Cam Myers, CEO en oprichter van CreateMe – Interview Series

Cam Myers, CEO en oprichter van CreateMe, lanceerde het bedrijf in 2019 met de visie om de kledingindustrie te moderniseren door geavanceerde automatisering. Gevestigd in de San Francisco Bay Area, hij heeft een diverse achtergrond die bestaat uit investeringsadvies bij ADM Investment Partnership, vroeg-leiderschap in het oprichtingsteam van Group Commerce, en zakelijke ontwikkelingsrollen bij Downtown Music Holdings en Publicis Groupe. Hij is ook lid van de World Economic Forum’s Global Innovators Community, wat zijn bredere toewijding aan technologie-gedreven industriële transformatie weerspiegelt.

CreateMe is een AI-roboticabedrijf dat de manier waarop kleding wordt gemaakt opnieuw uitvindt door traditioneel naaien te vervangen door geautomatiseerde, lijm-gebaseerde assemblage die wordt aangedreven door robotica, computerzicht en machine learning. Het eigen fabricageplatform van het bedrijf maakt snellere, meer gelokaliseerde en duurzamere kledingproductie mogelijk, waardoor afval wordt verminderd en de toeleveringsketen wordt verkort, terwijl het bedrijf zich aan de voorzijde van de volgende generatie van zachte-goederenproductie bevindt.

Voordat u CreateMe oprichtte, was u deel van oprichtingsteams, werkte u in investerings- en adviesrollen en had u posities bij bedrijven als DoubleClick en Group Commerce. Hoe heeft die combinatie van technologie, financiën en operationele ervaring uw beslissing beïnvloed om CreateMe te starten en iets zo complex als geautomatiseerde kledingproductie aan te pakken?

Voordat CreateMe werd opgericht, kwam ik op als een technologie-generalist, werkend in software, e-commerce, investeringen en vroeg-startup-rollen. Deel uitmaken van startup-teams, waaronder Group Commerce, was een on-the-job MBA. Je wordt gedwongen om over disciplines heen te denken en te zien hoe technologie, economie en operaties werkelijk samenwerken onder echte beperkingen.

Die perspectief leidde me tot een andere conclusie over kleding. Door e-commerce-startups zag ik steeds dezelfde fouten herhalen: lage verkoop, zware korting en grote hoeveelheden voorraad die uiteindelijk werden afgeschreven of naar de stortplaats werden gestuurd. De meeste mensen zagen dit als een probleem van merchandising of forecasting. Door ernaar te kijken door een technologie-lens, was het duidelijk dat het symptomen waren van iets diepers – productiesystemen die niet konden reageren op echte vraag.

Het inzicht kwam uit het verbinden van die punten over disciplines heen. Kleding was niet kapot omdat een deel van het systeem slecht werd uitgevoerd. We realiseerden ons dat dit niet iets was dat je kon afstemmen of optimaliseren; het vereiste een schone-slate, first-principles-hernieuwing van materialen, machines en software als één systeem.

CreateMe kwam uit die overtuiging voort. Dit was fundamenteel een technologieprobleem, en het had een technologie-oplossing nodig. Interdisciplinair zijn is wat het zichtbaar maakte in de eerste plaats, en het is waarom CreateMe’s benadering er anders uitziet. We zijn begonnen met het behandelen van kledingproductie als een systeem- en automatiseringsuitdaging, en een platform te bouwen dat in staat is om te veranderen hoe de industrie werkelijk werkt.

CreateMe heeft nu een aanzienlijk portfolio van octrooien in robotica, materiaalwetenschap en automatisering. Wat waren de vroegste technische inzichten die u ervan overtuigden dat dit probleem oplosbaar was met Physical AI?

