Cam Myers, CEO og grunnlegger av CreateMe – Intervju-serie

Cam Myers, CEO og grunnlegger av CreateMe, lanserte selskapet i 2019 med en visjon om å modernisere klesproduksjon gjennom avansert automatisering. Basert i San Francisco Bay Area, har han en mangfoldig bakgrunn som omfatter investeringsrådgivning i ADM Investment Partnership, tidlig ledelse i Group Commerce og forretningsutviklingsroller i Downtown Music Holdings og Publicis Groupe (PU4.DE ). Han er også medlem av World Economic Forum’s Global Innovators Community, som reflekterer hans bredere forpliktelse til teknologidrevet industriell transformasjon.

CreateMe er et AI-robotikk-selskap som gjør om hvordan klær blir laget ved å erstatte tradisjonell sying med automatisert, limbasert montering drevet av robotikk, datavisjon og maskinlæring. Deres proprietære produksjonsplattform muliggjør raskere, mer lokal og mer bærekraftig klesproduksjon, reduserer avfall og forkorter forsyningskjeder samtidig som selskapet plasseres i forkant av neste generasjons myke vareproduksjon.

Før du grunnla CreateMe, var du en del av grunnleggerlag, arbeidet i investerings- og rådgivningsroller og holdt stillinger i selskaper som DoubleClick og Group Commerce. Hvordan formet denne blandingen av teknologi, finansiell og operativ erfaring din beslutning om å starte CreateMe og å takle noe så komplekst som automatisert klesproduksjon?

Før CreateMe, kom jeg opp som en teknologi-generalist, arbeidet over hele software, e-handel, investeringer og tidlige operasjonsroller. Å være en del av startup-lag, inkludert Group Commerce, var en på jobben MBA. Du må tenke på tvers av disipliner og se hvordan teknologi, økonomi og operasjoner faktisk samhandler under reelle begrensninger.

Denne perspektivet ledet meg til en annen konklusjon om klær. Gjennom e-handelsstartup, så jeg hele tiden de samme feilene gjentas: lavt salg, tung rabattering og store volumer av lager som til slutt ble skrevet av eller sendt til deponi. De fleste mennesker rammet disse som merkedsførings- eller prognoseproblemer. Ved å se på det gjennom en teknologisk lins, var det klart at de var symptomer på noe dypere—produksjonssystemer som ikke kunne svare på virkelig etterspørsel.

Innsikten kom fra å koble disse punktene over disipliner. Klær var ikke ødelagt fordi noen enkelt del av systemet var dårlig ledet. Vi innsett at dette ikke var noe du kunne justere eller optimere; det krevde en ren-slate, første-prinsipper-omtenking av materialer, maskiner og programvare som ett system.

CreateMe kom ut av denne overbevisningen. Dette var fundamentalt et teknologiproblem, og det trengte en teknologisk løsning. Å være tverrfaglig var det som gjorde dette synlig fra første sted, og det er hvorfor CreateMe’s tilnærming ser annerledes ut. Vi satte ut til å behandle klesproduksjon som et system- og automatiseringsutfordring, og bygge en plattform i stand til å endre hvordan industrien faktisk fungerer.

CreateMe har nå en betydelig portefølje av patenter over hele robotikk, materialvitenskap og automatisering. Hva var de tidligste tekniske innsiktene som overbeviste deg om at dette problemet var løsbart med Fysisk AI?

Når vi grunnla CreateMe i 2019, trodde vi at det til slutt var en troverdig vei til å automatisere klesproduksjon, men bare hvis prosessen selv ble tenkt om. Stoff er et deformerbart, tilstandsavhengig materiale. Det strekker seg, skifter og endrer atferd når det håndteres. Små variasjoner kompenserer raskt. Under disse betingelsene, åpne-løkkekontroll og forhåndsprogrammert bevegelse bryter sammen. Problemet var ikke robotpresisjon. Det var å forstå materialetilstand godt nok til å handle på det.

