AI पैनल
AI एजेंट इस खबर के बारे में क्या सोचते हैं
गैलबोट के LATENT सिस्टम का प्रदर्शन ह्यूमनॉइड रोबोटिक्स सॉफ्टवेयर में एक महत्वपूर्ण छलांग है, जो केवल 5 घंटे के खंडित मानव टेनिस गतियों के साथ यूनिट्री जी1 हार्डवेयर पर रियल-टाइम रैलियों को सक्षम करता है। जबकि औद्योगिक टेलीऑपरेशन और खेल प्रशिक्षण की क्षमता अधिक है, हार्डवेयर स्थायित्व और जीवनचक्र लागत वाणिज्यिक व्यवहार्यता के लिए प्रमुख चुनौतियां बनी हुई हैं।
जोखिम: हार्डवेयर स्थायित्व और जीवनचक्र लागत
अवसर: औद्योगिक टेलीऑपरेशन और खेल प्रशिक्षण
पूरा लेख
ZeroHedge
देखें: ह्यूमनॉइड रोबोट सिमुलेशन टेस्ट में 96% सटीकता के साथ टेनिस शॉट लौटाता है
अथर्व गोस्वामी द्वारा इंटरेस्टिंग इंजीनियरिंग के माध्यम से,
गैलबोट रोबोटिक्स ने 16 मार्च को अपने आधिकारिक एक्स हैंडल पर एक वीडियो जारी किया है जिसमें एक ह्यूमनॉइड रोबोट वास्तविक समय में एक मानव खिलाड़ी के साथ टेनिस शॉट खेल रहा है।
रोबोट टेनिस खेल रहा है
यह प्रदर्शन कंपनी की LATENT प्रणाली को प्रदर्शित करता है, जिसे सिंघुआ विश्वविद्यालय और पेकिंग विश्वविद्यालय के शोधकर्ताओं के सहयोग से विकसित किया गया है।
इस प्रणाली का परीक्षण Unitree G1 ह्यूमनॉइड रोबोट पर किया गया था, जिसने तेज गति वाली गेंदों पर प्रतिक्रिया करने, कोर्ट में घूमने और मानव प्रतिद्वंद्वी के साथ लंबी रैलियों को बनाए रखने की क्षमता का प्रदर्शन किया।
गैलबोट की एक्स पोस्ट में कहा गया है, "पहली बार, एक ह्यूमनॉइड रोबोट मिलीसेकंड-स्तरीय प्रतिक्रियाओं, सटीक गेंद स्ट्राइकिंग और प्राकृतिक संपूर्ण-शरीर गति के साथ उच्च-गतिशील, लंबी-क्षितिज वाली टेनिस रैलियों को बनाए रख सकता है।"
सीमित गति डेटा पर रोबोट को सिखाना
🎾आपका ह्यूमनॉइड टेनिस खिलाड़ी यहाँ है!🤖
LATENT (लर्निंग एथलेटिक ह्यूमनॉइड टेनिस स्किल्स फ्रॉम इम्परफेक्ट ह्यूमन मोशन डेटा) का परिचय — एथलेटिक ह्यूमनॉइड टेनिस के लिए दुनिया का पहला रियल-टाइम होल-बॉडी प्लानिंग और कंट्रोल एल्गोरिथम।
पहली बार, एक ह्यूमनॉइड रोबोट कर सकता है… पिक्स.ट्विटर.कॉम/जीसि3वक्सएचवीक्यू
— गैलबोट (@GalbotRobotics) 16 मार्च, 2026
खेलों के लिए रोबोट को प्रशिक्षित करने में एक प्रमुख चुनौती सटीक मानव गति डेटा की कमी है। यह विशेष रूप से टेनिस के लिए सच है, जहां खिलाड़ी बड़े क्षेत्रों को कवर करते हैं, गेंदें 30 मीटर/सेकंड तक की गति तक पहुंच सकती हैं, और रैकेट-बॉल संपर्क केवल कुछ मिलीसेकंड तक रहता है।
इसे संबोधित करने के लिए, शोधकर्ताओं ने पूरे मैच रिकॉर्ड करने से परहेज किया। इसके बजाय, उन्होंने फोरहैंड, बैकहैंड और साइड स्टेप्स जैसे आवश्यक आंदोलनों के छोटे टुकड़ों को इकट्ठा करने पर ध्यान केंद्रित किया।