Toen we CreateMe in 2019 oprichtten, geloofden we dat er eindelijk een geloofwaardige weg was om kledingproductie te automatiseren, maar alleen als het proces zelf werd herbedacht. Stof is een deformerend, staat-afhankelijk materiaal. Het rekken, verschuiven en veranderen van gedrag terwijl het wordt behandeld. Kleine variaties compoundsnel. Onder die voorwaarden, open-loop controle en vooraf geprogrammeerde beweging breken af. Het probleem was niet robotprecisie. Het was het begrijpen van materiaalstaat goed genoeg om erop te handelen.

Onze eerste echte vooruitgang kwam uit het veranderen van het assemblagemodel. Door naaien te vervangen door lijm-gebaseerde binding, konden we kledingstukken assembleren in een statische, gefixeerde staat in plaats van terwijl de stof in beweging was. Dat verwijderde een belangrijke bron van variabiliteit en maakte aligneren en joinen controleerbare problemen. In combinatie met traditioneel machinezicht, ML-gebaseerd computerzicht, regel-gebaseerde logica en robotica, maakte dit betrouwbare automatisering mogelijk voor een gedefinieerde set van operaties. Het bewees iets belangrijks vroeg: deformerende materialen konden mechanisch worden behandeld als het proces correct werd gestructureerd.

Die vroege systemen maakten de grenzen duidelijk. Traditioneel regel-gebaseerd machinezicht werkt goed wanneer geometrie eenvoudig is en voorwaarden strak worden beperkt. Ze schalen niet naar de moeilijkste problemen in kleding, vooral complexe driedimensionale joining waar stofvorm, oriëntatie en contact continu evolueren in de ruimte. Eind-tot-eind-automatisering van die operaties was simpelweg niet haalbaar met de perceptie- en modelleringstools die op dat moment beschikbaar waren.

Daar is waar Physical AI begint om de vergelijking te veranderen. Vooruitgang in perceptie, sensing en geïncorporeerde intelligentie maken het mogelijk om deformerende materialen in drie dimensies te begrijpen en de lus te sluiten tussen zien, beslissen en handelen. We zijn nog steeds in de vroege innings van het toepassen van deze modellen op fysieke assemblage, maar zelfs vroege implementaties zijn al het bereik van kledingstukken, stoffen en complexe 3D-join-operaties die kunnen worden geautomatiseerd. In plaats van gedrag te scripten, kan het systeem steeds meer redeneren over materiaalstaat, aanpassen in real-time en join-operaties end-to-end uitvoeren. Elke gebonden operatie genereert gegevens over hoe een textiel reageert op kracht, hitte en geometrie, waardoor prestaties kunnen verbeteren en generaliseren door gebruik.

In het kort, onze vroege tools bewezen haalbaarheid. Physical AI is wat compleetheid en schaal ontgrendelt. Die progressie, van gescripte automatisering naar eind-tot-eind-intelligente assemblage, is wat ons ervan overtuigde dat dit probleem niet alleen oplosbaar was, maar ook uitbreidbaar over kledingstukken en materialen heen. De breedte van ons octrooienportfolio weerspiegelt die weg. Het oplossen van deformerende-materiaalassemblage vereiste uitvindingen in robotica, materiaalwetenschap en automatisering, met Physical AI die de meest complexe vormen van joining opent.

Kledingproductie heeft lang weerstand geboden tegen volledige automatisering vanwege de complexiteit van zachte goederen. Wat waren de doorbraken die CreateMe eindelijk over de automatiseringsdrempel lieten komen?

Voor CreateMe was het overschrijden van de automatiseringsdrempel gedreven door twee verwante verschuivingen: hoe kledingstukken fysiek worden geassembleerd en hoe machines stof waarnemen en erop reageren tijdens die assemblage.

De eerste doorbraak was architectonisch. Door van naaien naar lijm-gebaseerde binding over te stappen, elimineerden we de noodzaak om toegang te hebben tot beide zijden van de stof tijdens de assemblage. Kledingstukken kunnen worden gebouwd met enkelzijdige toegang, in een statische, gefixeerde staat, in plaats van te worden gevouwen, omgedraaid en gespannen door een naaimachine. Dat reduceerde de complexiteit van manipulatie aanzienlijk en verwijderde een belangrijke bron van variabiliteit. Met stof ondersteund en toegankelijk van één zijde, werden aligneren en joinen controleerbare problemen, en traditioneel machinezicht en robotica konden een betrouwbare automatisering van een significante hoeveelheid kledingconstructie bieden.