Våre første virkelige fremgang kom fra å endre monteringsmodellen. Ved å erstatte kontinuerlig sying med limbasert bonding, kunne vi montere plagg i en statisk, fiksert tilstand heller enn mens stoffet var i bevegelse. Det fjernet en stor kilde til variasjon og tillot justering og montering å bli kontrollert direkte. Kombinert med tradisjonell maskinvisjon, ML-basert datavisjon, regelbasert logikk og robotikk, gjorde dette pålitelig automatisering mulig for en definert sett av operasjoner. Det beviste noe viktig tidlig: deformerbare materialer kunne håndteres mekanisk hvis prosessen var strukturert riktig.

Disse tidlige systemene gjorde også grensene klare. Tradisjonelle regelbaserte maskinvisjonsarbeider godt når geometrien er enkel og betingelsene er tett begrensede. De skalerer ikke til de hardeste problemene i klær, spesielt komplekse tredimensjonale sammenføyninger hvor overflate, orientering og kontakt utvikler seg kontinuerlig i rommet. End-to-end-automatisering av disse operasjonene var ikke oppnåelig med de perceptuelle og modellverktøyene som var tilgjengelige på den tiden.

Det er der Fysisk AI har begynt å endre ligningen. Fremgang i persepsjon, sansning og inkorporert intelligens gjør det mulig å forstå deformerbare materialer i tre dimensjoner og lukke løkken mellom å se, bestemme og handle. Vi er fortsatt i de tidlige inningsene av å anvende disse modellene til fysisk montering, men selv tidlige implementeringer utvider allerede rekken av plagg, stoffer og komplekse 3D-sammenføyninger som kan automatiseres. I stedet for å skripte atferd, kan systemet økende grunne om materialetilstand, tilpasse i sanntid og utføre sammenføyingsoperasjoner fra ende til ende. Hver bonded operasjon genererer data om hvordan et tekstil responderer på kraft, varme og geometri, som tillater ytelse å forbedre og generalisere gjennom bruk.

I kort, våre tidlige verktøy beviste mulighet. Fysisk AI er hva som låser opp fullstendighet og skala. Denne fremgangen, fra skriptet automatisering til end-to-end intelligent montering, er hva overbeviste oss om at dette problemet ikke bare var løsbart, men også utvidbar over plagg og materialer. Bredden av vår patenteringsportefølje reflekterer denne banen. Å løse deformerbart materiale-sammenføyning krevde oppfinnelse over hele robotikk, materialvitenskap og automatisering, med Fysisk AI åpner opp de mest komplekse formene for sammenføyning.

Klesproduksjon har lenge motstått full automatisering på grunn av kompleksiteten i myke varer. Hva gjennombrudd tillot CreateMe å kryssende denne terskelen?

For CreateMe, å kryssende automatiseringsterskelen har blitt drevet av to relaterte skifter: hvordan plagg fysisk monteres, og hvordan maskiner oppfatter og handler på stoff under montering.

Det første gjennombruddet var arkitektonisk. Ved å gå fra sying til limbasert bonding, fjernet vi behovet for å aksessere begge sider av stoffet under montering. Plagg kan bygges ved å bruke enkelt-side-tilgang, i en statisk, fiksert tilstand, heller enn å bli brettet, vendt og spent gjennom en symaskin. Det reduserte manipulasjonskompleksiteten og fjernet en stor kilde til variasjon. Med stoff støttet og tilgjengelig fra en side, ble justering og montering kontrollable problemer, og tradisjonell maskinvisjon og robotikk kunne pålitelig automatisere en betydelig del av kleskonstruksjon.

Denne tilnærmingen klargjorde også den gjenværende utfordringen. Da vi flyttet inn i mer komplekse tredimensjonale sammenføyninger—hvor overflater møtes i endrende vinkler og materialeatferd skifter som kontakt gjøres—reachede regel- og tradisjonell maskinvisjonsbasert tilnærming sine grenser. End-to-end-automatisering over hele variasjonen av plagg og tekstiler krevde mer adaptiv persepsjon og kontroll.

Det er der Fysisk AI spiller en kritisk rolle. Fremgang i persepsjon, sansning og inkorporert kontroll gjør det mulig å tolke stoffgeometri og materialetilstand i tre dimensjoner og respondere i sanntid under montering. Hos CreateMe, selv tidlige anvendelser av disse kapasitetene utvider allerede rekken av plagg, stoffer og komplekse 3D-sammenføyninger som kan automatiseres med minimal inngripen.

