Rajattomat Labrat kerää 20 miljoonan dollarin A-sarjan rahoituksen Agentic AI:n tuomiseksi tarkkuusvalmistukseen

Rajattomat Labrat on kerännyt 20 miljoonan dollarin A-sarjan rahoituksen, kun yhtiö laajentaa mitä se kuvailee maailman ensimmäiseksi Agentic Physical AI -alustaksi CAD/CAM-ohjatulle valmistukselle. Rahoituksen johtavat Dell Technologies Capital ja Square Peg, ja siihen osallistuvat Grove Ventures, Meron Capital ja Kinetica. Yhtiö kertoo, että uusi pääoma käytetään Yhdysvaltojen toimintojen laajentamiseen, Physical AI Foundation Mallin kehittämisen kiihdyttämiseen ja automaatio-ominaisuuksien jatkokehittämiseen CNC-ohjelmointiin.

Perustettu vuonna 2024 ja aiemmin tunnettu nimellä LimitlessCNC, Tel Avivissa sijaitseva startup kohdistaa yhteen valmistuksen pitkäaikaisimpiin pullonkauloihin: erittäin erikoistuneeseen CNC-koneiden ohjelmointiprosessiin, joita käytetään monimutkaisten ilmailu-, puolustus-, lääkinnällisten ja teollisuuskomponenttien valmistukseen. Siinä, missä suurin osa AI-teollisuudesta on edelleen keskittynyt digitaalisiin työvirtoihin, Rajattomat Labrat ovat osa kasvavaa yritysten aaltoa, jotka yrittävät tuoda AI:n suoraan fyysisten tuotantoympäristöihin.

AI:n tuominen suoraan CAD/CAM-järjestelmiin

Moderni CNC-työstö riippuu edelleen voimakkaasti kokeneista ohjelmoijista, jotka ymmärtävät työkalustrategiat, koneiden rajoitukset, materiaaliominaisuudet ja lukuisat päätökset, jotka vaaditaan CAD-mallin muuttamiseksi valmistettavaksi osaksi.

Rajattomat Labrat ovat rakentaneet alustansa toimimaan jo olemassa olevan CAD/CAM-ohjelmiston sisällä, jota valmistajat käyttävät, mukaan lukien Siemens NX CAM, Mastercam ja PTC Creo. Yhtiön CAM-agentti on suunniteltu avustamaan insinöörejä tunnistamalla työstöominaisuudet, suosittelemalla työkalustrategioita, järjestämällä toimintoja, luomalla työkalupolkuja ja auttamalla tuotantovalmiiden koneohjelmien luomisessa. Yhtiön mukaan asiakkaat ovat vähentäneet CNC-ohjelmointiaikaa jopa 50 %:lla säilyttäen samalla inhimillisen valvonnan koko työvirran ajan.

Laajempi tavoite ei ole ainoastaan automatisoida ohjelmointitehtäviä, vaan myös kaapata institutionaalinen valmistustietämys, joka usein on olemassa ainoastaan vanhempien koneistajien ja ohjelmoijien mielissä. Alusta on suunniteltu yhdistämään insinööritiedon lähteet, oppimaan yrityskohtaisista työstötietämyksestä ja jatkuvasti parantamaan suosituksia olemassa olevien valmistusjärjestelmien integroinnin kautta.

Fyysinen perusmallin luominen fyysiseen maailmaan

Alustan keskipisteenä on se, mitä Rajattomat Labrat kutsuvat Fyysiseksi AI-perusmalliksi. Toisin kuin suuret kielen mallit, jotka on koulutettu pääasiassa tekstin ja koodin avulla, yhtiö sanoo, että sen malli on koulutettu työstökohtaisilla tiedoilla, mukaan lukien CAD-geometria, valmistusrajoitukset, koneen käyttäytyminen ja metallileikkaamisen fysiikka.

Käsite heijastaa laajempaa muutosta, joka tapahtuu teollisen AI:n ympärillä. Sen sijaan, että riippuisivat yleistetyistä AI-järjestelmistä, valmistajat vaativat yhä enenevissä määrin malleja, jotka ymmärtävät todellisen maailman prosesseja, fyysisiä rajoituksia ja toiminnallisia vaatimuksia. Nämä erikoistuneet järjestelmät on suunniteltu tukemaan insinööritöitä, joissa tarkkuus, luotettavuus ja toistettavuus ovat kriittisiä.

