La più grande sfida per l’AI fisica potrebbe essere fisica, non artificiale

Dietro quasi ogni demo sensazionale nell’industria dell’AI fisica si cela la stessa verità: la macchina è un prototipo, e i prototipi non sono prodotti. Costruire un robot funzionante è una impresa ingegneristica. Costruire il millesimo, a un costo che qualcuno pagherà, senza un team di specialisti pronto a curarlo in caso di malfunzionamento, è una sfida completamente diversa, ed è una sfida che l’industria sta appena iniziando ad affrontare.

Quel divario, tra la dimostrazione dell’intelligenza e la sua produzione su larga scala, sta diventando il vero campo di battaglia della corsa all’AI fisica. E, sempre più, sembra meno un problema di AI che un problema industriale.

Da Unico a Catena di Montaggio

Chiunque abbia portato un prodotto hardware dal prototipo alla produzione sa che la prima unità è la parte più facile.

Un robot prototipo potrebbe funzionare con un attuatore personalizzato lavorato a mano, un sensore fornito da un fornitore boutique con un tempo di consegna di due mesi, o un pacco batteria assemblato dagli stessi ingegneri che lo hanno progettato. Nulla di tutto ciò conta quando c’è una sola unità. Tutto ciò diventa una seria responsabilità a una scala di diecimila unità.

I fornitori devono essere qualificati, spesso due volte, in modo che un singolo incendio in fabbrica o un ritardo nella spedizione non fermi la produzione. I componenti progettati per le massime prestazioni in laboratorio spesso devono essere riprogettati per tolleranza, durata e, soprattutto, costo. I processi di assemblaggio che funzionavano con un piccolo team di dottori di ricerca che risolvevano problemi manualmente devono essere semplificati al punto che un tecnico su una linea di produzione possa svolgere il lavoro in minuti, non in giorni.

Questo lavoro è chiamato design for manufacturability. È lento, è tedioso, è dove la battaglia ingegneristica nell’AI fisica viene sempre più combattuta, ed è una battaglia che molte aziende robotiche ben finanziate e tecnicamente brillanti hanno perso.

Demo Impressive Non Conquistano i Mercati

C’è un istinto naturale ereditato da un decennio di cicli tecnologici guidati dal software, che porta a presumere che chi costruisce il modello più intelligente o il robot più umanoide uscirà vincitore. Questo istinto ha servito bene gli investitori nell’AI in generale. È probabile che li indurisca nell’AI fisica.

Le aziende hardware non vincono il giorno della demo, ma negli anni successivi, grazie all’economia delle unità, alla resilienza della catena di approvvigionamento e alla capacità di mantenere migliaia di macchine operative sul campo senza un piccolo esercito di ingegneri di turno.

L’energia solare offre un utile precedente. I pannelli che alla fine hanno dominato il mercato non erano necessariamente i più efficienti in laboratorio; erano quelli che le aziende potevano produrre in modo affidabile, a costi decrescenti e con volumi crescenti. I veicoli elettrici hanno seguito un percorso simile, dove le catene di approvvigionamento delle batterie e il rendimento produttivo contavano tanto quanto qualsiasi singola innovazione ingegneristica. L’AI fisica, con robot costruiti da decine o centinaia di componenti, ognuno potenziale punto di rottura, potrebbe rivelarsi ancora meno indulgente. Un’azienda che immette sul mercato un robot semplicemente buono, supportato da fornitori affidabili e da una curva di costo che si riduce ogni trimestre, probabilmente supererà un concorrente con un robot sbalorditivo che può essere prodotto solo a dozzine alla volta.

L’AI Può Accelerare l’Ingegneria, Non la Fisica

L’AI stessa colmerà questo divario? In parte, sì. Gli strumenti di design generativo stanno già esplorando geometrie dei componenti che nessun ingegnere umano penserebbe di provare. Simulation, accelerata dal machine learning, sta comprimendo i cicli di test che una volta richiedevano mesi. I modelli predittivi possono segnalare quali fornitori o materiali potrebbero causare problemi di resa prima che una singola parte venga lavorata.

