General Intuition ने गेमप्ले डेटा के साथ रोबोटों को प्रशिक्षित करने के लिए $320 मिलियन जुटाए

General Intuition एक्शन-लेबल वाले वीडियो पर बड़ा दांव लगा रहा है

General Intuition ने Series A फंडिंग में $320 मिलियन जुटाए हैं, जिसे कंपनी के अनुसार ऐसे AI सिस्टम बनाने में मदद मिलेगी जो वर्चुअल और भौतिक वातावरणों में समझ, पूर्वानुमान और कार्रवाई कर सकें। इस फाइनेंसिंग से न्यूयॉर्क-आधारित कंपनी का मूल्यांकन $2.3 बिलियन होता है और अक्टूबर में जुटाए गए $134 मिलियन के बाद इसकी कुल फंडिंग $454 मिलियन तक पहुंच जाती है।

यह हेडलाइन संख्या अपने आप में उल्लेखनीय है, लेकिन कंपनी की पिच का अधिक दिलचस्प हिस्सा इसके पीछे की डेटा रणनीति है। General Intuition का कहना है कि वह अपने मॉडल मुख्य रूप से लिखित पाठ, पारंपरिक रोबोटिक्स डेटासेट, या सिंथेटिक सिमुलेशन आउटपुट पर नहीं, बल्कि CEO Pim de Witte द्वारा सह-स्थापित गेमिंग प्लेटफ़ॉर्म Medal पर अपलोड किए गए अरबों गेमप्ले क्लिप्स पर प्रशिक्षित कर रही है।

ये क्लिप्स केवल यह नहीं दिखातीं कि स्क्रीन पर क्या हुआ। कंपनी के अनुसार, इनमें एम्बेडेड एक्शन लेबल्स होते हैं, जो रिकॉर्ड करते हैं कि खिलाड़ी ने कौन-सा बटन कब दबाया। इसका मतलब है कि डेटासेट समय के साथ दृश्य संदर्भ को विशिष्ट मानवीय क्रियाओं से जोड़ता है। ऐसी कंपनी के लिए जो ऐसे सिस्टम प्रशिक्षित करना चाहती है जिन्हें वातावरण की व्याख्या करनी होती है और आगे क्या करना है यह चुनना होता है, यह जोड़ी केंद्रीय है।

यह डेटासेट अलग क्यों दिखता है

आज का AI उद्योग अभी भी काफी हद तक भाषा के इर्द-गिर्द संगठित है। बड़े foundation models विशाल लिखित शब्द-संग्रहों पर बनाए गए हैं, और कई सिस्टम इस दृष्टिकोण को छवियों, ऑडियो या कोड तक बढ़ाते हैं। General Intuition का तर्क है कि यह paradigm उस चीज़ के लिए पर्याप्त नहीं है जिसे वह physical AI कहता है।

कंपनी का कहना है कि केवल पाठ विवरण उस grounded, action-oriented learning को प्रदान नहीं कर सकते जिसकी दुनिया के साथ इंटरैक्ट करने वाली मशीनों को जरूरत होती है। उसके अनुसार, intelligence केवल वास्तविकता का वर्णन करना नहीं, बल्कि किसी स्थिति को समझना, किसी कार्रवाई का निर्णय लेना, और उसके परिणामों का अनुभव करना है। खासकर जब गेमप्ले फुटेज को action metadata के साथ जोड़ा जाए, तो वह कई परिस्थितियों में उस चक्र के बार-बार उदाहरण देता है।

यह तर्क महत्वपूर्ण है क्योंकि यह robotics और embodied AI में एक लगातार बनी रहने वाली खाई को पहचानता है। वास्तविक दुनिया के रोबोट प्रशिक्षण डेटा को इकट्ठा करना महंगा और धीमा है। उच्च-गुणवत्ता वाला simulation मदद कर सकता है, लेकिन उपयोगी विविधता वाले synthetic environments बनाना भी अपने आप में बड़ा काम है। General Intuition एक ऐसे डेटासेट का उपयोग करके इस bottleneck को पार करने की कोशिश कर रहा है, जो पहले से ही बदलते उद्देश्यों के तहत जटिल वातावरणों में मानवों के नेविगेशन को कैद करता है।

दिए गए source material में यह दावा नहीं किया गया है कि गेम फुटेज वास्तविक-विश्व रोबोटिक्स डेटा का सीधा विकल्प है, और यह अंतर महत्वपूर्ण है। virtual action traces भौतिक प्रणालियों में contact dynamics, sensor noise, या deployment reliability को अपने आप हल नहीं करते। लेकिन कंपनी की थीसिस यह है कि वे perception, prediction, और decision-making के लिए बड़े पैमाने पर priors दे सकते हैं, खासकर pretraining के दौरान।

शब्दों से दुनिया तक

General Intuition अपनी तकनीक के बारे में जिस भाषा का उपयोग करता है, वह असामान्य रूप से स्पष्ट है। कंपनी कहती है कि वास्तव में बुद्धिमान मशीनों को “शब्दों से दुनिया तक” जाना होगा, और जो वह reality की general intuition कहती है उसे हासिल करना होगा। व्यवहार में इसका मतलब है ऐसे मॉडल विकसित करना जो केवल दृश्यों को लेबल न करें या prompts का जवाब न दें, बल्कि यह अनुमान लगाएं कि कार्रवाई किए जाने पर वातावरण कैसे बदलते हैं।