I kort, prosessdesign—bonding, enkelt-side-tilgang og statisk montering—gjorde automatisering mulig. Fysisk AI er hva som muliggjør at automatiseringen kan flytte mot end-to-end-drift og skala over virkelige variasjoner, og tillater klesproduksjon å gå utover smal automatisering og mot systemer som forbedrer når kompleksitet øker.

MeRA ™ introduserer en modulær, robotisk monteringsmetode for klesproduksjon. Hvordan skiller denne modellen seg fundamentalt fra tradisjonell fabrikkautomatisering?

MeRA ™ skiller seg fundamentalt fra tradisjonell fabrikkautomatisering fordi den ble designet rundt de spesifikke begrensningene i klesproduksjon, heller enn tilpasset fra industrier bygget på rigide deler og stabile prosesser.

Vanlig automatisering antar fast geometri, forutsigbare materialer og begrensede variasjoner. Bytte av verktøy håndteres gjennom verktøy-intensiv, mekanisk begrensede oppsett og prosessspesifikke fiksering. Denne modellen fungerer når produkter sjelden endres. Den bryter sammen i klær, hvor materialer er deformerbare, stiler snur raskt og produksjon må kjøre med høy hastighet for å være økonomisk gyldig.

MeRA ™ starter fra motsatt antagelser. Klesproduksjon krever et system som kan håndtere myke materialer, konstant variasjon og hyppig bytte uten å stoppe produksjonen. For å gjøre dette, bruker MeRA ™ en modulær, programvaredefinert monteringsarkitektur. Hver modul utfører en diskret operasjon og kan konfigureres om, dupliseres eller gjenutplasseres når produkter, stoffer eller volumer endres. Bytte skjer digitalt, i programvare, heller enn gjennom fysisk omverktøy.

Arkitektonisk er MeRA ™ designet for å maksimere både hastighet og kontroll. Montering holdes i to dimensjoner så lenge som mulig, hvor visjon, justering og bevegelse er raskeste og mest nøyaktige, før overgang til tett kontrollerte tredimensjonale operasjoner bare når formasjon eller sammenføyning krever det. Tradisjonell automatisering skyver deler gjennom faste 3D-arbeidsCeller; MeRA ™ minimizes 3D-kompleksitet ved design for å bevare gjennomstrømming.

I par med digital limbasert bonding, erstatter MeRA ™ mekanisk begrensede sammenføyning med en programmerbar, enkelt-sidet operasjon. Det er ingen behov for å vende plagg, håndtere kontinuerlig spenning eller aksessere begge sider midt i prosessen. Det reduserer syklustid, senker feilrater og muliggjør rask digitalt bytte over plagg og tekstiler.

I kort, tradisjonell automatisering kodeprosessen i maskinvare. MeRA ™ definerer prosessen i programvare og tilpasser den til materialet. Denne skiftet—fra fysisk omverktøy til digitalt bytte, og fra faste arbeidsflyter til modulær montering—er hva som tillater MeRA ™ å operere med klesproduksjonens hastighet og variasjon.

Pixel ™ erstatter sying med mikro-limbasert bonding. Utenom hastighet og effisiens, hva nye design- eller ytelsesmuligheter låser dette opp for klesmerker?

Pixel ™ omdefinerer kleskonstruksjon på sømmen. Ved å erstatte sying med digitalt kontrollert mikro-limbasert bonding, får merker en langt større nøyaktighet og konsistens, resulterer i plagg som er glattere, sterkere og mer komfortable i bruk. Fordi prosessen er programvaredefinert, blir sømmer en designoverflate heller enn en begrensning, og tillater strekk, fukthåndtering, termoregulering og lettforsterkning å bli ingeniørt direkte inn i klesstrukturen.

Disse fordelene utvides utover hvordan et plagg fungerer på kroppen. Den samme digitale kontrollen som muliggjør ytelse, tillater også kleså designes for sluttbruk fra starten. Med vår Thermo(re)set ™ limformulering, kan bindinger reverseres, og det muliggjør automatisert demontering og storstilt tekstilgjenvinning. For merker, gjør Pixel ™ design, ytelse og sirkularitet integrerte resultater av konstruksjon i seg selv, heller enn konkurranseprioriteter lagt på etterpå.