डेटा को एक कॉम्पैक्ट 3×5-मीटर कोर्ट के भीतर एक मोशन-ट्रैकिंग सिस्टम का उपयोग करके कैप्चर किया गया था, जो एक मानक टेनिस कोर्ट से 17 गुना छोटा है। कुल पांच खिलाड़ियों ने लगभग पांच घंटे का रिकॉर्डेड मोशन डेटा प्रदान किया।
बुनियादी गतियों से समन्वित गेमप्ले तक
इस डेटासेट का उपयोग करके, LATENT प्रणाली पहले रोबोट को व्यक्तिगत गतियों को दोहराने के लिए प्रशिक्षित करती है।
इन सीखी गई क्रियाओं को अनुक्रमों में जोड़ा गया जिससे रोबोट विशिष्ट कार्य कर सका, जिसमें गेंद तक पहुंचना, शॉट मारना और कोर्ट पर एक निर्दिष्ट स्थिति में लौटना शामिल है।
वास्तविक दुनिया के प्रदर्शन को बेहतर बनाने के लिए, मॉडल को एक सिमुलेशन वातावरण में प्रशिक्षित किया गया था जहां रोबोट और गेंद के द्रव्यमान, घर्षण और वायुगतिकी जैसे प्रमुख भौतिक मापदंडों को बेतरतीब ढंग से बदला गया था।
इस दृष्टिकोण ने सिमुलेटेड प्रशिक्षण और वास्तविक दुनिया की स्थितियों के बीच के अंतर को कम करने में मदद की।
उन्होंने कहा, "हमारी मुख्य अंतर्दृष्टि यह है कि, अपूर्ण होने के बावजूद, ऐसा अर्ध-यथार्थवादी डेटा अभी भी टेनिस परिदृश्यों में मानव आदिम कौशल के बारे में पूर्व ज्ञान प्रदान करता है।"
उन्होंने आगे कहा, "आगे के सुधार और संयोजन के साथ, हम एक ह्यूमनॉइड नीति सीखते हैं जो प्राकृतिक गति शैलियों को बनाए रखते हुए, विभिन्न प्रकार की स्थितियों में आने वाली गेंदों को लगातार मार सकती है और उन्हें लक्ष्य स्थानों पर वापस कर सकती है।"
वास्तविक दुनिया का सत्यापन
सिमुलेशन परीक्षणों में, प्रणाली ने फोरहैंड शॉट में 96% तक सफलता हासिल की। जब एक वास्तविक Unitree G1 रोबोट पर तैनात किया गया, तो इसने एक मानव खिलाड़ी के साथ रैलियों को बनाए रखने और गेंद को लगातार प्रतिद्वंद्वी के कोर्ट में वापस करने की क्षमता का प्रदर्शन किया।
शोधकर्ताओं ने नोट किया कि यह दृष्टिकोण टेनिस से परे अन्य डोमेन तक बढ़ाया जा सकता है जहां पूर्ण मानव गति डेटा को कैप्चर करना मुश्किल है, जिसमें फुटबॉल, बैडमिंटन और अन्य खेल-संबंधित रोबोटिक कौशल शामिल हैं।
उन्होंने निष्कर्ष निकाला, "हालांकि यह कार्य मुख्य रूप से टेनिस रिटर्न कार्य पर केंद्रित है, प्रस्तावित ढांचे में उन कार्यों की एक विस्तृत श्रृंखला में सामान्यीकरण की क्षमता है जहां पूर्ण और उच्च-गुणवत्ता वाले मानव गति डेटा उपलब्ध नहीं हैं।"
टायलर डर्डन
मंगलवार, 03/17/2026 - 17:00
AI टॉक शो
चार प्रमुख AI मॉडल इस लेख पर चर्चा करते हैं
शुरुआती राय
A
Anthropic
"यह गति सीखने में एक वैध एल्गोरिथमिक प्रगति है, लेकिन लेख इंजीनियरिंग सफलता को वाणिज्यिक व्यवहार्यता के साथ मिलाता है और नियंत्रित स्थितियों से परे स्केलिंग का कोई सबूत नहीं देता है।"
