शंघाई के सुविधा स्टोर में 24 घंटे के परीक्षण में छह में से चार ह्यूमनॉइड रोबोट पास

छह रोबोट, चार पास और पूरे किए गए 1,730 काम

Agibot Genie G2 के छह ह्यूमनॉइड रोबोट ने शंघाई के शुहुई जिले में एक चालू सुविधा स्टोर में 24 घंटे के परीक्षण के दौरान 1,730 काम पूरे किए, लेकिन कार्यस्थल के आकलन में केवल चार ही पास हुए। बाकी दो रोबोट शेल्फ की जांच और सफाई के काम में पिछड़ गए। इनमें एक सफाई रोबोट भी था, जो रात की पाली में अपना तय रास्ता छोड़कर स्टोर के बाहर चला गया।

यह चुनौती 2 नवंबर, 2026 को सुबह 10 बजे शुरू हुई और 3 नवंबर को समाप्त हुई। Agibot, जिसका औपचारिक नाम Zhiyuan Innovation (Shanghai) Technology Co., Ltd. है, ने इसका आयोजन किया। लाइवस्ट्रीम को ऑनलाइन मंचों पर 20 लाख से अधिक दर्शकों ने देखा। रोबोटों ने दोपहर के भोजन के समय की मांग, शाम के ग्राहकों, रात की ड्यूटी और अगली सुबह नाश्ते की सेवा के दौरान काम किया।

इस प्रदर्शन के पीछे एक व्यावहारिक सवाल था: क्या ग्राहक, ऑर्डर और रास्ते की बाधाएं बदलने के बीच रोबोट दुकान के आपस में जुड़े काम सुचारू रूप से जारी रख सकते हैं? कॉफी सही ढंग से बनाना आकलन का एक हिस्सा था। समय पर प्रतिक्रिया देना, तय जगह पर बने रहना और कुछ गड़बड़ होने पर काम संभालना भी कसौटी में शामिल था।

Agibot के एम्बॉडीड इंटेलिजेंस रिसर्च सेंटर के उपाध्यक्ष रेन गुआंगहुई ने माना कि परिस्थितियों के मुताबिक खुद को ढालने, नाजुक गतिविधियां तेजी से करने और अप्रत्याशित समस्याएं संभालने में मशीनें अब भी अनुभवी दुकानकर्मियों से पीछे हैं। उनके अगले सुधार इस बात पर निर्भर करेंगे कि सफल और असफल काम के रिकॉर्ड को बेहतर संचालन नियमों और गतिविधि कौशल में कैसे बदला जाता है।

रोबोटों ने वास्तव में क्या-क्या किया

छह मशीनों ने दुकान के काम को ग्राहकों का स्वागत करने, सामान संभालने, कॉफी बनाने, गर्म भोजन परोसने, शेल्फ की जांच करने और मेजें साफ करने के बीच बांटा। उनके कुल कामों में अलग-अलग कठिनाई और अवधि वाली गतिविधियां शामिल थीं।

• ग्राहकों का स्वागत या उनसे जुड़ी 683 गतिविधियां।
• सामान निकालने और पहुंचाने के 369 काम।
• कॉफी बनाने की 147 गतिविधियां।
• भोजन परोसने के 126 काम। समापन के आंकड़ों में इसे नाश्ते की सेवा और आकलन के नतीजों में गर्म भोजन की सेवा बताया गया।
• शेल्फ की जांच और सामान दोबारा भरने के 277 काम।
• मेजें साफ करने के 128 काम।

कुल 1,730 दर्ज कामों में ग्राहकों का स्वागत लगभग 39.5% था। स्वागत और सामान संभालने के काम मिलाकर 1,052 हुए, यानी करीब 60.8%। इन आंकड़ों से पता चलता है कि दर्ज गतिविधियों का बड़ा हिस्सा लोगों की जरूरतों पर प्रतिक्रिया देने और सामान पहुंचाने से जुड़ा था। पेय बनाने और भोजन परोसने के अधिक दिखने वाले काम भी इनमें शामिल थे।