Toisin kuin itsenäinen chatbotti, alusta toimii insinöörien kopilottina, joka on upotettu olemassa olevaan tuotantto-ohjelmistoon. Yhtiön mukaan järjestelmä arvioi koneiden rajoituksia, työkalurajoituksia, syöttönopeuksia, toleransseja ja valmistusvaatimuksia luodessaan suosituksia.

Valmistuksen tietämyksen aukon käsittely

Rahoituksen ajoitus on tullut valmistajien kasvavan työvoimahaasteen aikaan.

Yhtiön mukaan lähes neljännes Yhdysvaltojen valmistustyövoimasta on nyt 55-vuotias tai vanhempi, ja 97 % valmistajista pitää tietämyksen säilyttämistä suurena huolenaiheena. Teollisuudessa on tällä hetkellä yli 400 000 täyttämätöntä työpaikkaa, ja tämä aukko on arvioitu kasvavan merkittävästi seuraavan kymmenen vuoden aikana.

Ilmailu-, puolustus- ja lääkinnällisen valmistuksen kaltaisilla aloilla ohjelmointivirheet voivat olla kalliita, ja asiantuntemus vaatii usein vuosien mittaisen käytännön kokemuksen kehittymisen. Kun vanhemmat koneistajat eläkevuosiin, valmistajat kohtaavat kasvavan paineen säilyttääkseen toimintatietämyksen ja nopeuttavat uusien insinöörien perehdyttämistä.

Rajattomien Labrojen perustajat väittävät, että AI voi toimia mekanismina, joka ottaa ja skaalaa tämän asiantuntemuksen, sen sijaan, että se korvaisi insinöörejä, jotka sitä hallitsevat. Yhtiön alusta on suunniteltu oppimaan historiallisista ohjelmointipäätöksistä ja organisaatiokohtaisista standardeista, auttaen uusia insinöörejä hyödyntämään tietämyksen, joka on kertynyt vuosikymmenien ajan valmistuskokemuksen aikana.

Teollisen AI:n seuraava vaihe

Generatiivisen AI:n nousu on suurelta osin määritelty ohjelmistokehityksen, sisällön luomisen ja yritysten tuottavuustyökalujen kautta. Valmistus esittää haasteellisemman haasteen, koska AI-järjestelmien on toimittava tiukkojen fyysisten rajoitusten puitteissa, joissa virheet voivat vaikuttaa tuotannon laatuun, laitteiden suorituskykyyn ja toiminnalliseen turvallisuuteen.

Tämän vuoksi monet teolliset AI-yritykset siirtyvät yleisten kielen mallien ulkopuolelle kohti toimialakohtaisia järjestelmiä, jotka on koulutettu insinööritiedon, valmistus- ja toimintatiedon avulla. CAD-, simulaatio- ja valmistusekosysteemin ympärillä kasvava määrä yrityksiä on rakentamassa AI-agenteja, jotka on suunniteltu erityisesti mekaanisen insinööritöiden työvirroille, mikä viittaa siihen, että ala saattaa olla siirtymässä uuteen omaksumisvaiheeseen.

Rajattomille Labroille seuraava tavoite on edistää Physical AI Foundation Mallia kohti autonomisempia CNC-työvirtoja ja jatkaa kaupallisen toiminnan laajentamista Yhdysvalloissa. Yritys aikoo kasvattaa tutkimusryhmäänsä Tel Avivissa ja lähes kaksinkertaistaa henkilöstöään seuraavan vuoden aikana.

Kun AI siirtyy yhä enemmän digitaalisista avustajista fyysisten tuotantoympäristöihin, suurempi kysymys ei enää ole siinä, voivatko AI:lla luoda suunnitelmia tai kirjoittaa ohjelmia. Sen sijaan painopiste on siirtymässä siihen, voivatko AI auttaa hallitsemaan monimutkaisuutta, asiantuntemusta ja päätöksentekoa, jotka vaaditaan fyysisten tuotteiden valmistamiseen, jotka muodostavat modernin teollisuuden perustan.