Vanuit het eerste principe is dit fundamenteel meer automatiserbaar dan robotnaaien. Naaien probeert menselijke behendigheid in continue beweging te repliceren terwijl stof actief deformeert. Lijm-gebaseerde assemblage herdefinieert het probleem rondom gecontroleerde positionering en discrete joins, wat veel beter geschikt is voor robotica.

Die benadering maakte ook de resterende uitdaging duidelijk. Toen we ons verplaatsten naar meer complexe driedimensionale joining – waar oppervlakken elkaar ontmoeten bij veranderende hoeken en materiaalgedrag verandert bij contact – bereikten regel- en traditioneel machinezicht-gebaseerde benaderingen hun limiet. Eind-tot-eind-automatisering over de volledige variabiliteit van kledingstukken en textiel vereiste meer adaptieve perceptie en controle.

Daar speelt Physical AI een kritieke rol. Vooruitgang in perceptie, sensing en geïncorporeerde controle maken het mogelijk om stofgeometrie en materiaalstaat in drie dimensies te interpreteren en in real-time te reageren tijdens de assemblage. Bij CreateMe maken zelfs vroege toepassingen van deze capaciteiten het bereik van kledingstukken, stoffen en complexe 3D-join-operaties dat kan worden geautomatiseerd met minimale tussenkomst, uitbreiden.

In het kort, procesherontwerp – binding, enkelzijdige toegang en statische assemblage – maakte automatisering haalbaar. Physical AI is wat die automatisering in staat stelt om naar eind-tot-eind-bewerking en schaal over de reële variabiliteit heen te gaan, waardoor kledingproductie voorbij smalle automatisering kan gaan en naar systemen kan gaan die verbeteren naarmate de complexiteit toeneemt.

MeRA introduceert een modulair, robotisch assemblageconcept voor kledingproductie. Hoe verschilt dit systeem fundamenteel van traditionele fabrieksautomatisering?

MeRA verschilt fundamenteel van traditionele fabrieksautomatisering omdat het werd ontworpen rondom de specifieke beperkingen van kledingproductie, in plaats van aangepast vanuit industrieën die zijn opgebouwd rondom starre onderdelen en stabiele processen.

Conventionele automatisering gaat ervan uit dat er sprake is van vaste geometrie, voorspelbare materialen en beperkte variabiliteit. Wijzigingen worden beheerd door tooling-intensieve, mechanisch beperkte instellingen en proces-specifieke fixatie. Dat model werkt wanneer producten zelden veranderen. Het breekt af in kleding, waar materialen deformerend zijn, stijlen snel veranderen en productie moet worden uitgevoerd op hoge snelheid om economisch haalbaar te zijn.

MeRA begint met de tegenovergestelde veronderstellingen. Kleding vereist een systeem dat zachte materialen, constante variabiliteit en frequente wijzigingen kan verwerken zonder de productie te stoppen. Om dat te doen, gebruikt MeRA een modulair, software-gedefinieerd assemblage-architectuur. Elk module voert een discrete operatie uit en kan worden geconfigureerd, gedupliceerd of opnieuw ingezet wanneer producten, stoffen of volumes veranderen. Wijzigingen vinden digitaal plaats, in software, in plaats van door fysieke herbouw.

Architectonisch is MeRA ontworpen om zowel snelheid als controle te maximaliseren. Assemblage wordt zo lang mogelijk in twee dimensies gehouden, waar zicht, aligneren en beweging het snelst en meest precies zijn, voordat overgang naar strak beheerste driedimensionale operaties plaatsvindt wanneer vormen of joinen dat vereisen. Traditionele automatisering duwt onderdelen door vaste 3D-werkcellen; MeRA minimaliseert 3D-complexiteit door ontwerp om doorvoer te behouden.