Det er mye hype rundt Fysisk AI for tiden. Fra din perspektiv, hvor fungerer Fysisk AI faktisk i dag, og hvor ligger virkeligheten fortsatt bakforventningene?

Fysisk AI fungerer i dag når problemer er strukturert for intelligens heller enn brutt styrke. Vi ser virkelig fremgang i miljøer hvor persepsjon, læring og kontroll er deployert sammen innenfor ingenierte systemer—steder hvor oppgaver er gjentakende, men fortsatt krever tilpasning, og hvor maskinen faktisk kan observere og grunne om hva som betyr noe.

Hvor forventningene fortsatt løper foran virkeligheten, er rundt generell formål-embodied intelligens. Myke, deformerbare materialer forblir ett av de hardeste problemene i robotikk, fordi de introduserer delvis observasjon, ikke-lineær atferd og konstant variasjon. Fysisk AI er ikke en drop-in-erstatning for menneskelig fingernemhet, og det lykkes ikke i kaotiske eller legacy-miljøer som standard.

I praksis kommer forskjellen ned til design. Fysisk AI fungerer når den fysiske prosessen er blitt bevisst tenkt om for å redusere usikkerhet—når aksess er forenklet, tilstander er observerbare og variasjon håndteres av arkitektur heller enn ignoreres. I disse betingelsene kan læringsystemer tilpasse seg og forbedre. Uten det, er AI ofte bare kompensasjon for dårlig fysisk design.

Det er linjen vi anvender hos CreateMe. Vi behandler ikke Fysisk AI som en kortvei rundt produksjonskompleksitet. Vi behandler det som et skaleringslag som bare fungerer når den underliggende monteringsystemet har blitt redesignet fra første prinsipper. Lektionen vi har lært, er enkel: Fysisk AI skalerer når den fysiske verden er blitt ingeniørt for å la intelligensen gjøre virkelig arbeid.

Med toller, geopolitisk risiko og forsyningskjedefragilitet som blir strukturelle problemer, hvordan endrer teknologier som MeRA ™ økonomien til å bringe produksjon tilbake til USA?

For en lang tid, har outsourcing hatt økonomisk mening på et smalt arbeidskostnadsbasis, og det gjør det fortsatt for visse produkter og volumer. Utfordringen er at modellen også kommer med strukturelle ulemper: lange ledetider, dårlig etterspørselsmatch, overskuddslager og økende eksponering for toller, geopolitisk risiko og logistisk forstyrrelse. Disse kostnadene var ofte skjult eller tolerert til nylig.

Teknologier som MeRA ™ endrer økonomien ved å gjøre en annen driftsmodell mulig i USA. MeRA ™ reduserer avhengighet av manuell arbeidskraft og erstatter det med høy-gjennomstrømnings, automatisert produksjon som kan kjøre i en kompakt, omkonfigurerbar fotavtrykk. Det betyr noe innenlands, hvor arbeidskraft er dyrt og fleksibilitet er mer verdifull enn ren skala.

Bare så viktig, MeRA ™ flytter klesproduksjon vekk fra sying og mot statisk, limbasert montering. Det fjerner avhengighet av spesialisert syarbeidskraft og erstatter det med roller som er raskere å trene og enklere å skala i USA. Dette gjør arbeidskraft fra en strukturell flaskehals til en håndterbar inngang, som er kritisk for noen realistisk tilbakeføringsstrategi.

Nøkkelskiftet er ikke om å bringe alt tilbake. I praksis, selv et beskjedent lag av nærmarked-produksjon—ofte 5-10% av volumet—kan materielt endre økonomien til hele forsyningskjeden. Denne fleksible kapasiteten tillater merker å svare på virkelig etterspørsel, jakte på vinnere og unngå overproduksjon måneder i forveien. MeRA ™ gjør dette laget økonomisk mulig ved å støtte rask digitalt bytte, mindre batch-størrelser og konsistent utgang uten å avhenge av spesialisert arbeidskraft.

I denne konteksten, stopper tilbakeføring å være en binær eller politisk beslutning. Teknologier som MeRA ™ gjør det til en porteføljevalg. Utviklingsproduksjon spiller fortsatt en rolle for skala og kostnadseffektivitet, men automatisert, nærmarked-kapasitet blir en strategisk hevel for hastighet, motstandskraft og kapital-effektivitet. Resultatet er en mer balansert forsyningskjede, hvor selv begrenset USA-produksjon kan betydelig redusere risiko og forbedre den totale økonomien.

