Robodog yang mendedahkan krisis pendidikan AI India

Internet bergelak ketawa, tetapi gelak tawa itu menyiratkan sedikit kepedihan.

Pada 17 Februari 2026, di Bharat Mandapam, tempat konvensyen utama India, seorang profesor Universiti Galgotias memberitahu kamera DD News bahawa universiti beliau telah membina “Orion,” sebuah robodog berkaki empat yang bergaya, sebagai sebahagian daripada ₹350-crore Pusat Kecemerlangan AI.

Ken claims tersebut tidak bertahan sehingga petang.

Media China dan pemerhati teknologi dengan cepat mendakwa mesin itu adalah Unitree Go2, sebuah robot yang dijual dalam talian, dan pertunjukan itu berubah dari publisiti kepada memalukan.

Bekalan kuasa ke gerai dilaporkan telah diputuskan, universiti itu disuruh keluar, satu permohonan maaf dikeluarkan, dan satu siasatan diumumkan.

Bagi sebuah negara yang berada di kedudukan ketiga dalam Alat Vibransi AI Global Stanford 2025, adegan itu bukan sekadar kegagalan PR; ia adalah ujian tekanan.

Apabila meme mereda, satu soalan kekal: jenis ekosistem AI apakah yang menghasilkan demo yang tidak tahan ujian carian mudah?

Laporan markah yang tiada siapa mahu

Naratif AI India hari ini disokong oleh pengesahan yang serius.

Alat Vibransi AI Global Stanford untuk 2025 meletakkan India di tempat ketiga, lonjakan yang dibaca oleh media India sebagai bukti bahawa negara ini meningkat merentasi pelbagai penunjuk AI.

Kedudukan itu penting kerana ia mencerminkan keluasan: aktiviti bakat, isyarat penyelidikan, dan skala ekosistem, bukan hanya pelancaran produk yang gah.

Namun AI adalah salah satu bidang di mana skala boleh menutup kekurangan.

Sebuah negara boleh mempunyai ramai pengguna AI yang mampu menggunakan alat siap-pakai, dan masih bergelut menghasilkan pembina AI: penyelidik dan jurutera yang mencipta kaedah baru, menerbitkan keputusan yang berkekalan, dan menghasilkan IP yang boleh dipertahankan.

Di sinilah cerita India berlanggar dengan cetakan halus.

Beberapa kompilasi dan ringkasan dasar telah menonjolkan betapa kecilnya bahagian paten AI global milik India berbanding dua kuasa AI terbesar.

Laporan Indeks AI Stanford 2025 meletakkan India pada kira-kira 0.37% daripada paten AI global, berbanding China kira-kira 70% dan AS kira-kira 14%.

Paten bukan ukuran sempurna: banyak daripadanya berkualiti rendah, beberapa penemuan tidak dipatenkan, dan sumber terbuka wujud.

Tetapi sebagai proksi bagi siapa yang memiliki teknologi asas, ia adalah yang terbaik tersedia, dan bahagian India amat kecil.

Jika bahagian paten India begitu kecil, implikasinya bukan bahawa India kekurangan bakat. Ia menunjukkan ekosistem lebih mahir melatih orang untuk menggunakan teknologi daripada menciptanya pada skala besar.

Itulah sebab episod Robodog memberi impak begitu besar. Membeli robot dan membina robot bukan tugas yang sama.

Yang pertama ialah perolehan. Yang kedua ialah penyelidikan, pembuatan, kejuruteraan sistem, ujian, dan iterasi — kerja yang memerlukan makmal, belanjawan, dan penyelia berpengalaman.

Apabila sesebuah sistem secara konsisten kurang melabur dalam perkara kedua, ia mula memberi ganjaran kepada rupa inovasi berbanding amalan inovasi itu sendiri.

​

Asas pembiayaan di sebalik “inovasi”

Di sebalik kebanyakan cerita “inovasi palsu” ialah naratif kekurangan sebenar.

Perbelanjaan India untuk penyelidikan dan pembangunan sekitar 0.6% daripada KDNK, seperti yang dinyatakan dalam laporan berdasarkan Economic Survey 2025–26.

Liputan yang berkait dengan Economic Survey yang sama menonjolkan satu kekangan kedua: sektor perniagaan India hanya menyumbang kira-kira 41% daripada jumlah perbelanjaan R&D.

Nombor-nombor itu membentuk segala-galanya di hilir. Apabila modal swasta tidak membiayai penyelidikan universiti secara bermakna, sistem itu terlalu bergantung pada belanjawan kerajaan dan hasil yuran pengajian.