In combinatie met digitale lijm-gebaseerde binding, vervangt MeRA mechanisch beperkte joining door een programmeerbare, enkelzijdige operatie. Er is geen behoefte om kledingstukken om te draaien, spanning te beheren of toegang te hebben tot beide zijden tijdens het proces. Dat vermindert de cyclusduur, verlaagt de foutenratio en maakt snelle digitale wijzigingen mogelijk over kledingstukken en textiel heen.

In het kort, traditionele automatisering codeert proces in hardware. MeRA definieert proces in software en past het aan op het materiaal. Die verschuiving – van fysieke herbouw naar digitale wijziging, en van vaste workflows naar modulaire assemblage – is wat MeRA in staat stelt om te werken op de snelheid en variabiliteit die de kledingindustrie vereist.

Pixel vervangt naaien door micro-lijm-gebaseerde binding. Wat zijn de nieuwe ontwerp- of prestatie-mogelijkheden die dit voor kledingmerken ontgrendelt?

Pixel redefineert kledingconstructie op de naad. Door naaien te vervangen door digitaal gecontroleerde micro-lijm-gebaseerde binding, krijgen merken een veel grotere precisie en consistentie, waardoor kledingstukken zijn die soepeler, sterker en comfortabeler zijn in het dragen. Omdat het proces software-gedefinieerd is, worden naden een ontwerpoppervlak in plaats van een beperking, waardoor rek, vochtbeheersing, thermische regulatie en lichtgewicht versterking rechtstreeks in de kledingstructuur kunnen worden geïntegreerd.

Die voordelen gaan verder dan hoe een kledingstuk presteert op het lichaam. Hetzelfde digitale controle dat prestaties mogelijk maakt, maakt het ook mogelijk om kleding te ontwerpen voor het einde van de levensduur vanaf het begin. Met onze Thermo(re)set-lijmformulering kunnen bindingen worden omgekeerd, waardoor geautomatiseerde demontage en grootschalige textielrecycling mogelijk worden. Voor merken maakt Pixel ontwerp, prestaties en circulariteit geïntegreerde resultaten van constructie zelf, in plaats van concurrerende prioriteiten die later worden toegevoegd.

Er is veel hype rond Physical AI op dit moment. Vanuit uw perspectief, waar werkt Physical AI echt vandaag, en waar ligt de realiteit nog steeds achter de verwachtingen?

Physical AI werkt vandaag wanneer problemen zijn gestructureerd voor intelligentie in plaats van brute kracht. We zien echte vooruitgang in omgevingen waar perceptie, leren en controle samen worden ingezet binnen geëngineerde systemen – plaatsen waar taken herhaalbaar zijn maar nog steeds aanpassing vereisen, en waar de machine daadwerkelijk kan observeren en redeneren over wat er toe doet.

Waar verwachtingen nog steeds voorbij de realiteit liggen, is rondom algemene, geïncorporeerde intelligentie. Zachte, deformerende materialen blijven een van de moeilijkste problemen in robotica, omdat ze partiële observabiliteit, niet-lineair gedrag en constante variabiliteit introduceren. Physical AI is geen vervanging voor menselijke behendigheid, en het werkt niet in chaotische of legacy-omgevingen als standaard.

In de praktijk komt het verschil neer op ontwerp. Physical AI werkt wanneer het fysieke proces bewust is herontworpen om onzekerheid te verminderen – wanneer toegang wordt vereenvoudigd, staten zijn waarneembaar en variabiliteit wordt beheerd door architectuur in plaats van genegeerd. In die voorwaarden kunnen learnsysteemen zich aanpassen en verbeteren. Zonder dat, compenseert AI vaak slechte fysieke ontwerp.

