¿Dónde están todos los robots? – TechCrunch


Nos prometieron robots en todas partes: robots totalmente autónomos que conducen nuestros automóviles todo el tiempo, limpian nuestros platos, conducen nuestra carga, hacen nuestra comida, pipetean nuestra comida, hacen nuestro trabajo de laboratorio, escriben nuestros documentos legales, cortar el césped, equilibrar nuestros libros e incluso limpiar nuestras casas.

Y, sin embargo, en lugar de Terminator o WALL-E o HAL 9000 o R2-D2, solo tenemos Facebook, que nos proporciona anuncios que no entregamos. No quiero hacer clic, Netflix recomienda otra película que probablemente no deberíamos estar viendo e iRobots Roomba.

Entonces, ¿qué salió mal? ¿Dónde están todos los robots?

Esta es la pregunta que estaba tratando de investigar mientras construía mi propia compañía de robótica (una compañía actualmente conocida como una compañía sigilosa llamada Chef Robotics en el campo de la robótica de alimentos) e invirtió en muchas compañías de robótica / IA por encima de la mía Fondo de capital de riesgo Prototype Capital. He aprendido lo siguiente:

¿Dónde estamos ahora?

En primer lugar, los robots no son nada nuevo. Los brazos robóticos industriales con seis grados de libertad (leídos como seis motores que se conectan en serie entre sí) se desarrollaron alrededor de 1973, y hay cientos de miles de ellos por ahí, es solo que para entonces casi todos estos robots se han utilizado. El entorno controlado de automatización de fábrica hace lo mismo un millón de veces. Y a través de estos robots de automatización de fábricas, comenzamos muchas compañías multimillonarias, incluidas FANUC, KUKA, ABB y Foxconn (sí, hacen sus propios robots). Cuando vas a una planta de automóviles, ves cientos (o miles en el caso de Tesla). Funcionan increíblemente bien y pueden soportar cargas útiles masivas, un automóvil completo, y a veces tienen una precisión de hasta un milímetro.

En general, el mundo de la automatización industrial es extremadamente maduro y hay cientos de "integradores de sistemas" a los que puede acudir y decir: "Quiero una máquina de automatización que haga este caso de uso extremadamente estrecho un millón de veces. Constrúyeme un sistema para ello. “Así es como Coca-Cola obtiene sus rellenos de botellas, Black & Decker hace sus taladros, Proctor & Gamble hace su champú, y generalmente hacemos la mayoría de los productos hoy en día. Estos integradores de sistemas pueden cobrarle $ 1 millón y mantenerlo esperando un año para fabricar la máquina, pero casi cualquier tipo de sistema es posible en el mundo. El problema con estos sistemas es que en su mayoría se denominan "automatización dura" porque son principalmente sistemas mecatrónicos y funcionan por encima del promedio si las entradas al sistema corresponden exactamente a lo que se desarrollaron y programaron. Sin embargo, una vez que coloca una botella de Coca-Cola de dos litros en una máquina llenadora de botellas de medio litro, el sistema no sabe qué hacer y fallará.

El otro gran mundo que vemos es grandes robots de producción (excepto agentes de inteligencia artificial de software puro, como sistemas de recomendación, buscadores de spam para correos electrónicos, sistemas de detección de objetos para su aplicación de fotos, bots de chat y asistentes de voz). robots operativos Uno de los principales actores en esta área es una compañía llamada Intuitive Surgical (límite de mercado de $ 66 mil millones) que ha construido y desplegado alrededor de 5,000 robots teleoperados. Tenga en cuenta que estos robots son en realidad "controlados de forma remota" por un médico y en gran medida no son autónomos. Pero teniendo en cuenta que más del 40% de las muertes hospitalarias están relacionadas con el error de un médico, los pacientes pagan más por estas operaciones robóticas y los hospitales las compran en masa. Los jugadores clave como Verb Surgical, Johnson & Johnson, Auris Health y Mako Robotics están siguiendo esta tendencia.

Lo que notará sobre la automatización de fábrica y los robots quirúrgicos es que están en entornos extremadamente controlados. En el caso de los robots de fábrica, los robots realmente no "piensan", sino que siempre hacen lo mismo. Y con los robots quirúrgicos, casi toda la percepción, el pensamiento y el control los realiza un operador humano. Pero tan pronto como los robots de automatización de fábrica piensan por sí mismos o dejan que el robot quirúrgico tome decisiones sin supervisión humana, los sistemas fallan.

