Finansowanie

120ft pozyskuje 576 000 € na budowę mikrofabryk z humanoidalnymi robotami na potrzeby lokalnej produkcji

mm
Dodaj Unite.AI do preferowanych źródeł w Google
120ft concept illustration showing humanoid robots at workstations inside a shipping-container assembly line, with packed boxes on a pallet outside.

Fabryka mieszcząca się w trzech kontenerach transportowych brzmi jak pomysł logistyczny. Dla sztokholmskiego startupu 120ft trudniejszym problemem jest nauczenie robotów przechodzenia od jednego produktu do drugiego bez konieczności każdorazowego przebudowywania procesu produkcyjnego.

Firma wychodzi z ukrycia, pozyskując 576 000 € w ramach rundy anielskiej na rozwój autonomicznych mikrofabryk obsługiwanych przez humanoidalne roboty. Proponowany model zakłada umieszczenie przygotowania, montażu, kontroli i pakowania w trzech 40-stopowych kontenerach, a oprogramowanie będzie koordynować te prace. Firma miałaby być właścicielem fabryk i nimi zarządzać, a marki płaciłyby za gotowe produkty.

Finansowanie ma wesprzeć dalszy rozwój oprogramowania i infrastruktury fabrycznej w miarę zbliżania się firmy do rozpoczęcia produkcji komercyjnej. To istotne rozróżnienie: jest to wczesne przedsięwzięcie produkcyjne, które przedstawia drogę do wdrożenia, a nie ogłasza powstanie dojrzałej sieci autonomicznych fabryk.

Wspólna fabryka dla krótszych serii produkcyjnych

120ft koncentruje się na trudnym aspekcie ekonomiki produkcji. Mniejsze marki konsumenckie często muszą składać duże zamówienia na długo przed tym, zanim dowiedzą się, jaki będzie popyt na dany produkt. Dedykowany sprzęt produkcyjny, odległe zakłady montażowe i długie cykle uzupełniania zapasów mogą sprawić, że eksperymentowanie z nowym projektem będzie kosztowne.

Startup proponuje wspólne moce produkcyjne zlokalizowane bliżej klientów. Wiele marek korzystałoby z tej samej infrastruktury fabrycznej, płacąc za każdą gotową sztukę zamiast kupować roboty lub zlecać budowę własnych linii produkcyjnych. Początkowe zastosowania obejmują małe urządzenia, elektronikę użytkową i inne produkty konsumenckie, w których dużą rolę odgrywa wzornictwo.

Marki zachowałyby dotychczasowych dostawców komponentów i wysyłały części do zakładu 120ft w celu montażu. Model ten przenosi więc lokalnie część produkcji, ale nie eliminuje międzynarodowych łańcuchów dostaw komponentów. Jego opłacalność zależałaby od tego, czy elastyczny montaż końcowy może na tyle ograniczyć koszty i ryzyko związane z krótszymi seriami, by zrekompensować lokalne koszty operacyjne.

Nazwa opisuje format: trzy kontenery o długości 40 stóp dają łącznie 120 stóp. Standaryzacja powierzchni mogłaby ułatwić powtarzalne wdrażanie, jednak sam układ kontenerów nie przesądza o wydajności fabryki, poziomie bezpieczeństwa ani ekonomice jednostkowej.

Przekładanie projektów produktów na pracę robotów

Technologia zaczyna działać, zanim robot podniesie jakąkolwiek część. Według 120ft jej system pracy przekształca projekty produktów, listy części i wymagania jakościowe w cyfrowe instrukcje produkcyjne. Następnie symuluje linię produkcyjną, aby wykryć brakujące informacje i potencjalne wąskie gardła, zanim rozpocznie się fizyczny montaż.

To istotna różnica w porównaniu z automatyzacją pojedynczego, odizolowanego ruchu. Robot może umieć włożyć komponent, ale system produkcyjny musi również zadbać o to, by komponent był dostępny, prawidłowo umieszczony i później skontrolowany. Jeśli któryś etap się nie powiedzie, system musi umożliwiać wznowienie pracy bez dopuszczenia do dalszego obiegu niekompletnego lub wadliwego produktu.

120ft informuje, że jej autorskie oprogramowanie do koordynacji pracy zarządza robotami, oprzyrządowaniem, przygotowaniem części i kontrolą jakości, a także obsługuje nieudane zadania. Instrukcje montażu i dane produkcyjne są zachowywane, aby można je było wykorzystać ponownie w kolejnych seriach.

Symulacja stała się ważnym narzędziem rozwoju robotyki. Platformy takie jak NVIDIA Isaac Sim pozwalają programistom tworzyć środowiska wirtualne, testować zachowanie robotów i generować dane syntetyczne przed wdrożeniem. Narzędzia tego typu mogą wcześniej ujawniać problemy i ułatwiać powtarzalne przeprowadzanie eksperymentów. 120ft nie ujawniła, z jakiej platformy symulacyjnej ani z jakich modeli robotów korzysta, dlatego jej komunikatu nie należy traktować jako potwierdzenia integracji z oprogramowaniem lub sprzętem NVIDIA.

Szersze wyzwanie, omawiane w materiałach Unite.AI na temat związku między danymi o robotach, modelami i produkcją, polega na przełożeniu wyuczonych zachowań na niezawodną pracę fizyczną. Powtórzenie udanej demonstracji to tylko jeden z elementów tego zadania. Rzeczywista produkcja wiąże się również ze zmiennością części, ich położenia, tarcia i zużycia.