Itu cenderung menghasilkan tingkah laku yang boleh diramalkan: universiti mengoptimumkan untuk apa yang murah untuk dipamerkan dan mudah dikira: pusat baru, MoU baru, program ijazah “AI” baru, dan kertas persidangan, daripada apa yang mahal untuk dibina, seperti akses pengkomputeran, set data berkualiti tinggi, makmal perkakasan, dan penyeliaan penyelidikan berterusan.

Perbandingan ekonomi rakan sebaya menjadikan kedudukan India terasa lebih peribadi.

Liputan berdasarkan Economic Survey telah membezakan intensiti R&D India 0.6% dengan tahap yang jauh lebih tinggi di AS, China, dan Korea Selatan.

Perbezaan itu menjadi lebih ketara apabila kita melihat bahagian sektor perniagaan India yang jauh lebih rendah berbanding penyertaan swasta yang jauh lebih tinggi dalam ekonomi-ekonomi tersebut.

Dengan kata lain, India cuba memenangi perlumbaan teknologi mendalam dengan kolam R&D yang cetek, dan dengan syarikat-syarikat yang belum memikul sebahagian besar risiko penyelidikan.

Di sinilah akauntabiliti menjadi tersasar. Apabila sumber terhad dan metrik bising, institusi mengejar isyarat.

Mereka menamakan semula dron import sebagai “platform tempatan.” Mereka menganggap perkongsian dengan vendor sebagai “pencapaian penyelidikan.”

Mereka memfailkan paten kelas rendah untuk menambah papan pemuka inovasi. Mereka menolak fakulti ke arah sasaran penerbitan berasaskan kuantiti.

Tiada satu pun daripada tingkah laku ini boleh dipertahankan. Tetapi ia difahami dalam sistem yang memberi ganjaran kepada hasil yang nampak seperti kemajuan, walaupun keupayaan asasnya tiada.

Di mana saluran terputus: Bilik darjah, penyelia, dan pengkomputeran

Jika anda mahu tahu mengapa momen “Orion” itu munasabah, anda perlu menjauh dari dewan pameran dan masuk ke bilik darjah kejuruteraan biasa.

Invezz bercakap dengan Prof. Naveen Garg, Ketua Jabatan Sains Komputer dan Kejuruteraan di IIT Delhi, yang menggambarkan kerosakan itu sebagai isu asas dan penyeliaan.

India memerlukan, katanya, “bilangan graduan yang lebih besar dengan asas kukuh dalam matematik dan sains komputer” dan “kolam orang yang lebih besar yang boleh memberi penyeliaan untuk penyelidikan AI berkualiti.”

Beliau sama tegas mengenai insentif:

“Kerajaan nampaknya tidak serius menyediakan insentif yang diperlukan untuk menjadikan kita negara penyelidikan terkemuka dalam domain AI. Pemain besar seperti China dan AS sebenarnya telah melabur sejumlah besar sumber dalam menghasilkan penyelidik berkualiti. Itu belum berlaku lagi di negara ini,” katanya.

Masalah “kolam penyelia” itu bukanlah perincian akademik. Ia menentukan sama ada pelajar mempelajari resipi atau pemikiran rasional.

Kerja AI moden menuntut pemikiran statistik, pengoptimuman, dan pengetahuan sistem yang mantap.

Ia juga menuntut pertimbangan, bagaimana menilai model, bagaimana mengujinya di bawah keadaan dunia sebenar, bagaimana mengesan ralat, dan bagaimana mengkomunikasikan ketidakpastian secara bertanggungjawab.

Kemudian ada kekangan infrastruktur, yang secara senyap membentuk apa yang pelajar boleh lakukan.

Hardeep, seorang Jurutera AI Kanan dan alumni IIIT Prayagraj, mengaitkan ijazahnya dengan memberi beliau “asas teori yang kukuh dalam Pembelajaran Mesin (ML), Pemprosesan Bahasa Semula Jadi (NLP) dan algoritma.”

Tetapi beliau menambah satu perincian penting ketika bercakap dengan Invezz: “Transformers dan LLM moden tidak diajar pada masa itu, dan kerja projek praktikal terhad kerana kos infrastruktur.”

Untuk pembaca bukan pakar: “Transformers” adalah seni bina model yang menggerakkan banyak sistem AI moden, termasuk model bahasa besar (LLM) yang menjana teks.

Melatih dan mengujinya pada skala yang bermakna sering memerlukan pengkomputeran yang mahal (GPU) dan kejuruteraan yang teliti, sumber yang tidak dimiliki oleh banyak kolej.