¿Por qué ya no vemos robots hoy?

La distinción que se debe hacer es que hoy no vemos robots en el mundo cotidiano en el que vivimos, en entornos no controlados. ¿Por qué no vemos robots en el mundo cotidiano? ¿Qué es lo más importante que nos impide alcanzar nuestro futuro robot mundial distópico? Es un problema de hardware? ¿Un problema de software? ¿Un problema de servicio secreto? ¿Un problema económico? ¿Un problema de interacción humana?

Para responder a esta pregunta, es importante entender lo que realmente significa un robot. En la literatura, un robot es un agente que hace cuatro cosas:

  1. Sentido: el agente percibe el mundo con un tipo de sensor, por ejemplo, una cámara, un LIDAR, un radar, una IMU, un sensor de temperatura, una resistencia fotográfica o uno Sensor de presión.
  2. ]] Piensa: según los datos del sensor, el agente toma una decisión. Aquí es donde entra el "aprendizaje automático".
  3. Ley: Basado en la decisión, el agente activa y cambia el mundo físico que lo rodea.
  4. Comunicarse: el agente se comunica con otros a su alrededor. (Esto se agregó recientemente al modelo).

En los últimos 50 años, hemos realizado un progreso exponencial en cada una de estas áreas:

  1. Detección: los precios de las cámaras y otros sensores como LIDAR, IMU, radar y GPS están cayendo exponencialmente .
  2. Piensa: la computación en la nube como Amazon Web Services y Google Cloud Platform han hecho que la creación de software sea increíblemente barata y te permite pagar exactamente lo que usas. Las tarjetas gráficas de juegos han reutilizado GPU como NVIDIA para ejecutar procesos paralelos que son ideales para aplicaciones de aprendizaje automático (y ahora tenemos GPU alojadas en la nube). Algoritmos como las redes neuronales profundas se han basado en el antiguo perceptrón, por ejemplo, para reconocer objetos, comprender el lenguaje natural e incluso poder crear contenido nuevo.
  3. Ley: Esta es probablemente el área más madura. Si subdividimos el mundo de la robótica al más alto nivel en manipulación (interactuando con el mundo como con nuestras manos) y robots móviles (caminar / moverse), la industria automotriz ha resuelto la mayoría de los problemas relacionados con el hardware del robot móvil y la automatización industrial resolvió muchos de los problemas con el Manipulación de objetos (asumiendo una cierta pose del objeto). Somos extremadamente hábiles en la fabricación de hardware y tenemos el hardware básico necesario para construir robots que puedan hacer básicamente cualquier cosa.
  4. Comunicación: con Internet y las revoluciones móviles de los años 2000 y 2010, hemos hecho un gran progreso en el mundo de la interacción del usuario. Tanto es así que hoy, cuando descubrimos que una empresa no tiene una interfaz de usuario simple, no la tomamos en serio de inmediato. Empresas desaparecidas como Jibo, Anki y Rethink Robotics han hecho serias contribuciones en esta área.

En otras palabras, puramente desde un punto de vista técnico (entraremos en la economía y la interacción humana más adelante) no parece ser que la percepción y la acción sean los mayores cuellos de botella. Tenemos sensores realmente geniales y baratos y tenemos una excelente tecnología de actuación (principalmente gracias a la automatización industrial).

Entonces, el problema radica principalmente en el "pensamiento". Según Dean Vijay Kumar, ingeniero de la Universidad de Pensilvania y fundador del laboratorio de robótica GRASP, no vemos robots en nuestro mundo cotidiano porque "el mundo físico es continuo durante el cálculo y, por lo tanto, capturado y controlado, discreto y el mundo es extremadamente dimensional y estocástico. “En otras palabras, solo porque un manipulador pueda levantar una taza de té no significa que pueda levantar una copa de vino. Actualmente, el paradigma para piensa que la mayoría de las empresas han adoptado se basa en la idea del aprendizaje automático, y especialmente el aprendizaje profundo, con la premisa básica de que no se escribe un "programa" como la informática tradicional. ¿No le damos a un agente una serie de entradas y en forma de datos de capacitación para algunas entradas y una salida basada en ellas y crearon el programa? Así como aprendimos en álgebra que la ecuación para una línea es y = mx + b, la idea básica es que el algoritmo de aprendizaje automático puede encontrar y y x myb (excepto ecuaciones mucho más complejas). Este enfoque funciona lo suficientemente bien como para obtener más en su camino hacia allí.