Dat is de lens die we bij CreateMe toepassen. We behandelen Physical AI niet als een shortcut rondom productiecomplexiteit. We behandelen het als een schaalbaarheidslaag die alleen werkt zodra het onderliggende assemblagesysteem is herontworpen vanuit het eerste principe. De les die we hebben geleerd is eenvoudig: Physical AI schaalt wanneer de fysieke wereld is geëngineerd om intelligentie echt werk te laten doen.

Met tarieven, geopolitieke risico’s en kwetsbaarheid van de toeleveringsketen die structurele problemen worden, hoe veranderen technologieën als MeRA de economie van het terugbrengen van productie naar de VS?

Voor een lange tijd maakte offshoring economische zin op een smalle arbeidskostenbasis, en het doet dat nog steeds voor bepaalde producten en volumes. De uitdaging is dat het model ook structurele nadelen met zich meebrengt: lange levertijden, slechte vraag-aanbodmatching, overmatige voorraad en groeiende blootstelling aan tarieven, geopolitieke risico’s en logistieke verstoring. Die kosten werden vaak verborgen of getolereerd totdat recente schokken een nauwere blik vereisten.

Technologieën als MeRA veranderen de economie door een ander operationeel model haalbaar te maken in de VS. MeRA reduceert de afhankelijkheid van manuele arbeid en vervangt het door geautomatiseerde productie met hoge doorvoer die kan worden uitgevoerd in een compacte, herconfigureerbare voetafdruk. Dat is belangrijk in het binnenland, waar arbeid duur is en flexibiliteit waardevoller is dan schaal.

Net zo belangrijk is dat MeRA kledingproductie verplaatst van naaien naar statische, gebonden assemblage. Dat verwijdert de afhankelijkheid van schaarse, hoogopgeleide naaiarbeid en vervangt het door rollen die sneller te trainen en gemakkelijker te schalen zijn in de VS. Dit verandert arbeid van een structurele bottleneck in een beheersbare input, wat essentieel is voor elke realistische reshoring-strategie.

Het sleutelverschil is niet om alles terug te brengen. In de praktijk kan zelfs een bescheiden laag van near-market-productie – vaak 5-10% van het volume – de economie van de hele toeleveringsketen materieel veranderen. Die flexibele capaciteit stelt merken in staat om te reageren op echte vraag, winnaars na te jagen en overproductie maanden van tevoren te vermijden. MeRA maakt die capaciteit economisch haalbaar door snelle digitale wijzigingen, kleinere batchgroottes en consistente output te ondersteunen zonder afhankelijk te zijn van gespecialiseerde arbeidspools.

In die context stopt reshoring met een binaire of politieke beslissing te zijn. Technologieën als MeRA maken het een portfolio-keuze. Offshore-productie speelt nog steeds een rol voor schaal en kosten-efficiëntie, maar geautomatiseerde, near-market-capaciteit wordt een strategisch hefboom voor snelheid, veerkracht en kapitaal-efficiëntie. Het resultaat is een meer gebalanceerde toeleveringsketen, waar zelfs beperkte productie in de VS aanzienlijk risico kan verminderen en de algehele economie kan verbeteren.

Hoe moeten kledingmerken anders denken over productontwerp wanneer de productiebeperkingen niet meer hetzelfde zijn als in traditionele snij-en-naai-omgevingen?

Traditioneel kledingontwerp weerspiegelt de heersende logica van snij-en-naai-productie: tweezijdige toegang, naaldpenetratie, naadtoelatingen die zijn ingesteld voor menselijke handen, en constructiemethoden die zijn geoptimaliseerd voor manuele herhaling. Dit zijn geen inherente vereisten van kledingstukken; het zijn artefacten van hoe kledingstukken zijn gemaakt.

Geautomatiseerde, gebonden assemblage introduceert een andere ontwerlogica. Ontwerpen voor automatisering betekent ervan uitgaan dat er enkelzijdige toegang is, digitaal gecontroleerde lijmdepositie en hoge herhaalbaarheid. Dat maakt kleinere interne naadtoleranties mogelijk, meer precieze lijmlijnen en lager-profielassemblages die zowel structureel sterk als esthetisch schoon zijn en beter zijn dan genaaide equivalenten.