सभी छह रोबोटों ने मिलकर औसतन प्रति घंटे करीब 72 काम पूरे किए। हालांकि, हर श्रेणी का काम अलग था: ग्राहक का स्वागत करने और कॉफी बनाने में अलग-अलग प्रक्रियाएं, उपकरण और समय लगता है। आकलन में ड्यूटी पर बिताया समय, ग्राहकों की प्रतिक्रिया, काम पूरा करने की सफलता, प्रतिक्रिया की गति और समस्या आने पर काम संभालने की क्षमता भी देखी गई।

चार रोबोट पास और दो फेल क्यों हुए

ग्राहकों का स्वागत करने वाले आहाओ को सबसे अधिक ग्राहक सेवा अंक मिले। उसने ग्राहकों की मदद करने में पहल की। सामान निकालने और संभालने का काम सौंपे गए हुओबाओ ने ऑर्डर पर तेजी से प्रतिक्रिया दी और मांग बढ़ने तथा ऑर्डर रद्द होने के दौरान भी काम जारी रखा।

कॉफी बनाने वाले काशाओ ने अपनी स्थिर प्रक्रिया के दम पर परीक्षा पास की। उसकी बनाई अमेरिकानो कॉफी को भी अच्छी प्रतिक्रिया मिली। गर्म भोजन के लिए जिम्मेदार और चेकआउट का काम भी करने वाले डिंगजियांग ने लगातार और स्थिर ढंग से काम करके जरूरी मानक पूरा किया।

शेल्फ की जांच और सामान भरने वाला जुआनवांग दुकान की कामकाजी गति के साथ तालमेल नहीं बिठा पाया। उसकी जांच और सामान भरने की गतिविधि में पहल की कमी मानी गई। सफाई करने वाले लेंगजी ने रात की ड्यूटी के दौरान अपना तय रास्ता छोड़कर बाहर का रुख किया, जिसके बाद उसके संचालन नियमों में संशोधन की जरूरत पड़ी।

छह में से चार रोबोट पास हुए, यानी इस परीक्षण में उनकी पास होने की दर करीब 66.7% रही। Agibot ने पास होने का कोई संख्यात्मक मानदंड, पूरी अंकतालिका या इंसानी हस्तक्षेपों की कुल संख्या प्रकाशित नहीं की। इसलिए घोषित नतीजे पूरे सिस्टम की विश्वसनीयता के बजाय अलग-अलग भूमिकाओं की अधिक स्पष्ट तस्वीर देते हैं: ग्राहक सेवा में स्वागत करने वाला रोबोट अच्छा रहा, जबकि सफाई करने वाले रोबोट को अपने काम के दायरे पर अधिक नियंत्रण की जरूरत थी।

पूरे दिन की परीक्षा में दबाव के अलग-अलग रूप

24 घंटे के कार्यक्रम में रोबोटों को एक ही छोटी जगह में बदलती मांगों का सामना करना पड़ा। दोपहर के भोजन और नाश्ते के समय लोगों को जल्दी सेवा देने का दबाव था। शाम को ग्राहकों की एक और भीड़ आई, जबकि रात के शांत समय में यह परखा गया कि मशीनें अपनी तय ड्यूटी पर कायम रह सकती हैं या नहीं।

परीक्षण का क्रम इस प्रकार था:

• 2 नवंबर, 2026, सुबह 10 बजे: छह Genie G2 रोबोटों ने शुहुई के सुविधा स्टोर में काम शुरू किया।
• 2 नवंबर, दोपहर के भोजन और शाम के समय: आकलन में व्यस्त सेवा अवधि के दौरान ऑर्डर, सामान संभालने और भोजन तैयार करने जैसे काम शामिल रहे।
• 2 और 3 नवंबर की दरमियानी रात: रोबोटों ने रात की ड्यूटी जारी रखी। इसी दौरान सफाई करने वाला रोबोट अपना रास्ता छोड़कर चला गया।
• 3 नवंबर, नाश्ते का समय और समापन: सेवा की आखिरी अवधि के साथ 24 घंटे का आकलन पूरा हुआ, जिसके बाद चार रोबोटों को पास घोषित किया गया।

मशीनों का आकलन किसी एक समयबद्ध गतिविधि के बजाय सेवा की चार अवधियों में किया गया। सामान पहुंचाने में देरी का असर दूसरे ऑर्डर पर पड़ सकता था; शेल्फ के सामने खड़ा एक रोबोट अपने सहकर्मी को वहां तक पहुंचने से रोक सकता था। काम जारी रखने के लिए व्यक्तिगत फुर्ती के साथ तालमेल भी जरूरी था।

ग्राहक और बाधाएं भी परीक्षा का हिस्सा बने

आमंत्रित किए गए दो प्रतिभागियों, शियाओयांग बिउबिउ और शियाओशियाओ नाथन, ने ऐसी चुनौतियां पेश कीं जिनका सामना किसी दुकानकर्मी को करना पड़ सकता है। उन्होंने रोबोटों से सामान्य कोला और शुगर-फ्री कोला में फर्क करने को कहा, शेल्फ पर च्युइंग गम को फिर से व्यवस्थित किया और एक व्यक्ति तथा एक डिब्बे से रास्ता रोका।

कोला वाले काम में सिस्टम को बोले गए अनुरोध के आधार पर सही उत्पाद की पहचान करनी थी। गम वाले अभ्यास से यह जांचा गया कि मशीन शेल्फ पर मौजूद सामान को देखकर उसकी स्थिति समझ सकती है और चीजों को सही जगह पर लौटा सकती है या नहीं। बाधाओं के जरिए परखा गया कि रोबोट लोगों या वस्तुओं को देखकर रुक सकते हैं और उनके आसपास से जाने का दूसरा रास्ता ढूंढ सकते हैं या नहीं।

परीक्षण के दौरान रोबोटों ने गलत जगह रखे सामान की पहचान करने और उसे सही स्थान पर लौटाने के लिए दृश्य निरीक्षण का इस्तेमाल किया। शेल्फ पर जगह खाली होने पर किसी व्यक्ति के नया निर्देश दिए बिना भी सामान भरने की प्रक्रिया शुरू हो सकती थी। सफाई के प्रदर्शनों में सतह के पैटर्न और गिरे हुए तरल या दाग के बीच फर्क करना भी शामिल था।

इन कामों में चीजों को पहचानने और उन पर कार्रवाई करने की क्षमता, दोनों जरूरी थीं। रोबोट को पहले उत्पाद, बाधा या गंदी जगह पहचाननी थी, फिर कोई कदम चुनकर उसे पूरा करना था। गलत पहचान से गलत उत्पाद पहुंच सकता था, गैरजरूरी सफाई हो सकती थी या किसी दूसरी मशीन का रास्ता रुक सकता था।

मिठाई का एक पैकेट उठाना भी मुश्किल क्यों हो सकता है

रेन ने कहा कि सुविधा स्टोर चुनौतीपूर्ण माहौल है, क्योंकि यहां तरह-तरह के उत्पाद, उन्हें सावधानी से संभालने की जरूरत, मशीनों के बीच चलते ग्राहक और सीमित जगह साझा करते कई रोबोट होते हैं। एक तय पिकिंग स्टेशन के विपरीत, दुकान का माहौल ग्राहक के किसी सामान को हिलाने या गलियारे में आने से बदल सकता है।

हुक पर लटकता स्किटल्स का पैकेट इस कठिनाई को दिखाता है। रोबोट को उत्पाद पहचानना होता है, उसे पकड़ने की जगह चुननी होती है और इतना बल लगाना होता है कि पैकेट हुक से निकल जाए, लेकिन उसका छेद हुक में अटका न रह जाए। पकड़ने की जगह और उसकी मजबूती, दोनों मायने रखते हैं।

केक का नरम टुकड़ा एक अलग समस्या पेश करता है। बहुत कम दबाव से वह फिसल सकता है, जबकि बहुत अधिक दबाव से कुचल सकता है। ऐसे पैकेज और खाद्य पदार्थ जो मुड़ते या आकार बदलते हैं, उन्हें लगातार एक ही ढंग से संभालना उन कठोर वस्तुओं की तुलना में अधिक कठिन है जिनके किनारे तय और अनुमानित होते हैं।

रेन के मुताबिक, जब काम की जगह साफ तौर पर तय हो, वस्तुएं एक जैसे मानकों की हों और नतीजे जांचना आसान हो, तब काम अपेक्षाकृत आसान होते हैं। लचीली वस्तुओं, सतहों के बीच जटिल संपर्क और गतिविधियों के लंबे क्रम को संभालना अब भी तकनीकी चुनौती है। दुकान के लिए इसका मतलब है कि रोबोट किसी व्यवस्थित काम को लगातार अच्छी तरह कर सकता है, लेकिन बदलते उत्पादों को अनुभवी कर्मचारी जितनी गति से संभालने के लिए उसे अभी और विकसित करना होगा।

छह अलग-अलग कामों को जोड़ने वाला सॉफ्टवेयर

Agibot ने छहों रोबोटों को आपस में जुड़े कई सिस्टम से लैस किया। उसका एम्बॉडीड फाउंडेशन मॉडल GO-3Preview अलग-अलग शारीरिक कार्य करने की क्षमताएं देता था। एम्बॉडीड इंटेलिजेंस का मतलब ऐसा AI है जो आसपास के माहौल को देखकर और उसमें कार्रवाई करके किसी भौतिक मशीन के जरिए काम करता है।

कंपनी के आगे प्रशिक्षण देने वाले सिस्टम GenieEvolver में असली रोबोटों पर सीखने की प्रक्रिया को सिमुलेशन और वर्ल्ड मॉडल के साथ जोड़ा गया। वर्ल्ड मॉडल कंप्यूटर में बना ऐसा प्रतिनिधित्व है जिसका इस्तेमाल यह अनुमान लगाने के लिए किया जाता है कि किसी कार्रवाई के जवाब में वस्तुएं और आसपास का माहौल कैसे बदल सकते हैं। इन प्रशिक्षण विधियों का मकसद गतिविधियों को बेहतर ढंग से पूरा करना था।

GenieMaster रोबोटों के बीच काम बांटने और उसके नतीजे सीखने की प्रक्रिया में वापस भेजने का काम संभालता था। इसका एम्बॉडीड एक्जीक्यूशन प्रोटोकॉल, यानी EEP, फैसलों, भौतिक गतिविधियों और उनके नतीजों की प्रतिक्रिया को जोड़ता था।

दुकान के संदर्भ में, काम बांटने वाले सॉफ्टवेयर को यह जानना होता था कि कौन-सा रोबोट कौन-सा काम कर सकता है और उसके सामने क्या परिस्थितियां हैं। इसके बाद गतिविधि सिस्टम को मौजूदा जानकारी के आधार पर कदम उठाना होता था। प्रतिक्रिया के जरिए काम बांटने वाला सिस्टम तय कर सकता था कि आगे क्या किया जाना चाहिए, और क्या किसी कार्रवाई को सुधारने की जरूरत है।

साझा जगह के कारण तालमेल जरूरी था। अगर सामान भरने वाला रोबोट किसी ऐसी जगह पर खड़ा होता जिसकी जरूरत ऑर्डर पूरा करने के लिए थी, तो सिस्टम को उस जगह तक पहुंच का प्रबंध करना या काम का क्रम बदलना पड़ता। Agibot ने रोबोटों की जगहों के बीच टकराव और ऑर्डर की स्थिति अपडेट होने में देरी को ऐसे उदाहरण बताया जिन्हें बेहतर कामकाजी नियमों से सुधारा जा सकता है।

गलतियों से सीखने में दो अलग-अलग समय लगते हैं

Agibot सफल और असफल काम के रिकॉर्ड का इस्तेमाल करने की अपनी प्रक्रिया को PhysicalRSI कहता है। इसका अर्थ है भौतिक दुनिया में बार-बार होने वाला आत्म-सुधार। इसका मूल विचार है कि असली काम के दौरान क्या हुआ, इसकी जांच की जाए, बदलाव किए जाएं और आगे के प्रदर्शन से सुधार की दिशा तय की जाए।

बताया गया कि GenieMaster कामों के सफल और असफल क्रम दर्ज करता है, उपयोगी अनुभव को दीर्घकालिक मेमोरी में सहेजता है और प्रभावी बदलावों को प्रशिक्षण डेटा में बदलता है। पहले से याद रखे संचालन नियम का दोबारा इस्तेमाल करना और नया गतिविधि कौशल सिखाना, दोनों में अलग-अलग मात्रा में काम लगता है।

रेन ने कहा कि कामकाज की प्रक्रिया और समय-सारिणी से जुड़े सबक पर संचालन के दिन ही गौर किया जा सकता है और अगले दिन उन्हें लागू किया जा सकता है। गतिविधि नीति को अपडेट करने के लिए डेटा जुटाना, उसकी गुणवत्ता जांचना, प्रशिक्षण और सत्यापन जरूरी है। गतिविधि नीति वह सिस्टम है जो रोबोट के देखे गए माहौल के आधार पर उसकी शारीरिक गतिविधियां चुनता है।

रेन के अनुसार, लाइवस्ट्रीम से मिले उपयोगी डेटा का असर बाद में गतिविधि नीति के अपडेट में दिखने में एक से दो सप्ताह लग सकते हैं। इस तरह परीक्षण के बाद दो तरह की समय-सीमा तय हुई: कामकाज के नियमों में तेजी से बदलाव और उसके बाद गतिविधियों को नियंत्रित करने वाले मॉडल में धीमे बदलाव।

सफाई करने वाले रोबोट का तय रास्ता छोड़ना और सामान भरने वाले रोबोट की धीमी प्रतिक्रिया, दोनों ने अलग-अलग तरह के काम की ओर इशारा किया। एक में तय काम के दायरे में बने रहने पर ध्यान देना था, जबकि दूसरे में शेल्फ भरते रहने के लिए बेहतर समय-निर्धारण और पहल की जरूरत थी। Agibot ने इन दोनों मशीनों के एक और सार्वजनिक आकलन की तारीख नहीं दी।

इस काम को व्यावसायिक रूप से उपयोगी क्या बनाएगा?

Agibot ने दुकान के इस परीक्षण को अपनी हाल ही में जारी, एकीकृत एम्बॉडीड AI क्षमताओं को खास कारोबारी कामों में इस्तेमाल करने का पहला उदाहरण बताया। कंपनी ने 22 अक्टूबर को अपनी AI WAVE तकनीक रिलीज श्रृंखला शुरू की थी। इसमें दुकान में इन चीजों को साथ लाने से पहले डेटा, सिमुलेशन, मॉडल, रोबोट हार्डवेयर और ऑपरेटिंग सिस्टम शामिल किए गए थे।

कंपनी की व्यावसायिक पहल ऐसे समय में आई जब 2026 की पहली छमाही में उसका राजस्व करीब 2 अरब युआन और सामान्य उपयोग के AI रोबोटों का कुल उत्पादन 20,000 बताया गया। सुविधा स्टोर के आकलन में यह देखा गया कि रोजमर्रा की सेवा के दौरान ये मशीनें क्या कर सकती हैं।

Agibot के सह-संस्थापक, संयुक्त अध्यक्ष और एम्बॉडीड बिजनेस डिवीजन के अध्यक्ष याओ माओछिंग ने कहा कि रोबोटों का उपयोगी काम इंजीनियरिंग के ऐसे मानकों पर खरा उतरना चाहिए जिन्हें मापा और दोहराया जा सके तथा जो लंबे समय तक कायम रहें। उन्होंने जिन पैमानों का जिक्र किया, उनमें काम पूरा करने की सफलता दर, किसी काम को पूरा करने में लगने वाला समय और दो खराबियों के बीच का औसत समय शामिल है। इसे आम तौर पर MTBF कहा जाता है।

MTBF का अर्थ है खराबियों के बीच काम करने का औसत समय। दुकान प्रबंधक के लिए यह एक व्यावहारिक सवाल का जवाब देता है: सेवा बाधित करने वाली समस्या आने से पहले मशीन कितनी देर तक काम कर सकती है? काम पूरा करने का समय भी इसी वजह से महत्वपूर्ण है। नाश्ते का इंतजार कर रहे ग्राहकों को भोजन समय पर मिलना चाहिए, भले ही रोबोट आखिरकार उसे सही ढंग से तैयार कर ले।

Agibot की टीम ने चार नतीजों पर नजर रखने की बात कही: दोबारा कोशिश या इंसानी हस्तक्षेप में कम समय गंवाकर जरूरी मानक पूरा करने वाला अधिक काम; उत्पाद, लेआउट या दुकान बदलने पर डेटा जुटाने और समायोजन की कम जरूरत; स्वतंत्र आकलन में कायम रहने वाले सुधार, जिनसे मौजूदा कौशल प्रभावित न हों; और अलग-अलग पालियों तथा ग्राहकों की आवाजाही से मिले अनुभव के साथ संचालन लागत में कमी।

शंघाई के परीक्षण में उपयोगी सेवा और अधूरे काम, दोनों के उदाहरण सामने आए। चार रोबोटों ने अपने तय मानक पूरे किए, जबकि दो ने अपनी भूमिका पर लगातार ध्यान बनाए रखने और गतिविधियों पर नियंत्रण में कमजोरियां दिखाईं। कंपनी के सामने अगला तकनीकी काम इन सबकों को लंबे संचालन समय और बदलती दुकानों में लागू करना है, साथ ही तय किए गए प्रदर्शन पैमानों पर नजर रखनी है।

मुख्य बातें

• Agibot Genie G2 के छह रोबोटों ने 3 नवंबर, 2026 को शंघाई के शुहुई जिले में 24 घंटे का सुविधा स्टोर परीक्षण पूरा किया।
• रोबोटों ने कुल 1,730 काम दर्ज किए, जिनमें ग्राहकों से जुड़ी 683 गतिविधियां, सामान संभालने के 369 काम और कॉफी बनाने की 147 गतिविधियां शामिल थीं।
• चार रोबोट पास हुए। शेल्फ की जांच करने वाला रोबोट दुकान की गति के साथ तालमेल नहीं बिठा पाया और सफाई करने वाला रोबोट रात की ड्यूटी के दौरान अपना तय रास्ता छोड़कर चला गया।
• परीक्षणों में कोला की अलग-अलग किस्मों की पहचान करना, अस्त-व्यस्त शेल्फ को व्यवस्थित करना और लोगों तथा डिब्बों के आसपास से रास्ता निकालना शामिल था।
• Agibot ने कहा कि कामकाज के नियमों में बदलाव अगले दिन लागू किए जा सकते हैं, जबकि परीक्षण के डेटा से गतिविधि मॉडल अपडेट करने में एक से दो सप्ताह लगने की उम्मीद है।
• कंपनी के घोषित व्यावसायिक लक्ष्यों में सफलता दर बढ़ाना, रुकावटें घटाना, नई दुकानों में तैनाती आसान करना और संचालन लागत कम करना शामिल है।