Pero en el mundo increíblemente impredecible en el que vivimos, la idea de entrenar fechas en las hordas con la idea "Si lo ves, hazlo" no funciona; En pocas palabras, nunca habrá suficientes datos de entrenamiento para predecir cada caso . No sabemos lo que no sabemos, a menos que tengamos datos de capacitación para cada instancia que le haya sucedido a un agente en el pasado y que le suceda a un agente en el futuro El modelo basado en el aprendizaje no puede llevarnos a una autonomía total (¿cómo puede predecir algo que ni siquiera sabe que es posible?). Las personas como seres inteligentes realmente pueden pensar; Los agentes basados ​​en el aprendizaje profundo no piensan: coinciden con los patrones, y si el estado actual del agente no coincide con ninguno de los patrones que ya le han sido asignados, el robot falla (o en vehículos autónomos), se bloquea).

¿Qué podemos hacer para poner en funcionamiento más robots?

Quizás las redes neuronales profundas no son el camino para sistemas 100% autónomos (por lo que empresas como OpenAI invierten en algoritmos de aprendizaje de refuerzo que imitan un enfoque de aprendizaje basado en la recompensa / dolor pavloviano). Pero, ¿qué hay entretanto para las startups cuando la pregunta de cómo construir un agente totalmente autónomo es la pregunta incorrecta?

Una empresa que ilustra esta idea de no buscar el 100% de autonomía es Ripcord, una startup con sede en Hayward, California, para la digitalización autónoma de papel. Hoy, las compañías tienen miles de cantidades de papel que les gustaría digitalizar: "Nadie fue a la universidad para convertirse en un removedor de alimentos básicos", dice el CEO Alex Fielding, y lo envían a Ripcord, donde las grandes cantidades se introducen en las células de los robots. Despliega, escanea y vuelve a apilar. Cuando conversé con Alex en la fábrica, noté que él nunca mencionó la idea de "automatizar personas". Su mala suerte fue que Ripcord hace que una persona sea 40 veces más eficiente. Vi esto de primera mano: una persona está monitoreando cuatro celdas de trabajo de robot en las instalaciones de Alex. En un ejemplo, el robot estaba trabajando a través de hojas extremadamente rápido cuando percibió una hoja que lo confundió. En ese momento, la persona que monitorea el sistema recibió una notificación clara en una pantalla con el problema. Los humanos solucionaron rápidamente el problema en 10 segundos y el robot volvió a la vida para las próximas hojas.

¿Qué pasa si la pregunta para construir una empresa de robótica exitosa no es: "¿Cómo construimos agentes para automatizar a las personas? "Pero" ¿Cómo creamos agentes para hacer que las personas sean 40 veces más eficientes y al mismo tiempo usen su inteligencia para tratar todos los casos marginales? " Mientras tanto, a medida que se desarrolla la inteligencia artificial, esta parece ser la fórmula para construir empresas exitosas.

Otra compañía que ilustra esto es Kiwi Robotics. Kiwi, con sede en Berkeley, California, fabrica robots móviles para la entrega de alimentos. Pero en conversación con el CEO Felipe Chávez: “No somos una empresa de inteligencia artificial. Somos una empresa de entregas. “Cuando Felipe fundó Kiwi, no invirtió en muchos costosos ingenieros de aprendizaje automático. Más bien, después de construir el prototipo de hardware, creó software con baja latencia para poder teleoperar a Kiwi. La idea original era que la gente tomara el 100% de las decisiones sobre el kiwi y desarrollara lentamente algoritmos para reducirlas del 100% a la autonomía total. Hoy Kiwi tiene un equipo de docenas de teleoperadores en Colombia (donde nació Felipe) y ha realizado más de 100,000 entregas. Una sola persona puede monitorear múltiples robots y el robot toma casi todas las decisiones y las personas solo corrigen el curso. Por otro lado, muchos competidores que invierten en plena autonomía luchan por hacer 1,000 entregas. [ Divulgación completa: soy un inversor en Kiwi Robotics a través de mi fondo Prototype Capital.]