Omdat lijm wordt afgezet in plaats van genaaid, kunnen ontwerpers werken met complexe en onregelmatige randen, vloeibare geometrieën en stofconversies of laminaten die moeilijk of onmogelijk zouden zijn om te reproduceren met naaien. Visuele complexiteit hoeft niet langer te worden ondersteund door fysieke bulk. Het resultaat is een meer minimalistische, geraffineerde constructiestaaltje dat native is voor automatisering in plaats van aangepast vanuit handwerk.

Deze benadering vergroot ook materiaalvrijheid. In tegenstelling tot naadtape, die meestal hoge-temperatuur is en voornamelijk beperkt is tot synthetische materialen, stelt afgezette lijm automatisering toe over een breed scala aan stoffen, waaronder organische en delicate materialen zoals kasjmier, zijde, wol en leer. Materiaalselectie verschuift van “wat kan betrouwbaar worden genaaid” naar “wat het beste dient voor het product”.

In deze context is ontwerpen voor automatisering niet beperkend; het is generatief. Creatieve intentie, esthetische expressie en productielogica zijn vanaf het begin af aan uitgelijnd. Ontwerp wordt zowel precieser als expressiever, met automatisering die consistentie en uitvoering behandelt, terwijl ontwerpers zich richten op vorm, functie en differentiatie.

Wat ziet de menselijke rol eruit in een sterk geautomatiseerde kledingfabriek, en welke nieuwe vaardigheden worden kritisch als robotica repetitieve taken overneemt?

In een sterk geautomatiseerde kledingfabriek, verschuift de menselijke rol van repetitieve manuele uitvoering naar het bedienen, toezicht houden en verbeteren van geautomatiseerde assemblagesystemen van begin tot eind. In plaats van lange naailijnen, zijn kleinere teams georganiseerd rondom robotcellen, met productietechnici, celtoezichthouders en procespecialisten die verantwoordelijk zijn voor prestaties, kwaliteit en uptime over de hele productiestroom heen.

Productietechnici werken hands-on met robotica, visiesystemen en lijm-gebaseerde bindingsequipment. Ze bewaken robotcellen, stellen dispense-paden en bindingparameters in, beheren materiaalinteracties over verschillende stoffen heen en grijpen in wanneer variabiliteit of randgevallen optreden. Kwaliteitscontrole is continu in plaats van bemonsterd: visiesystemen inspecteren plaatsing, aligneren en bindconsistentie in real-time, terwijl mensen drempels interpreteren, anomaliën interpreteren en beslissen wanneer en hoe het proces moet worden aangepast.

Dit model levert een veel hogere kwaliteit en herhaalbaarheid dan manuele productie. Geautomatiseerde depositie en plaatsing reduceren variabiliteit, terwijl digitale QA consistentie biedt over elk eenheid heen in plaats van te vertrouwen op downstream-inspectie. Menselijke oordeel wordt toegepast waar het het meeste waarde toevoegt – uitzonderingen evalueren, toleranties verfijnen en systeemprestaties over tijd heen verbeteren.

Het realiseren hiervan vereist een bewuste trainings- en bijscholingsmodel dat rechtstreeks in productieoperaties is ingebed. Werkers worden getraind om productiedashboards te lezen, visie- en sensordata te interpreteren, bindkwaliteitsmetrieken te begrijpen en veilig te werken met robotische systemen. Ze leren hoe lijmgedrag, materiaaleigenschappen en procesparameters interactie hebben en hoe die variabelen in QA-data verschijnen.

