डेटा की समस्या जो अगली पीढ़ी के AI रोबोट को आगे बढ़ने से रोक रही है
700 से अधिक AI इंजीनियरों के एक नए सर्वेक्षण में पाया गया है कि खराब डेटा, कमजोर एल्गोरिदम नहीं, भौतिक AI सिस्टम की विफलता का मुख्य कारण है।
मुख्य बिंदु
- IEEE Spectrum AI द्वारा रिपोर्ट किए गए 2026 के सर्वेक्षण में 700 से अधिक AI पेशेवरों ने पाया कि डेटा गुणवत्ता की समस्याएं भौतिक AI सिस्टम में अधिकांश विफलताओं का कारण बनती हैं।
- 78% टीमें पहले से ही दृश्य और भौतिक AI से मापने योग्य परिणाम देख रही हैं, फिर भी 74% का मानना है कि इस क्षेत्र को यह मिलने वाले से कहीं कम निवेश मिलता है।
- जो टीमें भौतिक AI उत्पाद सफलतापूर्वक लॉन्च करती हैं वे डेटा तैयार करने और क्यूरेट करने में उन टीमों की तुलना में लगभग तीन गुना अधिक समय व्यतीत करती हैं जिनकी परियोजनाएं रुक जाती हैं।
- 92% चिकित्सकों को इस बारे में सहमति है कि यह क्षेत्र आगे कहां जा रहा है, जो भौतिक AI के लिए आवश्यक चीजों के बारे में मजबूत सर्वसम्मति का संकेत देता है।
पिछले दस वर्षों में, सबसे बड़ी AI सफलताएं, बड़े भाषा मॉडल, ChatGPT जैसे चैटबॉट के पीछे की तकनीक, छवि जनरेटर, वॉयस असिस्टेंट, सभी पाठ पर बनाए गए थे। इंटरनेट से स्क्रैप किए गए शब्द, वाक्य, पैराग्राफ।
अब सीमांत भौतिक दुनिया की ओर बढ़ गई है।
ऐसी प्रणालियां जो कारों को चलाती हैं, कारखानों में रोबोटिक बाहों को गाइड करती हैं, या डिलीवरी ड्रोन को नियंत्रित करती हैं, वे वाक्य नहीं पढ़ते। वे वीडियो फीड, LiDAR स्कैन (आसपास के लेजर-आधारित 3D मानचित्र), और सेंसर डेटा की धाराएं पढ़ते हैं जो प्रति सेकंड हजारों बार आती हैं। ऐसी AI बनाना जो भौतिक स्थान को समझे और कार्य करे, उसे ईमेल लिखना सिखाने की तुलना में वास्तव में अधिक कठिन है।
तो वास्तव में क्या गलत हो रहा है?
डेटा समस्याएं अधिकांश विफलताओं का कारण बनती हैं, कमजोर AI मॉडल नहीं। Voxel51 के समर्थन से किए गए 700 से अधिक पेशेवरों के 2026 के सर्वेक्षण में, IEEE Spectrum AI द्वारा कवर किया गया, पाया गया कि टीमें वीडियो और सेंसर डेटा की भारी मात्रा एकत्र कर रही हैं लेकिन उस कच्चे माल को कुछ उपयोगी चीज में बदलने के लिए संघर्ष कर रही हैं।
सबसे स्पष्ट बाधा एनोटेशन है: फ़ुटेज के प्रत्येक फ्रेम में क्या है यह लेबल करने की धीमी, महंगी प्रक्रिया, ताकि AI उससे सीख सके। टीमें अक्सर वह सब कुछ लेबल करती हैं जो वे एकत्र करती हैं, फिर सिस्टम के जहाज में जाने से पहले अधिकांश को फेंक देती हैं। वह बर्बाद प्रयास बजट को खाती है और समय सीमा को धीमा करती है।
जो टीमें लॉन्च करती हैं और जो रुकती हैं, उन्हें क्या अलग करता है?
डेटा कार्य पर व्यतीत समय, बेहतर एल्गोरिदम नहीं। सफल टीमें उन टीमों की तुलना में अपने प्रशिक्षण डेटा को क्यूरेट, सफाई और चयन करने में लगभग तीन गुना अधिक समय का निवेश करती हैं जिनकी परियोजनाएं उत्पादन तक कभी नहीं पहुंचती हैं।
यह एक हड़ताली खोज है। AI विकास में प्रवृत्ति अक्सर एक बड़े मॉडल या नई आर्किटेक्चर का पीछा करना है। यह सर्वेक्षण कहता है कि स्मार्ट दांव पहली जगह में अपने मॉडल को खिलाने वाले डेटा के बारे में निर्दयी होना है।
| खोज | आंकड़ा |
|---|---|
| भौतिक AI से मापने योग्य मूल्य देखने वाली टीमें | 78% |
| कहने वाली टीमें कि यह क्षेत्र अंडरइनवेस्टेड है | 74% |
| सफल टीमों के लिए डेटा कार्य लाभ | ~3x अधिक समय |
| इस बारे में सहमत चिकित्सक कि यह क्षेत्र आगे कहां जाता है | 92% |
इसका अर्थ साधारण लोगों के लिए क्या है?
भौतिक AI पहले से ही हमारे चारों ओर है: गोदाम रोबोट जो पैकेज को सॉर्ट करते हैं, अस्पताल रोबोट जो आपूर्ति ले जाते हैं, नई कारों में स्व-ड्राइविंग सॉफ्टवेयर। सर्वेक्षण से पता चलता है कि ये प्रणालियां आती रहेंगी, लेकिन धीरे-धीरे और असमान रूप से, क्योंकि उन्हें अच्छी तरह से बनाना एक अप्रभावकारी, श्रम-गहन काम है।
74% जो विश्वास करते हैं कि क्षेत्र अंडरइनवेस्टेड है, वह सही हो सकते हैं। यदि अधिक संसाधन हेडलाइन-ग्रैबिंग मॉडल लॉन्च के बजाय डेटा बुनियादी ढांचे में प्रवाहित होते हैं, तो उपभोक्ताओं तक पहुंचने वाले भौतिक AI उत्पाद अधिक विश्वसनीय हो सकते हैं।
फिलहाल, इन प्रणालियों को बनाने वाले लोगों का संदेश स्पष्ट है: एल्गोरिदम शायद ही कभी समस्या होता है। डेटा है।