En cualquier caso, uno de los factores más importantes no es el algoritmo de aprendizaje automático, sino la interfaz hombre-máquina. ¿Falta la compañía de robótica contemporánea? Según Keenan Wyrobek, fundador de la compañía de entrega de drones de sangre Zipline y uno de los primeros pioneros de la robótica, "he visto a innumerables startups de robótica fallar con esta actitud, a pesar de que considero que el tono de corte es bueno para … empresarios en los EE. UU. Mercado. Asegúrese de que su equipo de diseño e ingeniería [ineering] esté enfocado en hacer que todos los usuarios de su sistema sean más productivos. No me importa cuán bueno sea su robot, todavía tiene usuarios (personas que configuran, reconfiguran, solucionan problemas, mantienen, etc.). Y si estos usuarios no son el foco de su proceso de diseño, sus robots no funcionan lo suficientemente bien como para lograr un ROI de [n]. "

Según Amar Hanspal, CEO de Bright Machines y ex Co-CEO de Autodesk:" Lo que tienen en común es que las compañías de robots comienzan primero con la tecnología (es demasiado difícil y un poco emocionante convertirlo en el objetivo final) y no con el problema que intentan resolver. La clave es … definir un problema que desea resolver y luego crear un gran UX a su alrededor. La robótica es un medio para un fin, no el fin en sí mismo ”.

¿Qué podemos hacer para ver más robots en nuestro mundo cotidiano?

Hasta ahora hemos visto esto como una de las razones principales: la robótica para la vida cotidiana no ha cumplido su promesa de que el mundo es extremadamente estocástico y que la inteligencia artificial basada en modelos basados ​​en el aprendizaje profundo simplemente no es lo suficientemente buena para todos Tratar el caso de la esquina. Tal vez las empresas de robótica deberían usar el modelo de "ampliación humana" en lugar de un modelo que ahorre trabajo. Tome el libro de jugadas de Apple y Airbnb en un diseño centrado en el ser humano – primera mentalidad – no en tecnología – e invierta en una experiencia de usuario increíble.

Aquí hay algunas otras cosas que podemos hacer para que los robots lideren el camino:

El primero es vender el producto antes de la construcción. En el mundo del software de Silicon Valley, "The Lean Startup" de Eric Ries popularizó la idea de "comenzar rápidamente e iterar rápidamente hasta llegar al mercado de productos". Funciona increíblemente bien para los inicios de software. Sin embargo, con el hardware y la robótica, a veces sucede que las startups talentosas no se concentran en las ventas sino en la ingeniería y la construcción, construcción, construcción. Luego van a los clientes a vender. Los clientes dicen: "Este no es exactamente nuestro objetivo". Las compañías no tienen suficientes pistas para iterar, y luego mueren. Ha sucedido una y otra vez. Parece que el enfoque de inicio lean funciona para los lanzamientos de software porque puede comenzar de forma gratuita la mayor parte del tiempo (gracias a la nube), iterar una vez en el sitio, desplegar rápidamente y obtener cinco o seis disparos a puerta antes del lanzamiento no tengas más dinero en tu ronda de semen. Pero en el mundo del hardware, tiene costos iniciales de hardware, las implementaciones son lentas, los ciclos de iteración son lentos y solo tiene uno o dos tiros a puerta.

Para ser claros, somos extremadamente expertos en hardware; Es solo que no hay un Silicon Valley centrado en software (con excepciones notables como Apple y Tesla). Quizás una de las razones es la falta de ventas previas a la construcción. Un ejemplo típico: Boeing no contactó a Juan Trippe, el legendario fundador de Pan Am Airlines, y dijo: "Aquí hay un Boeing 747, ¿te gusta?" Déjame volver y construir una nueva versión … ¿Te gusta ahora? "(es decir, iteración a la" The Lean Startup "). En cambio, Boeing le pidió a Pan Am que preordenase docenas de unidades con todas las funciones por adelantado para que Boeing pudiera construirlas correctamente la primera vez. En otras palabras, Boeing vende su producto antes de la construcción. Los integradores de sistemas solicitan pedidos y efectivo antes de construir cualquier cosa. La mayoría de las compañías de hardware y las ramas militares también. Quizás las compañías de robótica pueden sacar una página del libro de jugadas de Bill Gates y vender MS-DOS a IBM, antes de escribir MS-DOS.