Kesimpulan Hardeep ialah baris yang sepatutnya membimbangkan pembuat dasar paling banyak:

“Hari ini, membina produk AI sebenar jauh lebih mudah dicapai; kejayaan bergantung banyak pada rasa ingin tahu individu dan pembelajaran kendiri daripada hanya latihan universiti.”

Pembelajaran kendiri bukanlah cacat; ia adalah kebajikan dalam teknologi.

Masalahnya ialah apabila pembelajaran kendiri menjadi pengganti keupayaan institusi.

Apabila universiti secara konsisten mengalih keluar bahagian paling sukar latihan kepada YouTube, kursus terbuka, dan komputer riba peribadi, mereka masih mengutip faedah reputasi, tetapi pelajar menanggung kos sebenar dalam masa, ketidakpastian, dan hasil yang tidak sekata.

Itulah sebabnya akses pengkomputeran telah menjadi garis pemisah baru. Dorongan dasar India telah mula mengiktiraf kekangan itu.

Laporan-laporan mengenai Misi IndiaAI telah menunjukkan penggunaan GPU berskala besar, kira-kira 18,000 GPU telah dikerahkan di bawah misi tersebut.

Itu penting kerana pengkomputeran bersama boleh menurunkan halangan bagi penyelidik dan syarikat permulaan yang jika tidak tidak dapat menjalankan eksperimen serius.

Tetapi perolehan GPU bukan sama dengan kapasiti penyelidikan.

Pengkomputeran tanpa penyelia menghasilkan kitaran, orang menjalankan eksperimen tanpa panduan kuat mengenai penilaian, etika, dan kebolehulangan.

Penyelia tanpa pengkomputeran menghasilkan kekecewaan: pelajar yang memahami teori tetapi tidak boleh melakukan kerja praktikal yang bermakna.

Satu strategi pendidikan AI yang dipercayai memerlukan kedua-duanya, merentasi lebih daripada lapisan tipis kampus elit.

Masalah kredibiliti: Budaya penyelidikan yang tidak boleh dicabut palam

Sebuah robodog boleh dicabut palam. Krisis kredibiliti tidak boleh.

Ekosistem penerbitan India telah menghadapi pengawasan yang meningkat terhadap integriti penyelidikan, termasuk peranan “paper mills” dan semakan rakan sebaya yang dimanipulasi dalam beberapa kes.

Satu kajian yang disemak rakan sebaya pada September 2025 yang diterbitkan dalam Journal of Data Science, Computing and Information Sciences menggunakan data Retraction Watch dan mengkaji 2,853 kertas yang ditarik balik oleh ahli akademik India dari 2010 hingga 2024.

Kajian itu mendapati penarikan balik melonjak selepas 2021, dengan 57.55% berlaku antara 2021 dan 2024.

Analisis yang sama menyenaraikan sebab-sebab yang sering dikemukakan termasuk semakan rakan sebaya palsu (1,007 kertas), plagiat (880), dan manipulasi/pemalsuan data (746).

Bagi pembaca yang tidak biasa dengan “semakan rakan sebaya palsu”: semakan rakan sebaya sepatutnya menjadi pemeriksaan pakar yang bebas sebelum penerbitan.

Apabila ia dipalsukan atau dikompromi, kerja yang tidak boleh dipercayai boleh masuk ke dalam rekod saintifik.

Penarikan balik adalah brek kecemasan sistem, tetapi ia juga mendedahkan kos insentif yang lemah dan penguatkuasaan yang longgar.

Mengapa ini penting untuk AI? Kerana kemajuan AI bergantung pada penyelidikan yang boleh dipercayai.

Jika saluran penyelidikan bising, kertas yang tidak boleh diulang, keputusan yang dibesar-besarkan, set data yang dipersoalkan, penggunaan industri melambat dan kredibiliti global terjejas.

Negara akhirnya menghabiskan lebih banyak masa mengejar metrik daripada membina keupayaan yang berkekalan.

Episod robodog, dalam erti itu, adalah sepupu visual bagi corak yang lebih mendalam: persembahan melebihi bukti.

Apabila institusi diberi ganjaran kerana dilihat berada di barisan hadapan daripada melakukan kerja barisan hadapan, mereka secara boleh diramalkan akan melabur dalam optik.

Itulah juga sebab tindak balas dasar tidak boleh berhenti pada hukuman. Ia mesti mengubah insentif: apa yang dinilai oleh kedudukan, apa yang diperiksa oleh audit akreditasi, dan apa yang dikaitkan dengan pembiayaan.