इस महत्वाकांक्षा का समर्थन करने के लिए, कंपनी का कहना है कि वह 2015 में स्थापना के बाद से दो प्रमुख मॉडल वर्ग विकसित कर रही है। पहला है action models, जो तय करते हैं कि कौन-सी कार्रवाई करनी है। दूसरा है world models, जो उन कार्रवाइयों के परिणामों का पूर्वानुमान लगाते हैं। यह अंतर advanced AI research में चुनने वाली प्रणालियों और परिणामों का अनुकरण करने वाली प्रणालियों के बीच बढ़ते विभाजन को दर्शाता है।

कंपनी यह भी कहती है कि वह agentic models के लिए training environments के रूप में world models का परीक्षण कर रही है। अगर यह दृष्टिकोण काम करता है, तो यह एक feedback loop बना सकता है जिसमें सीखे गए environment models decision-making systems के लिए training opportunities उत्पन्न करें, जिससे महंगे वास्तविक-विश्व data collection पर निर्भरता कम हो। दिए गए source text में benchmarks या external validation नहीं है, लेकिन यह अवधारणा embodied AI को अधिक sample-efficient बनाने के व्यापक उद्योग प्रयासों के अनुरूप है।

निवेशक इस दृष्टिकोण का आक्रामक समर्थन कर रहे हैं

यह फाइनेंसिंग स्वयं संकेत देती है कि निवेशक कंपनी के premise को केवल एक niche experiment से अधिक मानते हैं। इस राउंड का नेतृत्व General Catalyst ने किया, जिसमें Jeff Bezos और पूर्व Google CEO Eric Schmidt ने भाग लिया। जुटाई गई राशि से पता चलता है कि capital markets अभी भी महत्वाकांक्षी embodied-AI bets को फंड करने के लिए तैयार हैं, खासकर जब वे एक differentiated data source को एक व्यापक platform story के साथ जोड़ते हैं।

General Intuition का कहना है कि वह नई फंडिंग का उपयोग compute capacity बढ़ाने और अपने मॉडल के अगले संस्करण को pretrain करने के लिए करेगी। ये महंगे कदम हैं, लेकिन frontier AI development की मौजूदा अर्थव्यवस्था के अनुकूल हैं। अनोखा data शुरुआती बढ़त दे सकता है, लेकिन उस बढ़त को उपयोगी मॉडल्स में बदलने के लिए पर्याप्त infrastructure, engineering, और iteration अभी भी चाहिए।

दिए गए source text के अनुसार, कंपनी इस गर्मी में अपने API को अधिक व्यापक रूप से उपलब्ध कराने की भी योजना बना रही है। यह विवरण महत्वपूर्ण है, क्योंकि यह संकेत देता है कि General Intuition खुद को केवल research narrative तक सीमित नहीं कर रहा है। वह एक infrastructure layer बनने की कोशिश कर रहा है जिस पर दूसरे लोग robotics, simulated environments में agents, या दोनों को जोड़ने वाले systems के लिए निर्माण कर सकें।

रोबोटिक्स और embodied AI के लिए इसका अर्थ

इस घोषणा का बड़ा महत्व रणनीतिक है। वास्तविक दुनिया के व्यवहार की जटिलता और scalable training data की कमी के बीच असंतुलन से robotics developers लंबे समय से जूझ रहे हैं। General Intuition का जवाब human gameplay को एक पुल के रूप में उपयोग करना है: perception-action उदाहरणों का एक विशाल archive, जो robotics उद्योग के बाहर इकट्ठा किया गया है, लेकिन उसके लिए संभावित रूप से उपयोगी है।

अगर यह काम करता है, तो यह embodied-AI कंपनियों के लिए उपलब्ध data pipelines की सीमा बढ़ा सकता है। महंगे वास्तविक-विश्व संग्रह और पूरी तरह synthetic environments के बीच केवल चुनने के बजाय, developers increasingly ऐसे hybrid approaches पर निर्भर हो सकते हैं जो virtual settings में स्वाभाविक रूप से उत्पन्न human interaction data का लाभ उठाते हैं।

दिए गए material में अभी भी कुछ प्रश्न अनुत्तरित हैं, जिनमें यह शामिल है कि gameplay-derived models physical robots में कितनी अच्छी तरह स्थानांतरित होते हैं, किन domains को सबसे अधिक लाभ मिलता है, और performance को पारंपरिक approaches के मुकाबले कैसे मापा जाता है। लेकिन market को प्रभावित करने के लिए कंपनी को इन सभी सवालों को तुरंत हल करने की जरूरत नहीं है। $320 million Series A अपने आप में यह संकेत है कि निवेशक मानते हैं कि AI competition का अगला चरण इस बात से कम और इस बात से अधिक परिभाषित हो सकता है कि किसके पास सबसे rich action-grounded data है।

फिलहाल, General Intuition ने तीन स्पष्ट तथ्य स्थापित किए हैं। उसने एक बड़ा नया round जुटाया है, वह embedded action labels वाले अरबों gameplay clips पर training कर रही है, और वह उस data का उपयोग ऐसे models बनाने के लिए कर रही है जो virtual और physical environments में समझ, पूर्वानुमान और कार्रवाई कर सकें। अधिक सक्षम machines को प्रशिक्षित करने के scalable तरीकों की तलाश कर रहे क्षेत्र में, यह General Intuition को इस समय के अधिक closely watched embodied-AI players में से एक बनाता है।

यह लेख The Robot Report की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.