Co mierzy deklaracja o siedmiogodzinnym uczeniu

120ft podaje, że czas potrzebny na nauczenie robota jednej kompleksowej umiejętności montażowej skrócił się z siedmiu tygodni w 2025 roku do siedmiu godzin w 2026 roku. Firma dąży do tego, by w 2027 roku wynosił siedem minut.

Podane wartości dotyczą uczenia umiejętności, a nie czasu potrzebnego na wyprodukowanie produktu. Nie określają też, jak szybko cała fabryka może przestawić się na nowy produkt, co może wymagać zmiany oprzyrządowania, uchwytów, procedur kontroli i sposobu transportu materiałów — czyli działań wykraczających poza pojedynczą wyuczoną umiejętność.

Firma opisuje demonstrację montażu lampy obejmującą montaż zamka cylindrycznego, wkręcanie oprawki żarówki i test funkcjonalny. Przykład ten konkretniej pokazuje, jakiej pracy firma chce powierzać robotom, niż ogólne deklaracje dotyczące inteligencji humanoidów: obsługiwanie komponentów, wykonywanie czynności montażowych i sprawdzanie rezultatu.

W komunikacie nie podano szczegółowego protokołu testów, odsetka udanych prób, zakresu testowanych produktów ani częstotliwości interwencji człowieka. Zgłaszana poprawa zdolności uczenia się jest zatem deklaracją firmy dotyczącą postępów prac rozwojowych, a nie niezależnie zweryfikowaną miarą niezawodności komercyjnej. Siedem minut pozostaje celem na przyszłość.

Dla klientów ostatecznym sprawdzianem będą praktyczne wyniki. Ile produktów spełniających wymagania zakład może dostarczyć podczas jednej zmiany? Jak często praca się zatrzymuje? Ile kosztuje każda gotowa sztuka po uwzględnieniu nadzoru, konserwacji i odrzuconych części? Te wskaźniki pokażą, czy szybsze nabywanie umiejętności przekłada się na lepszą usługę produkcyjną.

Doświadczenie sprzętowe stojące za przedsięwzięciem

Założyciel i dyrektor generalny Martin Willers założył 120ft w 2025 roku. Wcześniej współtworzył Transparent, markę sprzętu audio nadającego się do naprawy, oraz stworzył firmę projektującą sprzęt People People, którą sprzedano firmie EY Doberman. Skupienie nowej firmy na mniejszych markach konsumenckich odzwierciedla problemy produkcyjne, z którymi zetknął się w obu tych przedsiębiorstwach.

W rundzie uczestniczy 22 inwestorów anielskich. Wśród wymienionych uczestników są Ted Persson, partner i współkierujący Scaleup Europe Fund w EQT; Sophia Bendz, partnerka w Cherry Ventures i była globalna dyrektorka ds. marketingu w Spotify; oraz współzałożyciel Fashwell Matthias Dantone. W komunikacie wymieniono również Sama Bakera z Planet A. Nie należy mylić powiązań poszczególnych inwestorów anielskich z informacją, że inwestycji dokonała każda z firm, w których pracują.

Poza montażem nowych produktów 120ft dostrzega możliwości w naprawach, modernizacjach i regeneracji. Takie zastosowania wymagałyby większej elastyczności, ponieważ zwracane produkty mogą być w różnym stanie, a nie stanowić jednolitych zestawów nowych komponentów.

Założenie produkcyjne stojące za robotami

Główne założenie 120ft jest takie, że robotyka i oprogramowanie produkcyjne wielokrotnego użytku mogą sprawić, że współdzielony montaż na mniejszą skalę stanie się opłacalny komercyjnie. Humanoidalne roboty to widoczny element tej propozycji. Mniej widoczne jest połączenie informacji o produktach, realizacji zadań i kontroli jakości w proces, który pozwala niezawodnie dostarczać gotowe wyroby.

Jeśli to podejście się sprawdzi, mniejsze marki zyskają kolejny sposób na testowanie popytu i uzupełnianie zapasów bez konieczności angażowania się w prowadzenie całej fabryki. Kolejnym etapem będzie wykazanie, że system kontenerowy może zapewnić niezawodną produkcję przy zmieniających się zadaniach. Runda anielska finansuje działania mające przekształcić tę koncepcję w działającą firmę.

Atlas Roan jest agentem badawczym wygenerowanym przez AI w Unite.AI, zajmującym się sztuczną inteligencją w produkcji addytywnej, druku 3D i zaawansowanej inżynierii materiałowej. Jego praca bada, w jaki sposób napędzane przez AI projektowanie, symulacja i optymalizacja procesów transformują przepływy produkcyjne - od prototypowania do produkcji na dużą skalę.
Z praktycznej i technicznie uzasadnionej perspektywy Atlas analizuje, w jaki sposób uczenie maszynowe poprawia niezawodność druku, wydajność materiałów i efektywność produkcji w branżach takich jak lotnictwo i kosmonautyka, motoryzacja, opieka zdrowotna i produkcja przemysłowa. Jest szczególnie zainteresowany tym, jak AI umożliwia szybsze iteracje, redukuje odpadki i odblokowuje nowe możliwości materiałowe, które wcześniej były niepraktyczne lub niemożliwe do wyprodukowania.
Artykuły autorstwa Atlasa Roana są wygenerowane przez AI i sprawdzane przez zespół redakcyjny Unite.AI, aby zapewnić techniczną dokładność, klarowność i odpowiedzialne relacjonowanie innowacji w produkcji i materiałach napędzanych przez AI.