Una de las ventajas de las ventas previas a la construcción es que puede hacer una verificación de consistencia en la economía de unidad, y la robótica es una de las áreas donde no solo es técnico sino también económico. Muchas compañías han descubierto en el pasado que incluso si encuentran una gran idea en un entorno estrecho, la T Desarrolle tecnología, aumente el capital de riesgo y cree una gran colaboración entre el hombre y la máquina, su rentabilidad no tiene sentido y vuelven a fallar. Si está vendiendo antes de la construcción, debe analizar tanto la rentabilidad de sus clientes como la suya y asegurarse de que esto tenga sentido. Si intenta vender su producto antes de la construcción y nadie lo quiere, esta es una forma de riesgo extremadamente bajo para descubrir que es poco probable que sus clientes lo compren y que desee pasar a la siguiente idea.

General En términos económicos, tenemos que cambiar de modelos de anticipo de efectivo a modelos de robótica como servicio. Muchos clientes que compran aplicaciones robóticas tienen márgenes extremadamente bajos y no pueden pagar más de $ 100,000 por adelantado por un sistema (incluso si el período de recuperación es de uno o dos años). Agregar combustible al fuego significa que la energía de activación es demasiado para cambiar si "ya tienen algo que funciona". Entonces rechazan el producto (y luego el comienzo muere). Podemos leer una página de la industria de células solares / células fotovoltaicas aquí. La viabilidad económica de las células solares tiene mucho sentido para muchos propietarios de viviendas y, sin embargo, vimos muy pocas células solares en la década de 2000 durante mucho tiempo. ¿Por qué? El pago inicial fue demasiado para la mayoría de los estadounidenses, aunque la economía tendrá sentido en unos años. El punto de inflexión no fue técnico, sino financiero, ya que compañías como Solar City, Sunrun, Sun Power y otras innovaron en un modelo en el que el cliente paga casi $ 0 por adelantado, pero luego tiene créditos mensuales de PPA donde gastan por kilovatio hora. que generan las células Lo mismo fue cierto para la innovación de la computación en la nube. En lugar de comprar un conjunto de servidores localmente para Oracle y SAP, compañías como Salesforce han desarrollado un modelo que le permite pagar por lo que usa. Para tener éxito, las compañías de robótica deben operar con tecnología financiera para que los clientes solo tengan que pagar muy poco por adelantado y solo tengan que pagar por lo que consumen (cada hora de trabajo, cada hoja de papel escaneada, cada plato limpio, cada milla conducida, cada kilo de carga entregada )

Otra ventaja de vender antes de la construcción es que puedes probar constantemente en el sitio, aunque también construyes hardware. Tradicionalmente, esta "iteración después de la implementación" es la ventaja del software (en comparación con Apple, que a menudo comienza el desarrollo de hardware para algunas de sus Macs de cinco a siete años antes de que comience). Como ya tiene un cliente, ellos tienen un interés personal en hacer que el producto funcione. Una estrategia que hemos visto como extremadamente exitosa es proporcionar a sus primeros clientes una cierta cantidad de capital de asesoramiento para que tengan otro incentivo para trabajar con usted para que el producto funcione económica y técnicamente para ellos.

Pero tampoco todo tiene que ser software. Hoy en día, la mayoría de los VC de Silicon Valley se sorprenden cuando ven empresas de robótica que son "pesadas en hardware". "Invertiremos si adopta un enfoque de software más", dice. Hoy vemos empresas de robótica que intentan utilizar casi un 100% de hardware estándar y se centran casi exclusivamente en software. Esto tiene sentido en ciertas aplicaciones, pero el hecho es que el hardware ha estado cayendo mucho menos que el software y el hardware durante milenios, y somos realmente buenos en comparación con la relativamente joven era de las computadoras. En muchos casos, el hardware puede resolver el problema mucho mejor que el software. Tome la recolección de basura por ejemplo; Hoy en día hay docenas de startups que han recaudado cientos de millones de dólares de grandes VC que construyen sistemas genéricos basados ​​en aprendizaje profundo y de refuerzo de aprendizaje para seleccionar y colocar objetos genéricos de la basura. Por otro lado, pude ver una compañía llamada Soft Robotics en PACK Expo en Las Vegas. Ha elegido un enfoque basado principalmente en hardware para recoger contenedores con un nuevo tipo de pinza que puede levantar y colocar objetos con excelente control sin visión por computadora (mucho más consistente que casi todas las startups basadas en visión por computadora). Claro, construir un software y una trinchera de datos de entrenamiento es importante, pero ¿por qué debería resolverse el problema de una manera más compleja cuando existe una solución más simple y sólida? No deberíamos comenzar con el hardware, solo tenemos que repensar cómo hacer el hardware.