Questi strumenti sono veri acceleratori, e le aziende che li usano efficacemente nell’ingegneria e nell’approvvigionamento avanzeranno più rapidamente di quelle che non lo fanno.

Ma esiste un limite rigido a quanto questo possa comprimere i tempi, perché il mondo fisico non itera come il software. Una nuova lega deve ancora superare test di fatica misurati in migliaia di cicli. Una linea di fabbrica deve ancora essere attrezzata, messa in funzione e attraversare la propria curva di apprendimento accidentata prima che le rese si stabilizzino. Nessuna simulazione riduce i mesi necessari per qualificare un nuovo materiale o i trimestri necessari per mettere in funzione una nuova linea di produzione. Qualsiasi azienda che costruisce la sua roadmap basandosi sull’assunto che le tempistiche hardware collasseranno come quelle del software si sta preparando a una brutta sorpresa, e molto pubblica.

I Collo di Bottiglia Trascurati

Se c’è una lezione dai cicli hardware precedenti, è che i componenti che ricevono meno attenzione tendono a causare i maggiori ritardi.

Nell’AI fisica, ciò probabilmente inizia con gli attuatori, cioè i motori e i meccanismi che forniscono al robot la coppia e la precisione per svolgere effettivamente lavoro fisico. Sono ancora in scarsa disponibilità da un piccolo gruppo di produttori qualificati, e l’installazione di nuova capacità richiede anni, non trimestri.

Continua con la percezione. Le telecamere, i sensori di forza e i sistemi propriocettivi che consentono a una macchina di percepire l’ambiente circostante sono ancora costosi e immaturi rispetto a ciò che richiederà un’ampia distribuzione nel mondo reale.

Si estende alla stessa produzione. L’industria si è affidata fortemente a un insieme concentrato di regioni e fornitori, una struttura sempre più vista come una debolezza strategica, spingendo le aziende verso footprint produttivi più distribuiti e ridondanti, anche se ciò comporta la perdita di parte dell’efficienza.

E termina con l’energia: le batterie, l’elettronica di potenza e le infrastrutture di ricarica che dovranno scalare insieme a flotte di macchine operative continuamente in magazzini, case e cantieri. Nessuna di queste categorie sarà protagonista di un keynote. Tutte probabilmente decideranno chi effettivamente spedisce.

Un’Anteprima di una più Ampia Riconciliazione

Il boom dell’AI fisica è, in effetti, un test in tempo reale di un’assunzione con cui l’industria tecnologica si è ormai sentita a suo agio: che l’intelligenza, una volta costruita, si scala liberamente. Tale assunzione vale in gran parte per il software. Non vale per le fabbriche.

La potenza di calcolo può raddoppiare da un giorno all’altro. I modelli possono migliorare con una nuova sessione di addestramento. Il deployment può avvenire con la pressione di un pulsante. Le catene di approvvigionamento non possono raddoppiare da un giorno all’altro. Tecnici qualificati, fornitori certificati e linee di produzione mature richiedono anni per essere costruite, e nessun salto nelle capacità del modello accorcia quel lasso di tempo.

Niente di tutto ciò significa che l’AI fisica sia sopravvalutata o che la tecnologia sottostante non sia reale. Significa che il centro di gravità si sta spostando dall’intelligenza artificiale all’infrastruttura fisica. Le aziende, e gli investitori che le sostengono, che comprendono presto questo cambiamento e investono risorse reali nella capacità di produzione e nella resilienza della catena di approvvigionamento anziché nella prossima demo appariscente, saranno quelle che probabilmente saranno ancora in piedi quando l’attuale ondata di video virali darà spazio al lavoro più lento e più duro di effettivamente distribuire queste macchine su larga scala.