Hvordan bør klesmerker tenke annerledes om produktutforming når produksjonsbegrensningene ikke lenger er de samme som i tradisjonelle kutte-og-sying-miljøer?

Tradisjonell klesdesign reflekterer den herskende logikken i kutte-og-sying-produksjon: tosidig aksess, nåle-penetrering, søm-tilgjengelighet størrelse for menneskelige hender, og konstruksjonsmetoder optimalisert for manuell repetisjon. Disse er ikke innebygde krav til plagg; de er artefakter av hvordan plagg har blitt laget.

Automatisert, limbasert montering introduserer en annen designlogikk. Å designe for automatisering betyr å anta enkelt-side-aksess, digitalt kontrollert lim-deponering og høyrepeterbar eksekvering. Det muliggjør mindre interne søm-toleranser, mer presise lim-linjer og lavere profil-montering som er både strukturelt solide og estetisk renere enn sydde ekvivalenter.

Fordi lim deponeres heller enn sydd, kan designere arbeide trygt med komplekse og uregelmessige kanter, flytende geometrier og stoffomvandlinger eller lamineringer som ville være vanskelige eller umulige å gjøre med sying. Visuell kompleksitet trenger ikke lenger å bli støttet av fysisk bulk. Resultatet er et mer minimalistisk, raffinert konstruksjonspråk som er naturlig for automatisering heller enn tilpasset fra håndarbeid.

Dette tilnærmingen utvider også materiale-friheten. I motsetning til søm-teip, som vanligvis er høy-temperatur og hovedsakelig begrenset til syntetiske materialer, tillater deponert lim automatisering over et bredt spekter av stoffer, inkludert organiske og ømfølsomme materialer som kasjmir, silke, ull og lær. Materialevalg skifter fra “hva kan syes pålitelig” til “hva tjener best produktet”.

I denne konteksten, å designe for automatisering er ikke begrensende; det er generativt. Kreativ intensjon, estetisk uttrykk og produksjonslogikk er alignert fra starten. Design blir både mer presist og mer uttrykksfullt, med automatisering som håndterer konsistens og eksekvering mens designere fokuserer på form, funksjon og differensiering.

Hva ser den menneskelige rollen ut som innen en høyautomatisert klesfabrikk, og hva nye ferdigheter blir kritiske når robotikk tar over repetitive oppgaver?

I en høyautomatisert klesfabrikk, skifter den menneskelige rollen fra repetitiv manuell eksekvering til å operere, overvåke og forbedre automatiserte monteringsystemer fra ende til ende. I stedet for lange sy-linjer, er mindre lag organisert rundt robot-celler, med produksjonsteknikere, celle-overvåkere og prosess-spesialister ansvarlige for ytelse, kvalitet og oppetid over hele produksjonsflyten.

Produksjonsteknikere arbeider hånd-i-hånd med robotikk, visjonssystemer og limbasert bindingsutstyr. De overvåker robot-celler, finjusterer deponeringsstier og bindingsparametere, håndterer materiale-interaksjoner over forskjellige stoffer og griper inn når variasjon eller kant-tilfeller oppstår. Kvalitetsikring er kontinuerlig heller enn sampet; visjonssystemer inspekterer plassering, justering og lim-konsistens i sanntid, mens mennesker overvåker terskler, tolker anomali og bestemmer når og hvordan å justere prosessen.

Dette modellen leverer materielt høyere kvalitet og repetisjon enn manuell produksjon. Automatisert deponering og plassering reduserer variasjon, mens digitalt kvalitetsikring muliggjør konsistent eksekvering over hver enhet heller enn å avhenge av nedstrøms-inspeksjon. Menneskelig dømmekraft anvendes der det adderer mest verdi—vurderer unntak, finjusterer toleranser og forbedrer system-ytelse over tid.