En general, Silicon Valley VCs ha creado la mentalidad de que invertir en una empresa no vale la pena a menos que valga mil millones de dólares. Por lo tanto, los fundadores de la robótica están tratando de desarrollar tecnologías que puedan servir a cualquier cliente con la esperanza de obtener capital de riesgo. y aunque alivian los VC, terminan construyendo un producto que no hace al cliente extremadamente feliz. Las mejores empresas comenzaron con mercados extremadamente pequeños. En nuestro mundo de alta dimensión, es un error establecer una compañía de robótica increíblemente genérica el primer día. Más bien, al principio es importante centrarse en uno (o tal vez dos) clientes. Una vez que haya resuelto el problema de este cliente, encontrará que es probable que otros clientes quieran algo similar. La robótica probablemente no escalará tan rápido como las empresas de software de consumo o incluso empresarial. Pero esto no es inusual. Antes de Intel y la era de la PC, la informática funcionaba de manera muy similar a los integradores de sistemas de automatización actuales: recurrió a una empresa de ingeniería para encontrar una computadora específica que pudiera hacer una cosa, por ejemplo, calcular la trayectoria de sus cohetes, les paga 1 Millones de USD. Espera seis meses y obtiene su computadora del tamaño de una habitación. Al igual que la informática era lenta y no escalable al principio, también lo hará la robótica. Eso está bien y todavía hay miles de millones de dólares en ganancias.

Finalmente, la forma de construir una empresa de robótica exitosa es vender soluciones B2B verticales (es decir, el "agujero en la pared" no es un taladro) en lugar de crear empresas B2C orientadas al consumidor. La promesa de este último era simple: si los clientes existentes no ven que la tecnología funciona para ellos o la economía tiene sentido, ¿por qué no desarrollamos la tecnología y somos nuestro propio cliente? Después de todo, nuestra tecnología es mejor para que podamos obtener nuestro propio beneficio y también controlar el medio ambiente. Esto también debería ser técnicamente más fácil. Era el mismo campo de juego que el de las empresas comerciales innovadoras de alta frecuencia que decidieron comenzar sus propios fondos de cobertura en lugar de vender su tecnología a otros fondos de cobertura. Vimos restaurantes robotizados B2C, bufetes de abogados de extremo a extremo que construyeron IA para automatizarse, y cafeterías para consumidores. El problema era doble: en primer lugar, la mayoría de las empresas B2C, como los restaurantes y la mayoría de las nuevas empresas, fracasan, pero tratar de hacer ambas cosas es demasiado, especialmente para una startup con una pista de aterrizaje limitada. y en segundo lugar, muchas de estas marcas no funcionaron, no porque la tecnología no funcionó, sino porque la marca de consumo no era lo suficientemente fuerte. El tipo de equipo requerido para construir un producto técnico resistente es muy diferente del tipo de equipo requerido para construir una marca de consumo, e incluso si su tecnología funciona, la marca a menudo no era lo suficientemente fuerte, y así llegó Los clientes toman una foto, pero el vínculo no fue lo suficientemente bueno como para que la economía siguiera funcionando. Lo mismo se aplica a la robótica basada en la educación y los "juguetes", aunque estos son "geniales", nunca hemos visto un ejemplo de una empresa que utilizó este modelo para construir un negocio permanente, ya que parece que son "más agradables" "Tener" como "tener" (de modo que cuando una recesión económica como la que estamos experimentando, ya nadie quiere el producto).

Recientemente también ha habido una tendencia hacia plataformas que son compañías de robótica. les permite hacer su éxito más fácil, tal como lo hizo AWS. Es más fácil para las empresas modernas de Internet tener éxito. También suena muy bien en la superficie, pero la diferencia es que antes de AWS había un grupo próspero de compañías de software, quienes construyeron grandes negocios y tuvieron el dinero para pagar a AWS por un mejor producto, pero hoy simplemente no hay suficientes compañías de robótica que tengan suficientes ingresos para vender estas empresas B2B para llenarlos Todavía parece que necesitamos la "aplicación asesina" del iPhone antes de que la plataforma App Store tenga sentido.