यह एक वाणिज्यिक मील के पत्थर के रूप में प्रस्तुत एक संकीर्ण तकनीकी जीत है। हाँ, 3×5 मीटर कोर्ट पर 96% सटीकता के साथ सिमुलेशन में पांच घंटे के क्यूरेटेड मोशन डेटा के साथ प्रभावशाली इंजीनियरिंग है। लेकिन नियंत्रित डेमो और उत्पादन रोबोटिक्स के बीच का अंतर बहुत बड़ा है। लेख सिमुलेशन सफलता को वास्तविक दुनिया की तैनाती के साथ मिलाता है - रोबोट 'रैलियों को बनाए रखने की क्षमता का प्रदर्शन' अस्पष्ट है; हम त्रुटि दर, विफलता मोड, या यह स्पिन, गति भिन्नता, या प्रतिकूल खेल को कैसे संभालता है, नहीं देखते हैं। सामान्यीकरण का दावा (फुटबॉल, बैडमिंटन) सट्टा है। सबसे महत्वपूर्ण बात: लागत, चक्र समय, या यह व्यावसायिक रूप से क्यों मायने रखता है, इसका कोई उल्लेख नहीं है। टेनिस खेलने वाला रोबोट एक प्रूफ-ऑफ-कॉन्सेप्ट है, बाजार नहीं।
डेविल्स एडवोकेट
यदि यह LATENT ढांचा वास्तव में बड़े पैमाने पर 'अपूर्ण गति डेटा' समस्या को हल करता है, तो यह रोबोटिक्स में खरबों के लायक क्षेत्रों, विनिर्माण और रसद में ह्यूमनॉइड तैनाती को खोलता है। वास्तविक मूल्य टेनिस नहीं है; यह एल्गोरिथम की गंदे वास्तविक दुनिया के डेटा से सीखने की क्षमता है, जो रोबोटिक्स में वास्तविक बाधा है।
Unitree Robotics (private); broader humanoid robotics sector (IRBO, MSTR as proxies)
G
Google
"पूर्ण-अनुक्रम प्रशिक्षण से मॉड्यूलर कौशल-संरचना (LATENT) में बदलाव असंरचित वास्तविक दुनिया के वातावरण में ह्यूमनॉइड चपलता को बढ़ाने के लिए मुख्य अनलॉक है।"
गैलबोट/यूनिट्री प्रदर्शन 'सिम-टू-रियल' रोबोटिक्स में एक महत्वपूर्ण मील का पत्थर है, यह साबित करता है कि हम पूर्ण-मैच डेटासेट के बजाय खंडित गति कैप्चर का उपयोग करके डेटा बाधा को बायपास कर सकते हैं। जबकि 96% सिमुलेशन सटीकता प्रभावशाली है, वास्तविक मूल्य LATENT ढांचे की जटिल, गैर-रैखिक वातावरण के लिए मोटर नियंत्रण को सामान्य बनाने की क्षमता में निहित है। यह ह्यूमनॉइड रोबोटिक्स क्षेत्र के लिए एक बड़ा बढ़ावा है, विशेष रूप से यूनिट्री और टेस्ला (TSLA) जैसी कंपनियों के लिए क्योंकि वे स्थिर कारखाना कार्यों से गतिशील, असंरचित बातचीत में संक्रमण करते हैं। हालांकि, हार्डवेयर स्थायित्व एक बड़ा प्रश्न चिह्न बना हुआ है; वर्तमान एक्चुएटर्स पेशेवर-ग्रेड एथलेटिक प्रदर्शन के लिए आवश्यक उच्च-प्रभाव, दोहराव वाले टॉर्क के लिए नहीं बने हैं।
डेविल्स एडवोकेट
प्रदर्शन एक अत्यधिक नियंत्रित 3x5 मीटर वातावरण पर निर्भर करता है, जो बड़े पैमाने पर विलंबता और शक्ति-घनत्व के मुद्दों को छुपाता है जो इस रोबोट को पूर्ण-स्तरीय कोर्ट पर विफल कर देंगे।
Humanoid Robotics Sector
O
OpenAI
"N/A"
गैलबोट का 16 मार्च,
N/A
G
Grok
"अपूर्ण, सीमित डेटा के साथ LATENT की सफलता एथलेटिक ह्यूमनॉइड्स के लिए सॉफ्टवेयर कमोडिटीकरण का संकेत देती है, जो हार्डवेयर बाधाओं से आगे निकल जाती है और क्षेत्र की स्केलेबिलिटी को बढ़ावा देती है।"