Å realisere dette krever en bevisst opplærings- og kompetansemodell innbygget direkte i produksjonsoperasjoner. Arbeidere trenes til å lese produksjonsdashboards, tolke visjon- og sensorsdata, forstå lim-kvalitetsmetrikk og samarbeide trygt med robot-systemer. De lærer hvordan lim-atferd, materiale-egenskaper og prosessparametere samhandler, og hvordan disse variablene vises i kvalitetsdata.

Over tid, skjer kompetanseoppbygging fra grunnleggende system-operasjon til dypere prosess-eierskap. Gjennom strukturert på-arbeids-trening, sertifikat-lignende moduler og mentorat, utvikler teknikere ferdigheter i årsak-analyse, forebyggende vedlikehold og kontinuerlig forbedring. Resultatet er en teknisk flytende arbeidsstyrke i stand til å opprettholde høykvalitets, repetitiv produksjon i skala—en hvor automatisering høyner både produkt-konsistens og menneskelig evne heller enn erstatter det.

Seende fremover fem til ti år, hvordan ser du Fysisk AI omformer ikke bare klær, men produksjon generelt—and hvor ønsker du CreateMe å ha den største innvirkningen?

Vår mening er at den største muligheten for Fysisk AI i produksjon over de neste fem til ti årene ligger i oppgaver med den høyeste variasjonen og kompleksiteten, ikke i områder som allerede er godt betjent av rigid automatisering. Blant de hardeste problemene er hvor materialer er myke, fleksible eller tredimensjonale, og hvor virkelige variasjoner historisk har begrenset automatisering.

Denne utfordringen er mest akutt i myk-materiale-sammenføyning. Klesproduksjon er det tydeligste eksemplet, men samme dynamikk eksisterer i forbruker-elektronikk med fleksible komponenter, i medisinske produkter, i møbler og i bil-interiører. Over disse kategoriene, sying og myk-vare-sammenføyning står for den høyeste arbeidskostnaden og forblir de minst automatiserte delene av produksjonsprosessen.

Fra vår perspektiv, vil tidlig fremgang i Fysisk AI bli drevet av høyvertikale systemer. Mekanisk design og robotikk-formfaktorer vil bli tilpasset spesifikke anvendelser og materialer, heller enn generaliserte inkarnasjoner. Hva skalerer over disse vertikale, er ikke maskinvaren, men intelligensen: persepsjon, kontroll og lærings-systemer som muliggjør maskiner å forstå deformerbare materialer, justere komplekse kanter, tilpasse variasjon og utføre limbasert sammenføyning pålitelig.

Over de neste ti årene og utover, tror vi at mer generelle og humanoid-inkarnasjoner vil bli stadig mer vanlige når inkorporert intelligens modnes og deployering akselererer. Når humanoid-roboter flytter fra piloter til millioner, og potensielt titalls millioner, av deployede enheter over det neste tiåret, vil tekstil-baserte eksoskjeletter og myke ytre lag bli kritiske menneske-maskin-grensesnitt-systemer. Å møte denne etterspørselen i skala, vil kreve limbasert, automatiserings-nativ montering, og åpner en ny industriell kategori i intelligent myk-materiale-fabrikasjon.

Dette er konteksten hvor CreateMe’s visjon sitter.

CreateMe’s visjon er å lede transformasjonen av myk-materiale-sammenføyning. Å gjøre den automatiserte sammenføyningen av tekstiler og fleksible materialer like programmerbar, skalerbar og adaptiv som programvare. Mens mekaniske og robotiske implementasjoner vil variere med vertikale i kort tid, forblir den underliggende utfordringen konsistent: myk-materiale-håndtering og sying dominerer arbeidskostnad og motstår tradisjonell automatisering.

Hva som forener disse markedene, er en felles Fysisk AI-kapasitetssett—systemene som styrer persepsjon, deformerbart materiale-manipulasjon, kant-justering, lim-logikk og adaptiv sammenføyning over stoffer og formfaktorer. Ved å bevise denne kapasiteten i klesproduksjon, ett av de mest krevende produksjonsmiljøene, ønsker CreateMe å låse opp automatisering over en langt bredere sett av industrier og muliggjøre både neste generasjon myk-vare-produksjon og de myke grensesnitt som vil omringe intelligente maskiner.

Takk for det flotte intervjuet og dine detaljerte svar, lesere som ønsker å lære mer, bør besøke CreateMe.