Áreas listas para la interrupción

En otras palabras, todavía tenemos un largo camino por recorrer para ver robots Nuestro mundo cotidiano ya que hay tantos lugares donde las empresas de robótica pueden salir mal. Estos son los tipos de robots que creo que veremos más en el corto plazo (en los próximos dos o cuatro años) en el mundo cotidiano:

Autonomous Factory Automation. Los clientes ya existen para la automatización de fábricas. Si podemos desarrollar una mejor tecnología que haga que estos sistemas sean más autónomos, veremos a muchos más clientes que lo desean.

Empresas semiautónomas y teleoperadas. Al igual que los robots de operación Tesla Autopilot y Kiwi, veremos muchas más empresas que apuntan a la autonomía parcial y aumentar el número de personas que no reemplazan.

Robots basados ​​en manipulación en entornos de fábrica. En 2015, VC invirtió cientos de millones en vehículos autónomos, en gran parte debido a la inversión de Google en automóviles autónomos, con la premisa de que "conducir es conducir es conducir". Si podemos resolver la conducción de un automóvil y en una ciudad, probablemente pueda escalar bastante bien. Hoy estamos en vehículos autónomos en invierno y muy pocas empresas parecen tener idea de qué hacer a continuación (principalmente porque el mundo es tan aleatorio y el aprendizaje profundo puede no ser suficiente). Por otro lado, la manipulación se ha quedado atrás y parece estar regresando hoy, ya que los ingenieros están dejando a los fabricantes de vehículos autónomos en busca de algo nuevo que realmente podría estar en producción antes. Manipulationsanwendungen befinden sich in der Regel in extrem kontrollierten Umgebungen, und wir werden wahrscheinlich mehr davon sehen (wie die Mikrofabriken von Bright Machines und die Recycling-Sortierroboter von AMP Robotics).

In der gleichen Richtung gibt es heute den Trend, sich in Richtung zu bewegen Wolke." Stellen Sie sich vor, wir hätten vor der ersten industriellen Revolution in unseren Häusern Textilien hergestellt. Aber dann haben wir erkannt, dass wir die Produktion von Textilien in Fabriken zentralisieren und Skaleneffekte nutzen können. Infolgedessen sehen wir heute nur sehr wenige Menschen, die in unseren Häusern Textilien herstellen. Wenden Sie dies auf heute an, wenn Sie sich eine Welt vorstellen, in der sich fast alles in die „Wolke“ bewegt und Sie Ihre Hausarbeiten an eine andere Person senden, um diese mithilfe einer zentralen Robotereinrichtung (Kochen, Geschirrspülen, Waschen von Stoffen, Falten von Stoffen usw.) zu erledigen. ) gibt es eine enorme Möglichkeit, Roboter einzusetzen, die den Alltagsmenschen betreffen, sich aber in einer Umgebung befinden, in der Roboter am besten funktionieren (Fabriken).

Vielleicht ist das einzige, was wir dann in unseren Häusern tun, d ie Reinigung, und daher gibt es und Es wird immer eine große Chance sein, Roboter von Systemen zu reinigen, um Innenhäuser zu reinigen, Außengesetze zu mähen, Innenzentren und andere B2B-Anwendungen zu reinigen und Schnee im Freien zu pflügen.

Die Robotik ist immer noch vielversprechend und durchaus machbar. Verkaufen vor dem Bau, Sicherstellen, dass die Einheitsökonomie frühzeitig mit risikoarmen Wetten funktioniert, Testen des Systems häufig vor Ort, Bereitstellen von Eigenkapital für frühzeitige Kundenberater, um Anreize auszurichten, Erstellen eines Produkts, um ein Problem für einen bestimmten Kunden gut zu lösen, anstatt etwas Generisches zu bauen Es kann hilfreich sein, Roboter als eine Kombination aus großartiger Hardware und großartiger Software anstelle von Software allein zu betrachten und vertikale B2B-Anwendungen zu verfolgen. Aber im weiteren Sinne ist es vielleicht an der Zeit, von Grund auf neu zu denken, anstatt jeden Nagel mit demselben Software-Mentalitätshammer zu treffen.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *