Robohunden, der afslørede Indiens AI-uddannelseskrise

Internettet morede sig, men latteren havde en kant.

Den 17. februar 2026, på Bharat Mandapam, Indiens førende konferencecenter, fortalte en professor fra Galgotias University til et DD News-kamera, at hendes universitet havde bygget “Orion,” en slank firbenet robothund, som en del af et ₹350-crore AI-ekspertisecenter.

Påstanden overlevede ikke eftermiddagen.

Kinesiske medier og teknologiske observatører hævdede hurtigt, at maskinen var Unitree’s Go2, en robot solgt online, og præsentationen gik fra omtale til pinlighed.

Strømmen til standen blev angiveligt afbrudt, universitetet blev fjernet, en undskyldning fulgte, og der blev annonceret en undersøgelse.

For et land, der var rangeret som nummer tre i Stanfords 2025 Global AI Vibrancy-værktøj, var spektaklet ikke blot en PR-flop; det var en stresstest.

Da memerne døde ud, stod ét spørgsmål tilbage: hvilken slags AI-økosystem skaber en demo, der ikke kan modstå en simpel søgning?

Rapportkortet ingen ønskede

Indiens AI-fortælling i dag er understøttet af solid validering.

Stanfords Global AI Vibrancy-værktøj for 2025 placerede Indien som nummer tre, et hop som indiske medier læste som bevis på, at landet stiger på flere AI-indikatorer.

Den placering betyder noget, fordi den afspejler bredde: talentaktivitet, forskningssignaler og økosystemets omfang — ikke bare en enkelt prangende produktlancering.

Men AI er et af de felter, hvor omfang kan skjule overfladiskhed.

Et land kan have mange AI-brugere, der kan anvende standardværktøjer, og stadig have svært ved at producere AI-opbyggere: forskere og ingeniører, der skaber nye metoder, publicerer holdbare resultater og frembringer intellektuel ejendom (IP).

Her støder Indiens historie ind i det med småt.

Flere sammenstillinger og politikorienterede resuméer har fremhævet, hvor lille Indiens andel af globale AI-patenter forbliver sammenlignet med de to største AI-magmter.

Stanford’s AI Index Report 2025 placerer Indien på omkring 0.37% af globale AI-patenter, versus Kina på omkring 70% og USA på omkring 14%.​

Patenter er et mangelfuldt mål: mange er af lav kvalitet, nogle gennembrud forbliver upatenterede, og open-source er reelt.

Men som proxy for, hvem der ejer fundamental teknologi, er de de bedste tilgængelige, og Indiens andel er forsvindende lille.

Hvis Indiens patenter udgør så lidt, er implikationen ikke, at Indien mangler talent. Det er, at økosystemet har været bedre til at træne folk i at bruge teknologi end til at skabe den i stor skala.​

Derfor ramte robothunden så hårdt. At købe en robot og at bygge en robot er ikke den samme opgave.

Den første er indkøb. Den anden er forskning, fremstilling, systemteknik, test og iteration — arbejde der kræver laboratorier, budgetter og erfarne vejledere.

Når et system konsekvent underinvesterer i sidstnævnte, begynder det at belønne fremtoningen af innovation frem for selve praksissen.

​

Finansieringsgulvet under “innovation”

Bag de fleste historier om “falsk innovation” ligger en reel historie om knaphed.

Indiens udgifter til forskning og udvikling udgør omkring 0.6% af BNP, ifølge rapporter baseret på the Economic Survey 2025–26.

Den samme Economic Survey-linked dækning peger på en anden begrænsning: Indiens erhvervssektor bidrager kun med omkring 41% af de samlede R&D-udgifter.​

Disse tal former alt længere nede i systemet. Når privat kapital ikke meningsfuldt finansierer universitetsforskning, læner systemet sig tungt op ad offentlige budgetter og studieindtægter.

Det har en tendens til at frembringe forudsigelig adfærd: universiteter optimerer efter det, der er billigt at fremvise og nemt at tælle: nye centre, nye MoU'er, nye “AI”-uddannelser og konferenceartikler, i stedet for det, der er dyrt at opbygge, som adgang til beregningskraft, datasæt af høj kvalitet, hardwarelaboratorier og vedvarende forskningsvejledning.

Sammenligninger med tilsvarende økonomier gør Indiens position endnu mere påfaldende.

Rapportering baseret på Economic Survey har kontrasteret Indiens 0.6% R&D-intensitet med meget højere niveauer i USA, Kina og Sydkorea.

Kontrasten bliver skarpere, når vi ser nærmere på Indiens erhvervssektorandel, med langt højere privat deltagelse i de pågældende økonomier.​

Med andre ord forsøger Indien at vinde et deep-tech kapløb med en lav R&D-pulje, og med virksomheder, der endnu ikke bærer hovedparten af forskningsrisikoen.

Her bliver ansvarligheden forvrænget. Når ressourcer er knappe og målepunkter støjfyldte, jagter institutioner signaler.

De omdøber importerede droner til “indfødte platforme.” De betragter leverandørsamarbejder som “forskningsresultater.”

