- रोबोटिक्स उद्योग इस समय GPT-2.5 स्तर के चरण में है, जहाँ foundation models वास्तविक क्षमताएँ दिखा रहे हैं, लेकिन लैब उपलब्धियों और फील्ड डिप्लॉयमेंट के बीच की खाई अब भी बड़ी है
- Goldman Sachs ने 1 साल में 6 गुना बढ़ाकर जो 2035 तक 38 अरब डॉलर के बाजार का अनुमान दिया, उसे भी Bessemer सतर्क मानता है, और उसका अनुमान है कि केवल रोबोटिक्स डेटा लागत पर ही अगले 2 वर्षों में पूरे उद्योग में 3 अरब डॉलर से अधिक खर्च होगा
- अमेरिकी रोबोटिक्स कंपनियों के संस्थापकों में 48% Stanford, MIT, Berkeley, CMU इन 4 संस्थानों से आए हैं, जिससे टैलेंट का केंद्रीकरण winner-takes-most संरचना को और तेज करेगा
- defense robotics कंपनियों का Series A median, non-defense कंपनियों के दोगुने यानी 10.5 करोड़ डॉलर तक पहुँच चुका है, और Anduril की 60 अरब डॉलर valuation जैसी मिसालों के साथ अनुमान है कि पहला 50 अरब डॉलर से बड़ा IPO इसी क्षेत्र से आएगा
- पिछले 5 वर्षों में 3,000 मिलियन डॉलर से अधिक निवेश पाने वाली रोबोटिक्स कंपनियाँ सॉफ्टवेयर की तुलना में सिर्फ 18वें हिस्से के बराबर, यानी केवल 42 थीं; इसलिए रोबोटिक्स bubble नहीं बल्कि संरचनात्मक underinvestment की स्थिति में है
रोबोटिक्स की संरचनात्मक मांग और बाजार परिदृश्य
- दोहराव वाले शारीरिक श्रम या खतरनाक कार्य-परिस्थितियों में मानव श्रम के विकल्प की मांग, अमेरिका, यूरोप, जापान और चीन में जनसांख्यिकीय बदलाव के कारण लगातार बढ़ रही है
- कुछ analysts का अनुमान है कि रोबोटिक्स बाजार 2035 तक 38 अरब डॉलर तक पहुँच जाएगा, और Goldman Sachs ने इस अनुमान को 1 साल में 6 गुना ऊपर संशोधित किया
- Bessemer का मानना है कि यह अनुमान भी गति और आकार, दोनों दृष्टि से सतर्क है
- Bessemer partner Jeremy Levine के अनुसार, "अगले 10~20 वर्षों में पृथ्वी पर आज की तुलना में 100,000 गुना अधिक रोबोट होंगे"
- Bessemer उस समय निवेश अवसर देखता है जब टैलेंट मूवमेंट, तकनीकी breakthroughs और संरचनात्मक tailwinds एक साथ तेज हो रहे हैं; उसके portfolio में Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics आदि शामिल हैं
पूर्वानुमान 1: रोबोटिक्स का ChatGPT मोमेंट करीब है, लेकिन अभी आया नहीं है
- रोबोटिक्स उद्योग GPT-2.5 मोमेंट जैसे चरण में है, जहाँ foundation models ने व्यावहारिक क्षमता दिखानी शुरू कर दी है और scaling laws उभरने लगे हैं, लेकिन research demo और production deployment के बीच का अंतर अब भी बड़ा है
- Physical Intelligence का π0 model इंसानी स्तर की फुर्ती के साथ कपड़े मोड़ने में सफल रहा
- फ़रवरी 2026 में प्रकाशित EgoScale paper ने दिखाया कि pretraining data के पैमाने के अनुसार policy performance अनुमानित रूप से बेहतर होती है, और इसने रोबोटिक्स foundation models के LLM जैसी data-driven improvement curve का पहला मजबूत प्रमाण दिया
- दो अहम अनसुलझे सवाल मौजूद हैं
- लैब प्रदर्शन और production के लिए जरूरी 99.9% reliability के बीच की खाई पाटने के लिए कितना data चाहिए
- जब रोबोटिक्स का ChatGPT मोमेंट आएगा, तो वह दिखेगा कैसा
- chatbots के विपरीत, केवल text box से क्षमता सिद्ध नहीं की जा सकती; इसका प्रमाण होगा ऐसे रोबोट जो बिना मानव हस्तक्षेप के अनजाने वातावरण में जटिल काम कर सकें
- पहले से commercialized क्षेत्र: warehouse automation, surgical assistance, last-mile delivery, industrial inspection जैसे सीमित वातावरण वाले purpose-built systems अभी revenue पैदा कर रहे हैं
- Perceptron CEO Armen Aghajanyan: "real-world robotics का मूल बेहतर control algorithms नहीं, बल्कि ऐसे foundation models हैं जो भौतिक दुनिया को समझते हों; robot control तो उसके ऊपर की सिर्फ एक पतली layer है"
पूर्वानुमान 2: scaling laws का उदय — data महँगा है, capital moat है, और world models शॉर्टकट बन सकते हैं
- LLMs इंटरनेट से सैकड़ों ट्रिलियन tokens वाले text का उपयोग कर पाए, लेकिन रोबोटिक्स के लिए वैसा corpus मौजूद नहीं है
- वैश्विक robot manipulation data का अनुमान लगभग 3 लाख घंटे है; इसकी तुलना में इंटरनेट video लगभग 1 अरब घंटे और text 300 ट्रिलियन tokens है, यानी यहाँ एक संरचनात्मक अंतर मौजूद है
- Bessemer का अनुमान है कि अगले 2 वर्षों में पूरे उद्योग की रोबोटिक्स data cost 3 अरब डॉलर से अधिक होगी
- इसमें teleoperation, egocentric video, simulation, physical demonstrations का संग्रह आदि शामिल है
- robot data को scrape या खरीद नहीं सकते; इसे हर task और environment के लिए सीधे बनाना पड़ता है
- Zeromatter CEO Ian Glow: "सिर्फ teleop के सहारे सफल data strategy नहीं बन सकती; जरूरी पैमाना और विविधता पाने के लिए इंटरनेट या simulators से reinforcement learning के जरिए data लाना होगा"
- world models: ऐसे neural networks जो इंटरनेट-स्केल video से भौतिक नियम सीखते हैं
- Meta का V-JEPA 2 10 लाख घंटे से अधिक video पर train होने के बाद, सिर्फ 62 घंटे के अतिरिक्त robot data के साथ वास्तविक robot arm पर 80% zero-shot pick-and-place success rate तक पहुँचा
- लेकिन NVIDIA के Cosmos को training के लिए 10,000 H100 GPUs तीन महीने तक चाहिए थे; यानी world models भी capital-intensive approach हैं
- simulation और reinforcement learning: locomotion में sim-to-real transition अच्छी तरह काम करता है, लेकिन manipulation में soft objects, कपड़ा और liquids जैसी चीज़ों की fidelity समस्या के कारण यह अब भी अनसुलझा research problem है
- Voxel51 CEO Brian Moore: "physical AI में leaders और hype के बीच फर्क पैदा करता है data quality के प्रति जुनून; खराब data केवल inefficiency नहीं, बल्कि जोखिम है"
पूर्वानुमान 3: टैलेंट का केंद्रीकरण तेजी से winners तय करेगा — यह 50 कंपनियों की सफलता वाला बाजार नहीं है
- पिछले 5 वर्षों में स्थापित और 3,000 मिलियन डॉलर से अधिक funding पाने वाली अमेरिकी रोबोटिक्स कंपनियों में 43% संस्थापकों के पास PhD है
- उनमें से 48% Stanford, MIT, Berkeley, CMU इन 4 संस्थानों से आए हैं
- 56% के पास कम-से-कम 1 PhD cofounder है, और 43% के संस्थापक सीधे academia से आए हैं
- talent moat में टैलेंट → capital → data partnerships → customer relationships → proprietary datasets के क्रम में compounding effect पैदा होता है, और winner-takes-most संरचना अधिकांश अनुमान से तेज बन रही है
- LLM क्षेत्र में open source (Llama, Mistral) ने क्षमता तक पहुँच को लोकतांत्रिक बनाया, लेकिन रोबोटिक्स में LeRobot, Genesis, Isaac Lab जैसे open source प्रोजेक्ट बढ़ रहे हैं, फिर भी यहाँ भौतिक friction है क्योंकि "अब भी रोबोट चाहिए"
- sim-to-real transition, manipulation, locomotion, sensor fusion जैसे क्षेत्रों में सबसे गहरी विशेषज्ञता रखने वाली टीमें ऐसा बढ़त बना रही हैं जिसे केवल open source releases से आसानी से कॉपी नहीं किया जा सकता
पूर्वानुमान 4: full-stack कंपनियाँ निकट अवधि में मूल्य हासिल करेंगी — pure foundation model कंपनियों को इंतज़ार करना होगा
- LLMs में GPT-4 जैसे single API endpoint के ज़रिए 2 लोगों की टीम भी frontier AI product बना सकती थी, लेकिन रोबोटिक्स में domain-specific data collection, environment-specific fine-tuning, hardware integration, operational infrastructure की जरूरत होती है
- अभी बन रही moats model architecture से ज्यादा proprietary data pipelines, domain expertise, deployment infrastructure, और feedback loops बनाने वाले customer relationships में हैं
- hardware cost में गिरावट इस dynamic को और तेज कर रही है
- DroneDeploy CEO Mike Winn: "construction क्षेत्र के ground robots की कीमत प्रति यूनिट 100,000 डॉलर से घटकर 15,000 डॉलर से कम हो गई है, और docking drones की कीमत 200,000 डॉलर से घटकर 20,000 डॉलर से कम; इससे deployment scale-up का inflection point पार हो रहा है"