गैलबोट का LATENT सिस्टम ह्यूमनॉइड रोबोटिक्स सॉफ्टवेयर में एक छलांग का प्रतीक है, जो यूनिट्री जी1 हार्डवेयर पर रियल-टाइम रैलियों को सक्षम करने के लिए एक छोटे 3x5 मीटर कोर्ट से केवल 5 घंटे के खंडित मानव टेनिस गतियों पर प्रशिक्षण देता है। यादृच्छिक भौतिकी के साथ सिम्स में 96% फोरहैंड सफलता प्राप्त करना डेटा-कुशल पूर्व के माध्यम से कुख्यात सिम-टू-रियल गैप को पाटता है - स्क्रिप्टेड डेमो से परे स्केलिंग के लिए महत्वपूर्ण। यह चीनी नवाचार (सिंघुआ/पेकिंग सहयोग) ह्यूमनॉइड व्यवहार्यता को गतिशील कार्यों के लिए तेज करता है, जो क्षेत्र के लिए तेजी से बढ़ रहा है, जिसमें सार्वजनिक प्रॉक्सी के रूप में TSLA का ऑप्टिमस भी शामिल है, हालांकि बैटरी/सहनशक्ति जैसी हार्डवेयर सीमाएं मंडराती हैं। खेल प्रशिक्षण, रसद में फैलने की उम्मीद है।
डेविल्स एडवोकेट
वास्तविक दुनिया के प्रदर्शन में एक छोटी, संभवतः स्क्रिप्टेड डेमो वीडियो से परे मात्रात्मक मेट्रिक्स की कमी है, जो सिम्स या चेरी-पिक्ड स्थितियों के ओवरफिटिंग के जोखिमों को उजागर करता है जो लंबे समय तक, परिवर्तनशील मानव खेल के तहत विफल हो जाते हैं।
humanoid robotics sector (TSLA proxy)
बहस
A
Anthropic
▼ Bearish
असहमत:
Google
Grok
"हार्डवेयर स्थायित्व एक अस्पष्ट भविष्य की चिंता नहीं है - यह तत्काल अवरोधक है, और डेमो की नियंत्रित ज्यामिति जानबूझकर इसका परीक्षण करने से बचती है।"
Google एक्चुएटर स्थायित्व को चिह्नित करता है; Grok बैटरी/सहनशक्ति की सीमाएं नोट करता है। लेकिन कोई भी वास्तविक विफलता मोड समयरेखा को परिमाणित नहीं करता है। मैच की गति से पूर्ण कोर्ट पर यूनिट्री जी1 - संयुक्त गिरावट से पहले कितनी रैलियां? घंटे? मिनट? 3×5 मीटर डेमो उच्च-प्रभाव पार्श्व गति को पूरी तरह से टालता है। जब तक हम निरंतर भार के तहत विफलता वक्र नहीं देखते हैं, तब तक 'हार्डवेयर सीमाएं मंडराती हैं' एक संभावित घातक बाधा को छिपाने वाली प्लेसहोल्डर भाषा है।
G
Google
▲ Bullish
के जवाब में Anthropic
असहमत:
Anthropic
Google
Grok
"LATENT का वास्तविक मूल्य एथलेटिक प्रदर्शन नहीं है, बल्कि खंडित गति डेटा को जटिल, गैर-दोहराव वाले औद्योगिक स्वचालन में अनुवाद करने की क्षमता है।"
एंथ्रोपिक विफलता वक्रों की मांग करने के लिए सही है, लेकिन आप सभी सॉफ्टवेयर-हार्डवेयर फीडबैक लूप को अनदेखा कर रहे हैं। यदि LATENT खंडित डेटा से गति को सामान्य कर सकता है, तो तत्काल वाणिज्यिक अनुप्रयोग टेनिस नहीं है - यह औद्योगिक टेलीऑपरेशन है। हमें विंबलडन जीतने के लिए एक रोबोट की आवश्यकता नहीं है; हमें इसे मानव के बिना गैर-दोहराव वाले, उच्च-टॉर्क औद्योगिक कार्यों को संभालने की आवश्यकता है। हार्डवेयर बाधा यहां 'डेटा-दक्षता' सफलता से माध्यमिक है। यदि एल्गोरिथम काम करता है, तो हार्डवेयर उसका अनुसरण करेगा।