Na verloop van tijd, vordert bijscholing van basis-systeemoperatie naar diepere proceseigenaarschap. Door gestructureerde on-the-job-training, certificeringsmodules en mentorship, ontwikkelen technici vaardigheden in root-cause-analyse, preventief onderhoud en continue verbetering. Het resultaat is een technisch bekwame werkkracht die in staat is om hoge-kwaliteit, herhaalbare productie op schaal te ondersteunen – een waarbij automatisering zowel productconsistentie als menselijke capaciteit verheft in plaats van het te vervangen.

Kijkend naar de toekomst, vijf tot tien jaar, hoe ziet u Physical AI de productie van kleding en de bredere productie veranderen – en waar wilt u dat CreateMe de grootste impact heeft?

Ons standpunt is dat de grootste kans voor Physical AI in productie in de komende vijf tot tien jaar ligt in taken met de hoogste variabiliteit en complexiteit, niet in gebieden die al goed worden bediend door starre automatisering. Onder de moeilijkste problemen zijn waar materialen zacht, flexibel of driedimensionaal zijn, en waar reële variabiliteit historisch automatisering heeft beperkt.

Die uitdaging is het meest acuut in zachte materiaalassemblage. Kleding is het duidelijkste voorbeeld, maar dezelfde dynamiek bestaat in consumentenelektronica met flexibele componenten, in medische producten, in meubels en in automotive-interieurs. Over deze categorieën heen, naaien en zachte-goederenassemblage vertegenwoordigen de hoogste arbeidsinhoud en blijven de minst geautomatiseerde delen van het productieproces.

Vanuit ons perspectief, zal vroeg vooruitgang in Physical AI worden gedreven door sterk verticale systemen. Mechanisch ontwerp en robotvormfactoren zullen worden afgestemd op specifieke toepassingen en materialen, in plaats van gegeneraliseerde belichamingen. Wat schaalt over deze verticals heen, is niet de hardware, maar de intelligentie: perceptie, controle en learnsysteemen die machines in staat stellen om deformerende materialen te begrijpen, complexe randen uit te lijnen, zich aan te passen aan variabiliteit en gebonden assemblage betrouwbaar uit te voeren.

Over de komende 10 jaar en verder, geloven we dat meer algemene en humanoïde belichamingen steeds vaker zullen voorkomen naarmate geïncorporeerde intelligentie volwassen wordt en implementatie versnelt. Terwijl humanoïde robots van pilots naar miljoenen, en mogelijk tientallen miljoenen, geïmplementeerde eenheden over de komende decennia gaan, zullen textiel-gebaseerde exo-huiden en zachte buitenlagen kritische mens-machine-interfacesystemen worden. Het voldoen aan die vraag op schaal zal geautomatiseerde, native-automatiseringsassemblage vereisen, waardoor een nieuwe industriecategorie in intelligente zachte-materiaalfabricage ontstaat.

Dit is de context waarin CreateMe’s visie past.

CreateMe’s visie is om de transformatie van zachte-materiaalassemblage te leiden. Om de geautomatiseerde assemblage van textiel en flexibele materialen zo programmeerbaar, schaalbaar en adaptief te maken als software. Terwijl mechanische en robotische implementaties per verticale kunnen variëren in de nabije toekomst, blijft de kernuitdaging consistent: zachte-materiaalbehandeling en naaien domineren arbeidsinhoud en weerstaan traditionele automatisering.

Wat deze markten verbindt, is een gedeelde Physical AI-capaciteitsset – de systemen die perceptie, deformerende materiaalmanipulatie, randuitlijning, bindlogica en adaptieve assemblage over stoffen en vormfactoren heen regelen. Door deze capaciteit te bewijzen in kleding, een van de meest veeleisende productieomgevingen, beoogt CreateMe om automatisering te ontgrendelen over een veel bredere set industrieën heen en zowel de volgende generatie van zachte-goederenproductie als de zachte interfaces die intelligentie machines steeds vaker zullen omringen, mogelijk te maken.

Bedankt voor het geweldige interview en uw gedetailleerde antwoorden, lezers die meer willen leren, moeten CreateMe bezoeken.