- stack तीन layers में बँट रहा है
- infrastructure layer: foundation models, world models
- application layer: custom hardware वाली full-stack कंपनियाँ (humanoids, industrial systems) + commercial off-the-shelf platforms पर AI लागू करने वाली full-stack कंपनियाँ
- value application layer में इसलिए केंद्रित हो रही है क्योंकि infrastructure layer अभी इतनी general-purpose नहीं हुई कि वह end-to-end deployment को स्वतंत्र रूप से support कर सके
- foundation models बेहतर होंगे और sim-to-real transition mature होगा, तब रोबोटिक्स का API moment आएगा, लेकिन यह 2028 के बाद की बात है; मौजूदा विंडो में vertical integration ही टिकाऊ value बना रही है
- Foxglove CEO Adrian Macneil: "physical AI में निर्णायक बढ़त model novelty में नहीं, बल्कि data infrastructure की quality में है; जैसे-जैसे models converge करेंगे, सबसे मजबूत data flywheel वाली कंपनियाँ जीतेंगी"
पूर्वानुमान 5: defense robotics इस category का पहला 50 अरब डॉलर से बड़ा IPO लाएगा
- 2025 तक defense robotics कंपनियों का Series A median 10.5 करोड़ डॉलर है, जो non-defense कंपनियों के 5 करोड़ डॉलर से दोगुने से भी अधिक है, और यह अंतर 2021 के बाद हर साल बढ़ा है
- Anduril ने मार्च 2026 में 60 अरब डॉलर valuation पर round बंद किया, और Saronic ने उसी महीने autonomous shipbuilding के लिए 1.75 अरब डॉलर Series D जुटाया
- defense procurement cycles लंबे होते हैं, लेकिन अनुमानित होते हैं; contract size बड़े होते हैं, renewals ऊँचे होते हैं, और switching costs काफी अधिक होती हैं
- commercial robotics के विपरीत, defense buyers ROI नहीं बल्कि राष्ट्रीय सुरक्षा जोखिम के आधार पर निर्णय लेते हैं
- geopolitics इसे और तेज करती है: 2025 में दुनिया भर में बिके humanoid robots में लगभग 90% चीन-निर्मित थे
- चीनी AI models अमेरिका से औसतन लगभग 7 महीने पीछे हैं, लेकिन यह अंतर लगातार घट रहा है, और अमेरिकी सरकार रोबोटिक्स को राष्ट्रीय सुरक्षा की अनिवार्यता की तरह देखना शुरू कर चुकी है
- dual-use दृष्टिकोण से, सबसे मजबूत कंपनियाँ single-purpose weapons systems नहीं बल्कि commercial applications वाले autonomous platforms, perception systems, decision-making infrastructure बना रही हैं
- Breaker cofounder Matthew Buffa: "सबसे दिलचस्प कंपनियाँ defense और commercial में से एक नहीं चुन रहीं, बल्कि ऐसे systems बना रही हैं जो defense requirements पूरी करने जितने सक्षम हों और commercial रूप से भी transformative हों"
पूर्वानुमान 6: रोबोटिक्स bubble नहीं है — बल्कि इस क्षेत्र में पर्याप्त पैसा आ ही नहीं रहा
- पिछले 5 वर्षों में 3,000 मिलियन डॉलर से अधिक funding पाने वाली software कंपनियाँ 745 थीं, जबकि रोबोटिक्स में केवल 42, यानी 18 गुना कम
- जबकि रोबोटिक्स का underlying market, वैश्विक software spending से 30 गुना बड़ा है
- hardware business की capital intensity को ध्यान में रखते हुए भी, यह अवसर की तुलना में संरचनात्मक underinvestment है
- अधिकांश analysts अगले 10 वर्षों में 50 गुना उद्योग वृद्धि का अनुमान लगाते हैं, लेकिन Bessemer का मानना है कि यह भी केवल मौजूदा workflows के automation तक सीमित है और general-purpose robots से बनने वाली नई आर्थिक गतिविधियों की categories को नहीं पकड़ता
- funding पाने वाली हर कंपनी सफल नहीं होगी; कुछ valuations बढ़ा-चढ़ाकर तय हुई हैं, और capital कुछ नेताओं में केंद्रित होगी
- लेकिन selectivity और scarcity अलग चीजें हैं; कुल मिलाकर रोबोटिक्स investment स्तर अवसर के आकार और क्षमता-विकास की गति की तुलना में अब भी काफी कम है