Jika sistem terus membayar untuk jumlah, ia akan terus mendapat jumlah, kadang-kadang jujur, kadang-kadang tidak.

​

Pembina vs pengguna: Kebocoran bakat

Perdebatan AI India semakin terbahagi kepada dua kumpulan: optimis yang berhujah India menjadi pembina, dan skeptik yang mengatakan India masih kebanyakan pengguna pada skala besar.

Prof. M Jagadesh Kumar, bekas Pengerusi UGC dan Pengerusi Jawatankuasa Kajian NEP 2020, mengemukakan hujah optimis dengan yakin:

"Hari ini, institusi India bukan sekadar pengguna AI. Mereka sedang pantas menjadi pembina AI. Institusi India semakin bekerjasama dengan industri untuk membangunkan penyelesaian AI dalam pendidikan, kesihatan, tadbir urus, pertanian, dan bandar pintar. Saya boleh beri beberapa contoh," Prof. Kumar memberitahu Invezz.

"Kementerian Pendidikan telah menyokong Pusat Kecemerlangan AI, seperti TANUH di IISc. Pusat ini bekerja pada penyelesaian AI berskala untuk penjagaan kesihatan (terutamanya penyakit tidak berjangkit). IIT Madras Global Research Foundation mengumumkan Pusat Inovasi AI Terapan untuk mempercepat AI terapan. Pusat itu menghubungkan penyelidikan dengan penggunaan dunia nyata yang bertanggungjawab," tambah beliau.

Beliau seterusnya menekankan mengenai Misi IndiaAI, yang mempromosikan inovasi AI, akses, dan penyelesaian berfokuskan India dengan kerjasama institusi pendidikan India.

"Contoh-contoh ini menunjukkan bahawa banyak universiti India sedang bekerja dengan AI yang inklusif dan boleh digunakan."

Berkaitan insiden Galgotias, Prof. Kumar berhati-hati tanpa menamakan mana-mana institusi:

"Jika mana-mana institut melebihi tuntutannya, langkah mitigasi haruslah bersesuaian, berpendidikan, dan membetulkan. Institusi juga harus melatih pasukan mereka dalam etika, integriti penyelidikan, dan komunikasi bertanggungjawab. Pendekatan ini ialah cara paling pasti untuk melindungi reputasi inovator sejati India," katanya.

"Ia juga mencegah sebarang tuntutan yang mungkin dibesar-besarkan daripada mewujudkan naratif palsu. Tetapi tiada keraguan dalam fikiran saya bahawa institusi pengajian tinggi India sedang pantas membina keupayaan AI dan mencipta penyelesaian inklusif," tambahnya.

Namun, hujah skeptik sukar diabaikan: pengecualian elit tidak menentukan median. Segelintir institusi teratas boleh benar-benar membina dan menerbitkan.

Tetapi sistem pendidikan tinggi India adalah luas dan tidak sekata. Jika kebanyakan kampus tidak dapat menawarkan akses pengkomputeran sebenar, penyeliaan yang boleh dipercayai, dan budaya penyelidikan yang mengutamakan integriti, status “pembina” kekal tertumpu di peringkat atas.

Bilik darjah berbanding upacara

Dan walaupun India menghasilkan bakat AI yang kuat, negara bergelut untuk mengekalkannya.

Liputan yang meringkaskan metrik bakat berkaitan Indeks AI Stanford telah menonjolkan skor migrasi bakat AI bersih India pada -1.55, menunjukkan aliran keluar bersih pada ukuran itu.

Itu penting kerana kebocoran otak bukan sekadar tajuk utama.

Ia adalah kerugian bertambah bagi penyelia, pengasas, dan pemimpin penyelidikan, tepat orang yang diperlukan untuk menguatkan saluran domestik.

Dari segi kewangan, India melabur dalam pembentukan bakat tetapi tidak menangkap cukup pulangan jangka panjang.

Dan apabila pulangan bocor keluar, institusi berasa lebih tertekan untuk berprestasi demi kedudukan dan PR, kerana hasil yang lebih mendalam, ekosistem penyelidikan yang stabil, sukar ditunjukkan dengan cepat.

Unitree Go2 (sama ada ia model itu atau tidak) akhirnya hanyalah alat sokongan dalam cerita yang lebih besar.

India tidak kekurangan cita-cita. Ia tidak kekurangan pelajar pintar. Ia kekurangan jenis seni bina pendidikan-dan-penyelidikan yang menukar cita-cita kepada teknologi milik sendiri.

Robodog itu bukan skandal. Sistem yang menjadikannya munasabah itulah yang menjadi skandal.