़त का अवसर बनता है
- 10 physical AI model categories में 70 से अधिक कंपनियां data·simulation, model approaches, foundation models और observability क्षेत्रों में प्रतिस्पर्धा कर रही हैं
- multi-robot collaboration अभी भी physical AI की मुख्य अनसुलझी चुनौती है, और जो कंपनी इसे पहले हल करेगी वह autonomous robot fleets के औद्योगिक विस्तार का नेतृत्व कर सकती है
मुख्य संकेत
- Proprietary training data physical AI की सबसे बड़ी प्रतिस्पर्धी बढ़त है, और बड़ी tech कंपनियां acquisitions के ज़रिए data access सुरक्षित करने में जुटी हैं
- Nvidia ने मार्च 2025 में synthetic data provider Gretel का $320 million से अधिक में अधिग्रहण किया
- Meta ने data infrastructure और model development कंपनी Scale में $14.8 billion की equity investment की
- OpenAI ने training data सुरक्षित करने के लिए Medal का अधिग्रहण करने की कोशिश की, लेकिन Medal ने उसी data पर model बनाने वाली General Intuition शुरू की
- जिन कंपनियों के पास proprietary training data है, वे बेहतर models बना सकती हैं, जबकि प्रतिस्पर्धियों को licensed access पर निर्भर रहना पड़ता है
- विविध और उच्च-गुणवत्ता वाले training data को जल्दी सुरक्षित करना commercial scale हासिल करने की कुंजी है
- World models रोबोट को स्वायत्त रूप से prediction और planning करने में सक्षम बनाते हैं, जो large language models (LLMs) हासिल नहीं कर पाए हैं
- world model investment 2024 के $1.4 billion से बढ़कर 2025 में $6.9 billion हो गया
- इस क्षेत्र की कंपनियों का औसत Mosaic score 722 है (पूरे बाज़ार के शीर्ष 3% में)
- सफलता के लिए controlled environments में high-quality training data और hardware manufacturers के साथ करीबी partnership आवश्यक है
- Multi-robot collaboration physical AI की मुख्य अनसुलझी चुनौती बनी हुई है
- अमेरिकी कंपनियों ने 17 deals में $17 billion से अधिक निवेश जुटाया
- चीनी कंपनियों ने 15 deals में $416 million निवेश जुटाया
- दोनों क्षेत्रों में लगभग पूरी तरह single-robot capabilities पर ध्यान है, जबकि विभिन्न robot types को साथ काम कराने के लिए ज़रूरी orchestration layer बनाने वाली कंपनियां बहुत कम हैं
- जो कंपनी collaboration समस्या पहले सुलझाएगी, वह autonomous robot fleets के औद्योगिक विस्तार को नियंत्रित कर सकती है
कैटेगरी ओवरव्यू
-
Data & Simulation
- यह robot learning की नींव प्रदान करता है; रोबोट को बड़े पैमाने पर training data चाहिए, लेकिन वास्तविक data collection धीमा और महंगा है
- इसमें तीन sub-markets शामिल हैं:
- Synthetic training data — robotics: ऐसे tools जो महंगी real-world collection के बिना images, sensor data, 3D scenes जैसे synthetic datasets तैयार करते हैं
- Robot demonstration data providers: ऐसी कंपनियां जो imitation learning के लिए teleoperation data, motion trajectories, video जैसे वास्तविक data capture करती हैं
- Robotics simulation platforms: virtual environments जहां physical deployment से पहले robots को train, test और validate किया जाता है
- Data scarcity physical AI की एक बड़ी bottleneck है, क्योंकि cost और availability की वजह से वास्तविक training data तक पहुंच कठिन है
- इन markets का औसत Mosaic score लगभग 600 है (market momentum के ऊपरी आधे हिस्से में)
- 50% कंपनियां deployment stage में पहुंच चुकी हैं, जो दिखाता है कि physical AI के लिए data infrastructure research से आगे बढ़कर commercial viability तक परिपक्व हो रहा है
- कई कंपनियां synthetic data और simulation पर निर्भर हैं, और Nvidia बाज़ार का नेतृत्व कर रही है
- लेकिन केवल synthetic data पर्याप्त नहीं है; भरोसेमंद model training के लिए वास्तविक robot data अब भी महत्वपूर्ण है
- Scale ने $16.4 billion जुटाए हैं और Mosaic score के शीर्ष 1% में है
- Scale ने synthetic data generation और real-world data collection (जिसमें robots की human teleoperation और physical environments का sensor data शामिल है) को जोड़कर अपने data labeling business को model development तक विस्तारित किया
- उभरती कंपनियां मौजूदा data shortage दूर करने के लिए नए data sources खोज रही हैं
- General Intuition ने $134 million जुटाए ताकि gameplay videos से models train किए जा सकें जिन्हें robot systems पर लागू किया जा सके
- micro1 ने $500 million valuation पर $35 million जुटाए और मानव interactions के videos से दुनिया का सबसे बड़ा robotics training dataset बनाने पर काम कर रही है
- proprietary datasets या simulation platforms के बिना, robotics कंपनियों को अग्रणी कंपनियों से license लेना पड़ सकता है या touch, pressure और physical motion जैसे महत्वपूर्ण data types में पीछे रह जाने का जोखिम है
-
मॉडलों के प्रति दृष्टिकोण
- ये robots को vision, reasoning और action capabilities देते हैं, और हर model किसी दूसरे model के ऊपर बनाया जाता है
- ये rigid programming के बजाय robots को नए tasks के अनुरूप ढलने में सक्षम बनाते हैं
- इसमें तीन sub-markets शामिल हैं:
- Vision-language model (VLM) developers: multimodal models जो visual understanding और natural language को जोड़ते हैं और robots के perception layer की भूमिका निभाते हैं
- Vision-language-action (VLA) model developers: VLM के आधार पर बने AI systems जो visual perception, language understanding और motor control को जोड़कर commands को सीधे physical actions में बदलते हैं
- World model AI developers: ऐसे models जो spatial relationships, physical laws और causality का अनुमान लगाने के लिए environment changes को simulate करते हैं
- physical AI रोबोटिक्स को hard-coded programming से लचीले और task-adaptive systems की ओर ले जा रहा है, और VLA models अग्रणी architecture के रूप में उभर रहे हैं
- Figure, 1X, Galbot जैसी अग्रणी humanoid robotics कंपनियां proprietary VLA models बना रही हैं
- Nvidia और Meta जैसी big tech कंपनियां robotics manufacturers को commercial licensing के लिए models विकसित कर रही हैं
- World models predictive reasoning जोड़ते हैं, इसलिए वे वास्तविक breakthrough साबित हो सकते हैं
- World Labs और Runway जैसी कंपनियां world models विकसित कर रही हैं
- जहां VLA तत्काल input पर प्रतिक्रिया देते हैं, वहीं world models समय के साथ environment changes को simulate करते हैं
- इससे robots outcomes का अनुमान लगा सकते हैं, multi-step actions की planning कर सकते हैं, और errors से recover कर सकते हैं
-
Foundation Models
- ये data और architecture को मिलाकर ऐसा pre-trained robot intelligence बनाते हैं जो perception, reasoning और action कर सके
- कुछ manipulation के लिए general-purpose models हैं और कुछ specialized models
- developers इसे शुरू से बनाए बिना license लेकर लागू कर सकते हैं
- इसमें तीन sub-markets शामिल हैं:
- Robot foundation model developers: general-purpose models जो विभिन्न hardware पर robots को देखना, सोचना और चलना सिखाते हैं
- Autonomous driving foundation model developers: बड़े driving datasets पर trained models जो perception, prediction, planning और control को integrate करते हैं, और robotaxi, trucking तथा delivery के मौजूदा autonomous systems को replace करते हैं
- Multi-robot collaboration model developers: multi-agent algorithms जो task allocation, collision avoidance और distributed decision-making संभालते हैं ताकि robot swarms सहयोग कर सकें
- foundation model market बहुत dynamic है
- अमेरिकी tech giants (Microsoft, Google, Amazon) और चीनी अग्रणी कंपनियां (Huawei, Baidu) DeepSeek, Physical Intelligence जैसे चर्चित startups से प्रतिस्पर्धा कर रही हैं
- कई कंपनियां कई प्रकार के foundation models पर एक साथ काम कर रही हैं
- एक domain का training data दूसरे domain के model performance को बेहतर बनाने में मदद कर सकता है
- Nvidia एकमात्र कंपनी है जो तीनों foundation model categories में सक्रिय है, और पूरे physical AI stack की infrastructure layer के रूप में अपनी स्थिति बना रही है
- Multi-robot collaboration अगला frontier है
- जैसे warehouse में humanoids, autonomous mobile robots और autonomous forklifts का साथ काम करना
- विभिन्न robot types के सहयोग के लिए ऐसी orchestration layer चाहिए जो बिना central control के tasks, resources और collision avoidance संभाले
- केवल कुछ startups (Field AI, Intrinsic) और big tech कंपनियां ही इस दिशा में काम कर रही हैं
- अधिकांश काम commercial deployment के बजाय research stage में है
- proprietary models रखने वाली कंपनियां differentiation और vertical integration के ज़रिए उच्च margins हासिल कर सकती हैं
- third-party AI को license करने वाली कंपनियां model commoditization से कम लागत का लाभ ले सकती हैं, लेकिन उनकी प्रतिस्पर्धा core technology के बजाय deployment speed और integration quality पर होगी
-
Observability
- जब robots production में काम करते हैं, तो यह उस दौरान होने वाली चीज़ों को capture करता है और lab development तथा real-world deployment के बीच का gap भरता है
- Robotics observability platforms: ऐसे platforms जो development और production में robots को monitor, debug और optimize करते हैं
- जब robots fail होते हैं या अप्रत्याशित व्यवहार करते हैं, तो engineers incidents को replay कर सकते हैं, root cause समझ सकते हैं और fixes push कर सकते हैं
- वास्तविक edge cases को simulation और training में वापस जोड़ा जा सकता है, जिससे models बेहतर होते हैं और performance सुधरती है
- Foxglove और Formant इसके प्रमुख उदाहरण हैं, जो performance track करते हैं, failures का analysis करते हैं और deployment insights को फिर training datasets, simulation और models में feed back करते हैं
- मजबूत observability वाली कंपनियां failures से सीखकर अपने models को तेज़ी से सुधार सकती हैं
- अप्रत्याशित स्थितियां learning advantage में बदल जाती हैं, जो production-ready systems और lab prototypes के बीच अंतर करने वाला मुख्य तत्व है
अभी कोई टिप्पणी नहीं है.