- ChatGPT मोमेंट आने से पहले, और टैलेंट consolidation पूरा होने से पहले, अभी core कंपनियों में निवेश का मौका है; अगर inflection point के पुख्ता प्रमाण का इंतज़ार करेंगे, तो अवसर निकल जाएगा
- Flexion CEO Nikita Rudin: "5 साल बाद दुनिया में deploy हुए अधिकांश robots उन startups के नहीं होंगे जिन्हें हम आज जानते हैं, बल्कि उन कंपनियों के होंगे जिन्होंने अभी रोबोट बनाना शुरू भी नहीं किया, लेकिन बड़े पैमाने पर बनाना जानती हैं"
अनसुलझी चुनौतियाँ और खुली बहसें
- reliability gap: task success rate को 80% से 99.9% तक ले जाना linear समस्या नहीं है
- इसके लिए tactile sensing, force feedback, manipulation के लिए sim-to-real transition जैसे मूलतः अलग approaches चाहिए
- Argus Systems CEO Lisa Yan: "Waymo के अनुभव से, वास्तविक deployment समय के साथ और कठिन होता जाता है और specialized data curation की समस्याएँ सामने लाता है; 99% से 99.9% तक की खाई भरने में अधिकांश अनुमान से अधिक समय लगेगा"
- inference cost problem: world models और बड़े vision-language-action models को real-time execution में अधिक लागत लगती है
- text models में shared infrastructure पर हजारों concurrent users को batch किया जा सकता है, लेकिन robotics models को हर robot के लिए हर कुछ milliseconds पर environment state generate करनी पड़ती है, इसलिए व्यावहारिक रूप से dedicated GPU pipeline चाहिए
- LLM inference cost 3 साल में लगभग 1,000 गुना घटी है; रोबोटिक्स भी वैसी ही curve अपनाएगा या नहीं, यही foundation model approach की commercial viability तय करेगा
- interpretability अगली infrastructure layer के रूप में उभर रही है
- केवल 2026 की पहली तिमाही में ही 6~7 world model कंपनियों में लगभग 6 अरब डॉलर डाले गए
- Vayu Robotics cofounder Mahesh Krishnamurthi: "जैसे-जैसे उद्योग mature होगा, interpretability बिना समझौते वाली शर्त बन जाएगी; अभी ये models black box हैं, और इन्हें खोलने के tools बनाने वाले startups की लहर आएगी"
- open source vs closed: LLMs में open source ने ecosystem development को नाटकीय रूप से तेज किया, लेकिन रोबोटिक्स में, जहाँ physical data और deployment infrastructure model architecture जितने ही महत्वपूर्ण हैं, वही dynamic लागू होगा या नहीं, यह अभी स्पष्ट नहीं है
- open source अपेक्षा से तेजी से model architecture को commoditize कर सकता है, लेकिन data और deployment layers पर्याप्त लंबे समय तक proprietary रह सकती हैं
- stack के किस हिस्से को खोलना है और किसे सुरक्षित रखना है, यह समझने वाली कंपनियाँ रणनीतिक बढ़त हासिल करेंगी
दो सच एक साथ मौजूद हैं
- Cobot CEO Brad Porter: "रोबोटिक्स का ChatGPT मोमेंट ज्यादातर लोगों की सोच से जल्दी आ रहा है, और जब आएगा तो production time (real robots, real tasks, real environments) bottleneck होगा; demo नहीं बल्कि deployment के लिए optimize करने वाली कंपनियाँ निर्णायक रूप से अलग दिखेंगी"
- stealth robotics कंपनी के cofounder Philipp Wu: "timeline ज्यादातर अनुमान से कहीं लंबी है, और general-purpose robotics में अभी 5 साल से अधिक समय लगेगा"
- ये दोनों दृष्टिकोण टकराव नहीं बल्कि अलग आयामों का वर्णन करते हैं: Porter inflection point तक पहुँचने के रास्ते की बात करते हैं, जबकि Wu यह बताते हैं कि वह inflection point वास्तव में कितना दूर है
- संस्थापकों के लिए निहितार्थ: अभी निर्णायक रूप से deploy करें, लेकिन general-purpose मोमेंट को horizon मानकर build करें
- inflection point नज़दीक आ रहा है; टैलेंट move कर रहा है, hardware commoditize हो रहा है, data infrastructure बन रही है, और अगले 10 वर्षों के physical AI को परिभाषित करने वाली कंपनियाँ अभी इसी समय बन रही हैं और funding पा रही हैं
1 टिप्पणियां
जानना दिलचस्प होगा कि कौन-कौन सी कंपनियां सामने आती हैं।