Największe wyzwanie stojące przed fizyczną sztuczną inteligencją może być fizyczne, a nie sztuczne

Za prawie każdym przyciągającym uwagę nagłówkami demo w branży Physical AI kryje się ta sama prawda: maszyna jest prototypem, a prototypy nie są produktami. Zbudowanie jednego działającego robota to wyczyn inżynieryjny. Zbudowanie tysiątego, po cenie, którą ktoś zapłaci, bez zespołu specjalistów gotowych opiekować się nim w razie awarii, to zupełnie inne wyzwanie i jest to wyzwanie, z którym branża dopiero zaczyna się mierzyć.

Ta przepaść, pomiędzy demonstrowaniem inteligencji a produkcją na skalę, kształtuje się jako prawdziwe pole bitwy wyścigu Physical AI. I coraz częściej wygląda to mniej jak problem AI, a bardziej jak problem przemysłowy.

Od jednorazowego do linii montażowej

Każdy, kto przeniósł produkt sprzętowy od prototypu do produkcji, wie, że pierwsza sztuka to najłatwiejsza część.

Robot prototypowy może działać na niestandardowym siłowniku obrabianym ręcznie, czujniku pozyskiwanym od butikowego dostawcy z dwumiesięcznym czasem realizacji, lub pakiecie baterii składanym przez tych samych inżynierów, którzy go zaprojektowali. Nic z tego nie ma znaczenia, gdy istnieje tylko jedna sztuka. Wszystko to staje się poważnym obciążeniem przy skali dziesięciu tysięcy.

Dostawcy muszą być kwalifikowani, zazwyczaj dwukrotnie, aby pojedynczy pożar w fabryce lub opóźnienie w wysyłce nie wstrzymały produkcji. Elementy zaprojektowane pod maksymalną wydajność w laboratorium często muszą być przystosowane pod względem tolerancji, trwałości i przede wszystkim kosztu. Procesy montażowe, które działały w małym zespole doktorów rozwiązujących problemy ręcznie, muszą być uproszczone tak, aby technik na linii produkcyjnej mógł wykonać je w minutach, nie w dniach.

Ta praca nazywana jest projektowaniem pod kątem produkcji. Jest wolna, jest żmudna, to właśnie tam toczy się coraz częściej walka inżynieryjna w Physical AI, i jest to bitwa, w której wiele dobrze finansowanych, technicznie genialnych firm robotycznych przegrało.

Imponujące demonstracje nie wygrywają na rynkach

Istnieje naturalny instynkt odziedziczony po dekadzie cykli technologicznych napędzanych oprogramowaniem, zakładający, że ten, kto zbuduje najinteligentniejszy model lub najbardziej ludzki robot, wyjdzie na prowadzenie. Ten instynkt dobrze służył inwestorom w AI ogólnie. Prawdopodobnie wprowadzi ich w błąd w Physical AI.

Biznesy sprzętowe nie wygrywa się w dniu demonstracji, lecz w kolejnych latach, na podstawie ekonomiki jednostkowej, odporności łańcucha dostaw i zdolności utrzymania tysięcy maszyn w terenie bez małej armii inżynierów na dyżurze.

Energia słoneczna stanowi przydatny precedens. Panele, które ostatecznie zdominowały rynek, nie były koniecznie najwydajniejsze w laboratorium; były to te, które firmy mogły produkować niezawodnie, przy spadających kosztach i rosnącej objętości. Samochody elektryczne przeszły podobną ścieżkę, gdzie łańcuchy dostaw baterii i wydajność produkcji były tak ważne jak jakiekolwiek pojedyncze przełomy inżynieryjne. Physical AI, z robotami zbudowanymi z dziesiątek lub setek komponentów, z których każdy może być punktem awarii, może okazać się jeszcze mniej wyrozumiały. Firma oferująca po prostu dobrego robota, popieranego niezawodnymi dostawcami i krzywą kosztów, która co kwartał opada, prawdopodobnie przewyższy rywala z olśniewającym robotem, który można wyprodukować jedynie tuzin sztuk na raz.

AI może przyspieszyć inżynierię, nie fizykę

Czy AI sama nie zamknie tej przepaści? W pewnym stopniu, tak. Narzędzia do projektowania generatywnego już badają geometrie komponentów, których żaden inżynier nie pomyślałby spróbować. Symulacja, przyspieszona przez uczenie maszynowe, skraca cykle testowe, które kiedyś trwały miesiącami. Modele predykcyjne mogą wskazać, którzy dostawcy lub materiały prawdopodobnie spowodują problemy z wydajnością, zanim zostanie wyprodukowana pierwsza część.