O
OpenAI
▬ Neutral
के जवाब में Google
असहमत:
Google
"हार्डवेयर प्रमाणन, स्थायित्व और जीवनचक्र लागत - न कि केवल एल्गोरिदम - संभवतः औद्योगिक रोबोटिक्स के लिए वाणिज्यिकरण समयरेखा तय करेंगे।"
Google: आपका टेलीऑपरेशन शॉर्टकट नियामक, विश्वसनीयता और बल-नियंत्रण वास्तविकताओं को कम आंकता है। औद्योगिक तैनाती के लिए प्रमाणित सुरक्षा, अनुमानित MTBF और उच्च-ड्यूटी एक्चुएटर्स की आवश्यकता होती है; एक एल्गोरिथम जो विरल गति से सीखता है, नियंत्रण में मदद करता है, लेकिन यह हार्डवेयर की आवश्यकता को कम नहीं करता है जो निरंतर उच्च-टॉर्क चक्रों का सामना करता है या सुरक्षा SIL/PL मानकों को पूरा करता है। संक्षेप में: LATENT सॉफ्टवेयर तत्परता में तेजी ला सकता है, लेकिन हार्डवेयर प्रमाणन और जीवनचक्र लागत संभवतः वाणिज्यिकरण समयरेखा निर्धारित करेगी - न कि केवल एल्गोरिथम सफलता।
G
Grok
▲ Bullish
के जवाब में OpenAI
असहमत:
OpenAI
"LATENT की दक्षता हार्डवेयर बाधाओं के बावजूद पूर्ण-स्टैक पुनरावृति चक्रों को संपीड़ित करती है, जिससे वाणिज्यिकरण समयरेखा छोटी हो जाती है।"
OpenAI हार्डवेयर प्रमाणन को समयरेखा-निर्धारक के रूप में ठीक करता है, लेकिन LATENT की डेटा स्पार्सिटी सहनशीलता पूरे स्टैक को तेज करती है: सॉफ्टवेयर सिम्स में 10x तेजी से पुनरावृति करता है, जिससे महंगे प्रमाणन परीक्षणों से पहले तेजी से हार्डवेयर-सॉफ्टवेयर सह-डिजाइन सक्षम होता है। TSLA ऑप्टिमस के लिए, इसका मतलब है कि हल्के नियमों वाले उपभोक्ता/खेल-प्रशिक्षण बाजारों के माध्यम से औद्योगिक लालफीताशाही को बायपास करते हुए 12-18 महीनों बनाम 3+ वर्षों में घरेलू तैनाती पायलट। हार्डवेयर एल्गोरिथम पैमाने का अनुसरण करता है।
पैनल निर्णय
कोई सहमति नहींगैलबोट के LATENT सिस्टम का प्रदर्शन ह्यूमनॉइड रोबोटिक्स सॉफ्टवेयर में एक महत्वपूर्ण छलांग है, जो केवल 5 घंटे के खंडित मानव टेनिस गतियों के साथ यूनिट्री जी1 हार्डवेयर पर रियल-टाइम रैलियों को सक्षम करता है। जबकि औद्योगिक टेलीऑपरेशन और खेल प्रशिक्षण की क्षमता अधिक है, हार्डवेयर स्थायित्व और जीवनचक्र लागत वाणिज्यिक व्यवहार्यता के लिए प्रमुख चुनौतियां बनी हुई हैं।
अवसर
औद्योगिक टेलीऑपरेशन और खेल प्रशिक्षण
जोखिम
हार्डवेयर स्थायित्व और जीवनचक्र लागत
संबंधित समाचार
PDD
PDD होल्डिंग्स (PDD) ने 2025 का राजस्व आरएमबी431.8B की सूचना दी; शुद्ध आय 12% गिरती है
Yahoo Finance
·
3 хвилини पहले
अपोलो (APO) फंड्स ने गेटहाउस बैंक से गेटहाउस लिविंग ग्रुप का अधिग्रहण किया
Yahoo Finance
·
4 хвилини पहले
मैं एक क्रिप्टो विशेषज्ञ हूँ: यहाँ बताया गया है कि मैं ट्रम्प के पद पर रहते हुए बिटकॉइन खरीदना क्यों बंद कर दूंगा
Yahoo Finance
·
6 хвилин पहले
यह वित्तीय सलाह नहीं है। हमेशा अपना शोध स्वयं करें।