De indsender patenter af lav kvalitet for at oppuste innovationsdashboardet. De presser fakultetet mod kvantitetsbaserede publiceringsmål.

Ingen af disse adfærdsmønstre er forsvarlige. Men de er forståelige i et system, der belønner output, som ligner fremskridt, selv hvis den underliggende kapabilitet mangler.

Hvor pipeline brister: Klasseværelser, vejledere og beregningskraft

Hvis du vil vide, hvorfor “Orion”-øjeblikket er plausibelt, må du træde væk fra udstillingshallen og gå ind i et gennemsnitligt ingeniørklasseværelse.

Invezz talte med Prof. Naveen Garg, Head of the Department of Computer Science and Engineering at IIT Delhi, som beskriver bruddet som et problem med fundament og vejledning.

Indien har brug for, siger han, “et større antal kandidater med stærke fundamenter i matematik og datalogi” og “en større pulje af personer, der kan tilbyde vejledning til kvalitetsforskning i AI.”

Han er lige så direkte om incitamenterne:

“Regeringen synes ikke seriøst at give de incitamenter, der er nødvendige for at gøre os til et førende forskningsdrevet land inden for AI-området. De store aktører som Kina og USA har faktisk investeret enorme ressourcer i at skabe kvalitetsforskere. Det er endnu ikke sket i landet,” sagde han.

Problemet med “vejlederpuljen” er ikke akademisk petitess. Det afgør, om studerende lærer opskrifter eller ræsonnement.

Moderne AI-arbejde kræver statistisk tænkning, optimering og solid systemsviden.

Det kræver også dømmekraft: hvordan man vurderer en model, hvordan man tester den under virkelige forhold, hvordan man opdager fejl, og hvordan man kommunikerer usikkerhed ansvarligt.

Så er der infrastrukturbegrænsningen, som stille former, hvad de studerende kan gøre.

Hardeep, en Senior AI Engineer og IIIT Prayagraj-alumnus, tilskriver sin uddannelse, at den gav ham “stærke teoretiske fundamenter i maskinlæring (ML), naturlig sprogbehandling (NLP) og algoritmer.”

Men han tilføjer en afgørende detalje i samtale med Invezz: “Transformers og moderne LLM’er blev ikke dækket dengang, og praktisk projektarbejde var begrænset på grund af infrastrukturomkostninger.”

For ikke-specialister: “Transformers” er en modelarkitektur, der driver mange moderne AI-systemer, inklusive store sprogmodeller (LLM’er), som genererer tekst.

At træne og teste dem i meningsfuld skala kræver ofte dyr beregningskraft (GPU’er) og omhyggelig ingeniørkunst — ressourcer som mange universiteter ikke har.

Hardeeps konklusion er den sætning, der bør bekymre politikere mest:

“I dag er det langt nemmere at bygge reelle AI-produkter; succes afhænger i høj grad af individuel nysgerrighed og selvlæring snarere end kun universitetsuddannelse.”

Selvlæring er ikke en fejl; det er en dyd i tech.

Problemet opstår, når selvlæring bliver en erstatning for institutionel kapabilitet.

Når universiteter konsekvent udliciterer de sværeste dele af uddannelsen til YouTube, åbne kurser og personlige laptops, høster de stadig ryfordelene, men de studerende betaler den reelle pris i tid, usikkerhed og ujævne resultater.

Derfor er adgang til beregningskraft blevet den nye adskillelseslinje. Indiens politiske indsats er begyndt at erkende denne begrænsning.

Rapporter om IndiaAI Mission har peget på storskala GPU-udrulning, omkring 18,000 GPUs allerede udrullet under missionen.

Det betyder noget, fordi delt beregningskraft kan sænke barrieren for forskere og startups, som ellers ikke kan køre seriøse eksperimenter.​

Men GPU-indkøb er ikke det samme som forskningskapacitet.

Beregning uden vejledere skaber churn; folk kører eksperimenter uden stærk vejledning i evaluering, etik og reproducerbarhed.

Vejledere uden beregningsressourcer skaber frustration: studerende, der forstår teorien, men ikke kan lave meningsfuldt praktisk arbejde.

En troværdig AI-uddannelsesstrategi behøver begge dele, og det på tværs af mere end et tyndt lag af elitecampusser.

Troværdighedsproblemet: En forskningskultur, man ikke kan trække stikket ud af

En robothund kan få trukket stikket ud. En troværdighedskrise kan ikke.

Indiens publiceringsøkosystem har mødt stigende kritik for forskningsintegritet, herunder rollen af “paper mills” og manipuleret peer review i nogle tilfælde.

En peer-reviewed undersøgelse fra september 2025, offentliggjort i Journal of Data Science, Computing and Information Sciences, brugte Retraction Watch-data og undersøgte 2,853 retracted papers by Indian scholars from 2010 to 2024.

Studiet fandt, at retractions surged after 2021, with 57.55% occurring between 2021 and 2024.

Den samme analyse angiver de førende citerede årsager, som inkluderede fake peer review (1,007 papers), plagiarism (880), og data manipulation/falsification (746).​

For læsere, der ikke kender til “fake peer review”: peer review skal være uafhængig faglig kontrol før publikation.

