Cam Myers, VD och grundare av CreateMe – Intervjuserie

Cam Myers, VD och grundare av CreateMe, lanserade företaget 2019 med en vision att modernisera tillverkning av kläder genom avancerad automation. Med bas i San Francisco Bay Area har han en bred bakgrund som omfattar investeringsrådgivning på ADM Investment Partnership, tidig ledning i grundarteamet för Group Commerce och affärsutvecklingsroller på Downtown Music Holdings och Publicis Groupe (PU4.DE ). Han är också medlem i Världsekonomiskt forums globala innovatörsgemenskap, vilket speglar hans bredare åtagande för teknikutvecklad industriell transformation.

CreateMe är ett AI-robotikföretag som revolutionerar hur kläder tillverkas genom att ersätta traditionellt sydde med automatiserad, limbaserad montering som drivs av robotik, datorseende och maskinlärning. Deras proprietära tillverkningsplattform möjliggör snabbare, mer lokaliserad och mer hållbar tillverkning av kläder, vilket minskar avfall och förkortar leverantörskedjor samtidigt som företaget positionerar sig i framkanten av nästa generations tillverkning av mjuka varor.

Innan du grundade CreateMe var du del av grundarteam, arbetade i investerings- och rådgivningsroller och hade positioner på företag som DoubleClick och Group Commerce. Hur formade den mixen av teknik, ekonomi och operativ erfarenhet ditt beslut att starta CreateMe och tackla något så komplext som automatiserad tillverkning av kläder?

Innan CreateMe kom jag från en bakgrund som teknisk generalist, arbetande över software, e-handel, investeringar och tidiga operativa roller. Att vara del av startup-team, inklusive Group Commerce, var en på-arbetsplats-MBA. Du tvingas tänka över discipliner och se hur teknik, ekonomi och operationer faktiskt interagerar under riktiga begränsningar.

Den perspektiven ledde mig till en annan slutsats om kläder. Genom e-handelsstarter såg jag samma misslyckanden upprepa sig: låg försäljning, tung rabattning och stora volymer av lager som till slut skrevs av eller skickades till deponi. De flesta människor ramade in det som varuexponerings- eller prognosproblem. Att se på det genom en teknisk lins var det tydligt att de var symptom på något djupare – tillverkningssystem som inte kunde svara på riktiga krav.

Insikten kom från att koppla ihop prickarna över discipliner. Kläder var inte trasiga för att någon enskild del av systemet var dåligt körd. Vi insåg att det inte var något som kunde justeras eller optimeras; det krävde en ren-skal, första-princip-tänkande om material, maskiner och programvara som ett system.

CreateMe kom ur den övertygelsen. Detta var i grunden ett tekniskt problem, och det behövde en teknisk lösning. Att vara tvärvetenskaplig var vad gjorde det synligt från första början, och det är varför CreateMe:s tillvägagångssätt ser annorlunda ut. Vi satte oss att behandla tillverkning av kläder som ett system- och automationsproblem, och bygga en plattform som kunde förändra hur branschen faktiskt fungerar.

CreateMe har nu ett betydande patentportfölj över robotik, materialvetenskap och automation. Vilka var de tidigaste tekniska insikterna som övertygade dig om att det här problemet var lösbar med fysisk AI?

När vi grundade CreateMe 2019 trodde vi att det fanns en trovärdig väg att automatisera tillverkning av kläder, men bara om processen i sig omformulerades. Tyg är ett deformerbart, tillståndsberoende material. Det sträcker sig, skiftar och ändrar beteende när det hanteras. Små variationer ackumuleras snabbt. Under dessa förhållanden bryts öppen-styrsystem och förprogrammerad rörelse ner. Problemet var inte robotprecision. Det var att förstå materialets tillstånd tillräckligt bra för att agera på det.

Vår första riktiga framsteg kom från att ändra monteringsmodellen. Genom att ersätta kontinuerligt sydde med limbaserad montering kunde vi montera kläder i en statisk, fast monterad tillstånd snarare än medan tyget var i rörelse. Det tog bort en stor källa till variation och gjorde att justering och montering kunde kontrolleras direkt. Kombinerat med traditionellt datorseende, ML-baserat datorseende, regelbaserad logik och robotik gjorde detta tillförlitlig automation möjlig för en definierad uppsättning operationer. Det bevisade något viktigt tidigt: deformerbara material kunde hanteras mekaniskt om processen strukturerades korrekt.

De tidiga systemen gjorde också gränserna tydliga. Traditionella regelbaserade datorseende fungerar bra när geometrin är enkel och förhållandena är tätt begränsade. De fungerar inte i skala för de svåraste problemen i kläder, särskilt komplex tredimensionell montering där tygform, orientering och kontakt utvecklas kontinuerligt i rummet. Slutmål-automation av dessa operationer var inte möjlig med de tillgängliga perception- och modellverktygen vid den tiden.

