एक आइसक्रीम रोबोट का मूल्य 22,000 करोड़: कुशल हाथ समवेशी बुद्धि का नोट प्रिंटर बन रहा है

DQ के वूजियांग रोड की दुकान में एक रोबोट एक ऐसी चीज़ कर रहा है जो दिखती है बेवकूफी।

वह कपड़े की टोकरी से कप निकालता है, कागज़ का कप निकालता है, आइसक्रीम मशीन के नीचे रखता है, ओरेओ कrumbs छिड़कता है, मिलाता है, कप के किनारे साफ़ करता है और अंत में कप को उलट कर “उल्टा कप नहीं गिरेगा” टेस्ट करता है। पूरी प्रक्रिया 55 चरण हैं, पूरी तरह स्वायत्त, दुकान के कर्मचारी बस देखते रहते हैं—एक उंगली भी नहीं लगाते।

कर्मचारी एक कप बनाने में 2‑3 मिनट लेते हैं। रोबोट को 6 मिनट लगते हैं—दोगुना समय। फिर भी कोई उसे जलाने की कोशिश नहीं करता।

क्योंकि DQ और इसके पीछे की कंपनी Sharpa को गति नहीं, डेटा चाहिए।

यह कोई नीचे गिराने की बात नहीं, यह ऊपर की तरफ़ प्रशिक्षण है

ज्यादातर लोग इस खबर को पढ़कर सोचते हैं: “सैकड़ों करोड़ की कंपनी आइसक्रीम दुकान में काम कर रही है? ओवरकिल।”
ऐसा सोचने वाले ने समवेशी बुद्धि की असली प्रतिस्पर्धा नहीं समझी।

रestaurant में देखे जाने वाले “रोबोट” बस ट्रे ले जाते हैं या प्लेट सर्व करते हैं—व्हील लगे ट्रे जैसा। उन्हें “हाथ” की ज़रूरत नहीं, बस चलना, बचना और पहुँचना होता है। तकनीक का स्तर शून्य के पास, कोई खाई नहीं।

Sharpa ने अलग रास्ता चुना। वह रसोई में घुस गया, मानव उपकरण, मानव कच्चा माल, वैश्विक मानक—सभी को अपनाकर पूरी प्रक्रिया को खुद ही कर दिखाया।

Sharpa के संस्थापक ली यीफ़ान ने कहा: “यदि एक दस‑डिग्री‑ऑफ़‑फ्रीडम, विज़न और फोर्स‑kontrol वाला मानव‑आकार रोबोट अंत में सिर्फ़ एक साधारण रोबोटिक आर्म की तरह कॉफी देता रहे, तो लागत कभी भी सही नहीं बैठेगी।”

मतलब: रोबोट को पर्यावरण को खुद बदलने नहीं देना चाहिए, और आखिरी चरण मनुष्य पर छोड़ देना चाहिए। ऐसा करने से उत्पादकता नहीं, बस रोबोट के लिए एक फालतू काम बन जाता है।

इसलिए DQ की चुनौती इन 55 चरणों में है—कप नरम होता है, आइसक्रीम की स्थिरता तापमान के साथ बदलती है, तीन बार सामग्री डालना दिखने में लगभग एक जैसा होता है, थोड़ी सी चूक और सब बर्बाद।

और ठीक यही Sharpa चाहता है।

असली बाड़ चिप्स नहीं, “गिरने” का डेटा है

समवेशी बुद्धि की सबसे बड़ी बाधा क्या है?

वीडियो देखकर गति सीखना नहीं। आप GPT को आइसक्रीम बनाने के सौ वीडियो दिखाएँ, वह अभी भी नहीं बता सकता कि कप को कितनी ताक़त से पकड़ना है। वीडियो में स्पर्श, बल और गलती होने पर सुधार का कोई संकेत नहीं होता।

आप किसी इंसान को एक बार करते देखते हैं तो सिर्फ़ हाथ की ऊंचाई पता चलती है, पर आपको नहीं पता कि कप को निचोड़ने के लिए कितना बल लगाना है, गिरने का कारण टिल्ट था या तेज़ हिलाना, या कप के किनारे साफ़ करने में दो डिग्री का कोण क्या परिणाम देगा।