Te narzędzia są prawdziwymi przyspieszaczami, a firmy, które je skutecznie wykorzystują w inżynierii i zaopatrzeniu, będą poruszać się szybciej niż te, które tego nie robią.

Jednak istnieje twardy limit, jak bardzo można skrócić harmonogram, ponieważ świat fizyczny nie iteruje tak, jak oprogramowanie. Nowy stop musi nadal przejść testy zmęczeniowe liczone w tysiącach cykli. Linia fabryczna musi być nadal wyposażona, uruchomiona i przejść własną wyboistą krzywą uczenia, zanim wydajność się ustabilizuje. Żadna symulacja nie skraca miesięcy potrzebnych na kwalifikację nowego materiału ani kwartałów potrzebnych na uruchomienie nowej linii produkcyjnej. Każda firma budująca swoją mapę drogową na założeniu, że terminy sprzętu znikną tak, jak terminy oprogramowania, przygotowuje się na nieprzyjemną, a bardzo publiczną, niespodziankę.

Przeoczone wąskie gardła

Jeśli jest jedna lekcja z poprzednich cykli sprzętowych, to że komponenty, którym poświęca się najmniej uwagi, zwykle powodują największe opóźnienia.

W Physical AI prawdopodobnie zaczyna się od siłowników, czyli silników i mechanizmów dających robotowi moment obrotowy i precyzję niezbędną do wykonywania fizycznej pracy. Są one wciąż w ograniczonej podaży, pochodzą z niewielkiej puli wykwalifikowanych producentów, a uruchomienie nowej zdolności produkcyjnej zajmuje lata, nie kwartały.

Następnie dochodzi do czujników. Kamery, czujniki siły i systemy proprioceptywne, które pozwalają maszynie postrzegać otoczenie, wciąż są drogie i niedojrzałe w stosunku do wymagań masowego, rzeczywistego wdrożenia.

Rozciąga się to także na samą produkcję. Branża mocno polegała na skoncentrowanym zestawie regionów i dostawców, struktura ta jest coraz częściej postrzegana jako strategiczna słabość, co skłania firmy do bardziej rozproszonych, redundantnych baz produkcyjnych, nawet jeśli oznacza to poświęcenie pewnej efektywności.

I kończy się to energią: bateriami, elektroniką zasilania i infrastrukturą ładowania, które będą musiały rosnąć równolegle z flotami maszyn pracujących nieprzerwanie w magazynach, domach i miejscach pracy. Żadna z tych kategorii nie będzie tytułowa w keynote. Wszystkie prawdopodobnie zdecydują, kto faktycznie dostarczy produkty.

Zapowiedź większego rozrachunku

Boom Physical AI jest w istocie żywym testem założenia, z którym branża technologiczna stała się komfortowa: że inteligencja, gdy zostanie zbudowana, skaluje się swobodnie. To założenie w dużej mierze obowiązuje w oprogramowaniu. Nie obowiązuje w fabrykach.

Obliczenia mogą podwoić się z dnia na noc. Modele mogą się poprawiać po nowym treningu. Wdrożenie może nastąpić naciśnięciem przycisku. Łańcuchy dostaw nie mogą podwoić się z dnia na noc. Wykwalifikowani technicy, kwalifikowani dostawcy i dojrzałe linie produkcyjne potrzebują lat, aby się zbudować, i żaden skok w możliwości modelu nie skróci tego harmonogramu.

Żadne z tego nie oznacza, że Physical AI jest przereklamowane ani że podstawowa technologia nie jest prawdziwa. Oznacza to, że środek ciężkości przesuwa się z sztucznej inteligencji na infrastrukturę fizyczną. Firmy i inwestorzy, którzy wcześnie zrozumieją tę zmianę i przeznaczą realne zasoby na zdolności produkcyjne oraz odporność łańcucha dostaw, zamiast kolejnego efektownego demo, będą tymi, które prawdopodobnie nadal będą stały, gdy obecna fala wirusowych filmów ustąpi miejsca wolniejszej i trudniejszej pracy faktycznego wdrażania tych maszyn w skali.