Det är där fysisk AI har börjat förändra ekvationen. Framsteg inom perception, känslighet och inkarnerad intelligens gör det möjligt att förstå deformerbara material i tre dimensioner och stänga loopen mellan att se, besluta och agera. Vi är fortfarande i de tidiga omgångarna av att tillämpa dessa modeller på fysisk montering, men redan tidiga implementeringar utökar redan omfånget av kläder, tyger och komplexa 3D-monteringsoperationer som kan automatiseras. Istället för att skriva beteende kan systemet alltmer resonera om materialets tillstånd, anpassa sig i realtid och utföra monteringsoperationer från början till slut. Varje limmad operation genererar data om hur en textil svarar på kraft, värme och geometri, vilket tillåter prestanda att förbättras och generaliseras genom användning.

I korthet bevisade våra tidiga verktyg genomförbarhet. Fysisk AI är vad som låser upp fullständighet och skala. Den progressionen, från skriptad automation till slut-mål-intelligent montering, är vad som övertygade oss om att det här problemet inte bara var lösbar, utan också utvidgningsbart över kläder och material. Bredden på vår patentportfölj speglar den vägen. Att lösa deformerbart material montering krävde uppfinningar över robotik, materialvetenskap och automation, med fysisk AI som öppnar upp de mest komplexa formerna av montering.

Kläder har länge motstått full automation på grund av mjuka varors komplexitet. Vilka genombrott gjorde det möjligt för CreateMe att korsa den tröskeln?

För CreateMe har att korsa automationsgränsen drivits av två relaterade skift: hur kläder fysiskt monteras och hur maskiner uppfattar och agerar på tyg under monteringen.

Det första genombrottet var arkitektoniskt. Genom att flytta från sydde till limbaserad montering eliminerade vi behovet av att komma åt båda sidor av tyget under monteringen. Kläder kan byggas med enkel-sid-tillgång, i en statisk, fast monterad tillstånd, snarare än att vikas, vändas och spännas genom en symaskin. Det minskade manipulationens komplexitet och tog bort en stor källa till variation. Med tyg understött och tillgängligt från en sida blev justering och montering kontrollerbara problem, och traditionellt datorseende och robotik kunde tillförlitligt automatisera en betydande del av klädernas konstruktion.

Från första principer är detta i grunden mer automatiserbart än robot-syning. Syning försöker replikera mänsklig skicklighet i kontinuerlig rörelse medan tyg är aktivt deformerat. Limbaserad montering omformulerar problemet kring kontrollerad positionering och diskreta fogar, vilket är mycket bättre lämpat för robotik.

Detta tillvägagångssätt klargjorde också den kvarstående utmaningen. När vi flyttade in i mer komplex tredimensionell montering – där ytor möts vid förändrade vinklar och materialets beteende skiftar när kontakt görs – nådde regel- och traditionella maskinbaserade tillvägagångssätt sina gränser. Slutmål-automation över hela variabiliteten av kläder och textilier krävde mer adaptiv perception och kontroll.

Det är där fysisk AI spelar en kritisk roll. Framsteg inom perception, känslighet och inkarnerad kontroll gör det möjligt att tolka tygs geometri och materialets tillstånd i tre dimensioner och svara i realtid under monteringen. Hos CreateMe utökar även tidiga tillämpningar av dessa förmågor redan omfånget av kläder, tyger och komplexa 3D-monteringsoperationer som kan automatiseras med minimal inblandning.

I korthet gjorde process-omformulering – limning, enkel-sid-tillgång och statisk montering – automation möjlig. Fysisk AI är vad som möjliggör att automationen kan flytta mot slut-mål-drift och skala över verkliga variationer, vilket tillåter kläder att gå utöver smal automation och mot system som förbättras när komplexitet ökar.

MeRA introducerar en modulär, robotbaserad monteringsmetod för kläder. Hur skiljer sig detta system fundamentalt från traditionell fabriksautomation?

MeRA skiljer sig fundamentalt från traditionell fabriksautomation eftersom det utformades kring de specifika begränsningarna för kläder, snarare än anpassad från industrier byggda på styva delar och stabila processer.

Traditionell automation antar fast geometri, förutsägbara material och begränsad variation. Byte hanteras genom verktygsintensiva, mekaniskt begränsade inställningar och processspecifika monteringar. Den modellen fungerar när produkterna sällan ändras. Den bryter ner i kläder, där material är deformerbara, stilar snabbt och produktionen måste köras med hög hastighet för att vara ekonomiskt livskraftig.