Når den forfalskes eller kompromitteres, kan upålideligt arbejde komme ind i det videnskabelige register.

Tilbagetrækninger er systemets nødstop, men de afslører også omkostningerne ved svage incitamenter og svag håndhævelse.​

Hvorfor betyder dette noget for AI? Fordi AI-fremskridt afhænger af troværdig forskning.

Hvis forskningspipeline er støjende, papers that can’t be reproduced, results that are overstated, datasets that are questionable, industry adoption slows and global credibility takes a hit.

Landet ender med at bruge mere tid på at jagte målepunkter end på at opbygge holdbar kapacitet.

Robothundeepisoden er i den forstand den visuelle slægtning til et dybere mønster: performance over proof.

Når institutioner belønnes for at blive set i frontlinjen frem for for at udføre frontliniearbejde, vil de forudsigeligt investere i optik.

Det er også derfor, at politisk respons ikke kan stoppe ved straf. Den må ændre incitamenterne: hvad ranglister værdsætter, hvad akkrediteringsrevisioner undersøger, og hvad finansiering er knyttet til.

Hvis systemet fortsætter med at betale for volumen, vil det fortsat få volumen — nogle gange ærlig, nogle gange ikke.

​

Byggere vs. brugere: Talentlækagen

Indiens AI-debat deler sig i stigende grad i to lejre: optimisterne, der mener, at Indien er ved at blive en "bygger", og skeptikerne, der siger, at Indien stadig for det meste er en bruger i stor skala.

Prof. M Jagadesh Kumar, tidligere UGC-formand og formand for NEP 2020 Review Committee, fremlægger det optimistiske syn med overbevisning:

"I dag er indiske institutioner ikke bare brugere af AI. De er hurtigt ved at blive byggere af AI. Indiske institutioner samarbejder i stigende grad med industrien om at udvikle AI-løsninger inden for uddannelse, sundhed, forvaltning, landbrug og smarte byer. Jeg kan give dig nogle eksempler," sagde Prof. Kumar til Invezz.

"Uddannelsesministeriet har støttet AI Centres of Excellence, såsom TANUH ved IISc. Dette center arbejder på skalerbare AI-løsninger til sundhedspleje (især ikke-smitsomme sygdomme). IIT Madras Global Research Foundation annoncerede et Applied AI Innovation Centre for at accelerere anvendt AI. Centret forbinder forskning med ansvarlig brug i den virkelige verden," tilføjede han.

Han understregede desuden IndiaAI Mission, som fremmer AI-innovation, adgang og Indien-centrerede løsninger i samarbejde med indiske uddannelsesinstitutioner.

"Disse eksempler viser, at mange indiske universiteter arbejder med AI, der er inkluderende og udrulningsklar."

Med henvisning til Galgotias-hændelsen er Prof. Kumar tilbageholdende uden at navngive nogen institution:

"Hvis en hvilken som helst institution overskrider sine påstande, bør afhjælpende foranstaltninger være proportionerede, uddannelsesbaserede og korrigerende. Institutioner bør også uddanne deres teams i etik, forskningsintegritet og ansvarlig kommunikation. Denne tilgang er den sikreste måde at beskytte ryet af Indiens ægte innovatører," sagde han.

"Det forhindrer også, at eventuelt oppustede påstande skaber en falsk fortælling. Men der er ingen tvivl i mit sind om, at Indiens videregående uddannelsesinstitutioner hurtigt opbygger AI-kapacitet og skaber inkluderende løsninger," tilføjede han.

Alligevel er skeptikernes pointe svær at ignorere: eliteafvigere definerer ikke medianen. En håndfuld topinstitutioner kan rent faktisk bygge og publicere.

Men Indiens videregående uddannelsessystem er stort og ujævnt. Hvis de fleste campusser ikke kan tilbyde reel adgang til beregningskraft, troværdig vejledning og en forskningskultur med integritet i centrum, forbliver "bygger"-status koncentreret i toppen.

Undervisning frem for ceremonier

Og selv når Indien producerer stærkt AI-talent, kæmper landet for at beholde det.

Dækning, der opsummerer Stanford AI Index-linked talent metrics, har fremhævet Indiens net AI talent migration score på -1.55, hvilket signalerer en nettoudstrømning på det mål.

Det betyder noget, fordi hjerneflugt ikke kun er en overskrift.

Det er et kumulativt tab af vejledere, stiftere og forskningsledere — netop de personer, der er nødvendige for at styrke den nationale pipeline.​

Økonomisk set investerer Indien i talentudvikling, men indfanger ikke nok af de langsigtede afkast.

Og når afkast lækker ud, føler institutioner endnu mere pres for at præstere for ranglister og PR, fordi det dybere resultat — et stabilt forskningsøkosystem — forbliver svært at vise hurtigt.

Unitree Go2 (uanset om det var den model eller ej) er i sidste ende et rekvisit i en større historie.

Indien mangler ikke ambition. Det mangler ikke intelligente studerende. Det mangler den slags uddannelses- og forskningsarkitektur, der forvandler ambition til egen teknologi.

Robothunden var ikke skandalen. Systemet, der gjorde den plausibel, var det.