ये सब जानकारी केवल तभी इकट्ठा होती है जब रोबोट असली दुनिया में गलती करता है, फिर समायोजित करता है। ये “गलत डेटा” मॉडल को खिलाने पर अगली बार वही गलती कम होती है।

Sharpa ने इस DQ फ्लो को पांच महीने से भी कम में अभ्यास किया—लैब में सफलता दर अच्छी। लेकिन वह संख्या मायने नहीं रखती। असली दुकान में आने वाली अप्रत्याशित बातें—पी크 आवाज़, उपकरण का तापमान बदलना, कच्चे माल के बैच में अंतर—सही परीक्षा हैं।

आज DQ में सीखा गया पकड़, उठाना, मिलाना, उलटना कल किसी किराना स्टोर की शेल्फ़ लगाने, होटल के कमरे की सेवा या घर के काम में सीधे इस्तेमाल हो सकता है। अगर हर नए场景 के लिए फिर से दस‑घंटे का प्रशिक्षण चाहिए, तो यह एक‑समय का प्रोजेक्ट बनकर रह जाएगा, कोई व्यावसायिक मूल्य नहीं।

यहीं Sharpa की असली महत्वाकांक्षा छिपी है: एक DQ दुकान से एक ऐसी डेटा लेयर बनाना जो partout ले जाया जा सके—समवेशी बुद्धि का असली सोना।

मूल्यांकन 22,000 करोड़, पुराने मालिक से भी ज्यादा

Sharpa की स्थापना 2024 के अंत में हुई, अभी तक दो साल भी नहीं हुए। हाल ही में एक नया फंडिंग राउंड बंद हुआ—कुल 4.5 अरब人民币 (लगभग 5,200 करोड़ रुपये) और पोस्ट‑मनी मूल्य 22 अरब人民币 (लगभग 25,300 करोड़ रुपये) तक पहुँच गया।

और भी दिलचस्प बात यह है कि इसके तीन संस्थापक पहले लिडार की दिग्गज 禾赛科技 (Hesai) के मूल टीम के सदस्य थे—जिनका आज भी बाजार मूल्य बहुत अच्छा है।

एक नयी कंपनी, जो अभी दो साल भी नहीं हुई, अपने पुराने मालिक से अधिक मूल्य क्यों रखती है? क्यों禾赛 ने इस व्यापार को अंदर रखने के बजाय बाहर निकालकर अलग कंपनी बनाई?

यह एक典型적인産業打法 है।

पहला, ट्रैक अलग, इसलिए मूल्य तर्क भी अलग। लिडार एक परिपक्व विनिर्माण व्यवसाय है—वॉल्यूम, मार्जिन, लागत पर फोकस। मानव‑आकार रोबोट एक तेज़ी से बढ़ती टेक कहानी है—टेक बाड़, डेटा जमा, कल्पना पर फोकस। बाहर निकालकर फंडिंग लेने से मूल्य सीमा बहुत बढ़ जाती है।

दूसरा, टीम प्रोत्साहन अधिक लचीला हो जाता है। अलग कंपनी में इक्विटी स्ट्रक्चर को फिर से डिज़ाइन किया जा सकता है—हिसेदारों के शेयर को कम नहीं किया जाता, कोर टीम को अलग प्रोत्साहन और स्वायत्तता मिलती है।

इस फंडिंग राउंड में देखिए: 阿里, 美团, 京东 के産業キャピタル全部 आए, साथ ही 红杉, 启明 जैसी शीर्ष संस्थाएँ भी। वे सब एक ही दाँव पर लगा रहे हैं: Sharpa वही सफलता दोहराएगा जो禾赛 ने लिडार में दिखाई—पहले कोर पार्ट्स पर कब्ज़ा, फिर वास्तविक‑वर्ल्ड डेटा से एल्गोरिदम लूप बंद, अंत में फुल‑स्टैक समाधान।

तीन तरीके जिससे आम आदमी भी कमा सकता है

1. डेटा‑संग्रह रोबोट किट – छोटे स्टार्ट‑अप के लिए प्लग‑एंड‑प्ले आर्म + सेंसर बेचें, हर गलती से मूल्यवान डेटा इकट्ठा हो।
2. आइसक्रीम शॉप सिमुलेटर लाइसेंस – DQ जैसी चेन को वर्चुअल ट्रेनिंग एनवायरनमेंट देकर, वास्तविक दुनिया में तैनात करने से