MeRA börjar med motsatta antaganden. Kläder kräver ett system som kan hantera mjuka material, konstant variation och frekvent byte utan att produktionen stoppas. För att göra det använder MeRA en modulär, programvarudefinierad monteringsarkitektur. Varje modul utför en diskret operation och kan omkonfigureras, dupliceras eller omplaceras när produkter, tyger eller volymer ändras. Byte sker digitalt, i programvaran, snarare än genom fysisk omkonfiguration.

Arkitektoniskt är MeRA utformat för att maximera både hastighet och kontroll. Montering hålls i två dimensioner så länge som möjligt, där syn, justering och rörelse är snabbast och mest precisa, innan den övergår till tätt kontrollerade tredimensionella operationer endast när formning eller montering kräver det. Traditionell automation trycker delar genom fasta 3D-arbetsceller; MeRA minimerar 3D-komplexitet genom design för att bevara genomströmning.

I par med digital limbaserad montering ersätter MeRA mekaniskt begränsad montering med en programmerbar, enkel-sid-åtgärd. Det finns inget behov av att vända kläder, hantera kontinuerlig spänning eller komma åt båda sidor under processen. Det minskar cykeltiden, sänker felraten och möjliggör snabb digital byte över kläder och textilier.

I korthet kodar traditionell automation processen i hårdvara. MeRA definierar processen i programvara och anpassar den till materialet. Den skiftet – från fysisk omkonfiguration till digital byte, och från fasta arbetsflöden till modulär montering – är vad som tillåter MeRA att fungera med den hastighet och variation som kläder kräver.

Pixel ersätter sydde med mikro-limbaserad montering. Utöver hastighet och effektivitet, vilka nya design- eller prestandamöjligheter låser detta upp för klädmärken?

Pixel omdefinierar klädtillverkning vid sömmen. Genom att ersätta sydde med digitalt kontrollerad mikro-limbaserad montering får märkena en mycket större precision och konsekvens, vilket resulterar i kläder som är slätare, starkare och mer bekväma att ha på sig. Eftersom processen är programvarudefinierad blir sömmar en designyta snarare än en begränsning, vilket tillåter stretch, fukthantering, termoreglering och lättviktigt förstärkning att konstrueras direkt in i klädernas struktur.

De fördelarna sträcker sig utöver hur en klänning fungerar på kroppen. Samma digitala kontroll som möjliggör prestanda tillåter också att kläder kan designas för återvinning från början. Med vår Thermo(re)set-limbaserade formel kan bindningar återställas, vilket möjliggör automatiserad demontering och storstilad textilåtervinning. För märken gör Pixel design, prestanda och cirkularitet integrerade resultat av tillverkning i sig, snarare än konkurrerande prioriteringar som lagts till efteråt.

Det finns mycket hype kring fysisk AI just nu. Var fungerar fysisk AI verkligen idag, och var ligger verkligheten fortfarande efter förväntningarna?

Fysisk AI fungerar idag när problem är strukturerade för intelligens snarare än brutalt tvång. Vi ser verklig framsteg i miljöer där perception, inlärning och kontroll deployeras tillsammans inom konstruerade system – platser där uppgifter är upprepningsbara men fortfarande kräver anpassning, och där maskinen faktiskt kan observera och resonera om vad som är viktigt.

Där förväntningarna fortfarande ligger före verkligheten är kring allmänna, generiska, inkarnerade intelligenser. Mjuka, deformerbara material förblir ett av de svåraste problemen i robotik eftersom de introducerar partiell observerbarhet, icke-linjärt beteende och konstant variation. Fysisk AI är inte en ersättning för mänsklig skicklighet, och den lyckas inte i kaotiska eller äldre miljöer som standard.

I praktiken kommer skillnaden ner till design. Fysisk AI fungerar när den fysiska processen har omformulerats för att minska osäkerhet – när tillgång förenklas, tillstånd är observerbara och variation hanteras av arkitektur snarare än ignorerad. Under dessa förhållanden kan lärande system anpassa sig och förbättras. Utan det är AI ofta bara kompenserar för dålig fysisk design.

Det är den linsen vi tillämpar på CreateMe. Vi behandlar inte fysisk AI som en genväg runt tillverkningskomplexitet. Vi behandlar den som ett skalningsskikt som bara fungerar när den underliggande monteringssystemet har omformulerats från första principer. Lektionen vi har lärt oss är enkel: fysisk AI skalar när den fysiska världen har konstruerats för att låta intelligensen göra verkligt arbete.

Med tullar, geopolitisk risk och leverantörskedjefragilitet som blir strukturella problem, hur förändrar tekniker som MeRA ekonomin för att föra tillbaka tillverkning till USA?

För en lång tid har utlokalisering av tillverkning varit ekonomiskt motiverad på grund av låga arbetskostnader, och det är fortfarande så för vissa produkter och volymer. Utmaningen är att modellen också kommer med strukturella nackdelar: långa ledtider, dålig matchning av utbud och efterfrågan, överflödig lagerhållning och ökad exponering för tullar, geopolitisk risk och logistiska störningar. Dessa kostnader var ofta dolda eller tolererade tills nyliga chocker tvingade en närmare titt.

Tekniker som MeRA förändrar ekonomin genom att göra en annan driftsmodell möjlig i USA. MeRA minskar beroendet av manuellt arbete och ersätter det med höghastighetsautomatiserad produktion som kan köras i en kompakt, omkonfigurerbar fotavtryck. Detta är viktigt inomlands, där arbetskraft är dyr och flexibilitet är mer värdefull än ren skala.

Just så viktigt är att MeRA förskjuter klädproduktion från sydde till limbaserad montering. Det tar bort beroendet av sällsynt, högt utbildad syarbetskraft och ersätter det med roller som är snabbare att utbilda och enklare att skala i USA. Detta förvandlar arbetskraft från en strukturell flaskhals till en hanterbar inmatning, vilket är avgörande för varje realistisk strategi för återlokalisering.

Nyckelskiftet är inte att föra allt tillbaka. I praktiken kan även ett blygsamt lager av nära-marknadsproduktion – ofta 5-10% av volymen – förändra ekonomin för hela leverantörskedjan. Den flexibla kapaciteten tillåter märken att svara på riktiga krav, jaga vinnare och undvika överproduktion månader i förväg. MeRA gör att det lagret blir ekonomiskt genomförbart genom att stödja snabb digital byte, mindre batchstorlekar och konsekvent utdata utan att bero på specialiserad arbetskraft.

I det sammanhanget slutar återlokalisering att vara ett binärt eller politiskt beslut. Tekniker som MeRA förvandlar det till ett portföljval. Utlokalisering av tillverkning spelar fortfarande en roll för skala och kostnadseffektivitet, men automatiserad, nära-marknads kapacitet blir en strategisk hävstång för hastighet, motståndskraft och kapital-effektivitet. Resultatet är en mer balanserad leverantörskedja, där till och med begränsad USA-produktion kan minska risk och förbättra den övergripande ekonomin.

Hur bör klädmärken tänka annorlunda om produktdesign när tillverkningsbegränsningar inte längre är desamma som de var i traditionella cut-and-sew-miljöer?

Traditionell kläddesign speglar den rådande logiken för cut-and-sew-tillverkning: två-sid-tillgång, nålpenetration, sömsmån storleksanpassad för mänskliga händer och konstruktionsmetoder optimerade för manuell repetitivitet. Detta är inte inneboende krav på kläder; det är artefakter av hur kläder har tillverkats.

Automatiserad, limbaserad montering introducerar en annan designlogik. Att designa för automation innebär att anta enkel-sid-tillgång, digitalt kontrollerad limdeposition och högt repetitivt utförande. Det möjliggör mindre inre sömsmån, mer precisa limlinjer och lägre profilmonteringar som är både strukturellt starka och estetiskt renare än sydda motsvarigheter.

Eftersom lim appliceras snarare än sys kan designers arbeta med komplexa och oregelbundna kanter, flytande geometrier och tygkonverteringar eller lamineringar som skulle vara svåra eller omöjliga att reproducera med sydde. Visuell komplexitet behöver inte längre stödjas av fysiskt bulk. Resultatet är ett mer minimalistiskt, raffinerat konstruktionspråk som är infödt i automation snarare än anpassat från handarbete.

Denna tillvägagångssätt utökar också materialets frihet. Till skillnad från sömtejp, som vanligtvis är högtemperatur och i huvudsak begränsad till syntetiska material, tillåter applicerat lim automation över ett brett utbud av tyger, inklusive organiska och känsliga material som cashmere, silke, ull och läder. Materiaalselektion skiftar från “vad kan sys tillförlitligt” till “vad som bäst tjänar produkten”.

I detta sammanhang är att designa för automation inte begränsande; det är genererande. Kreativ avsikt, estetisk uttryck och tillverkningslogik är anpassade från början. Design blir både mer exakt och mer uttrycksfull, med automation som hanterar konsekvens och utförande medan designers fokuserar på form, funktion och differentiering.

Vad ser den mänskliga rollen ut som i en högt automatiserad klädfabrik, och vilka nya färdigheter blir kritiska när robotik tar över repetitiva uppgifter?

I en högt automatiserad klädfabrik skiftar den mänskliga rollen från repetitiv manuell utförande till att driva, övervaka och förbättra automatiserade monteringssystem från början till slut. Istället för långa sydda linjer är mindre team organiserade runt robotceller, med tillverkningstekniker, cellchefer och processpecialister ansvariga för prestanda, kvalitet och drifttid över hela produktionsflödet.

Tillverkningstekniker arbetar hands-on med robotik, visionsystem och limbaserad utrustning. De övervakar robotceller, justerar appliceringsvägar och limparametrar, hanterar materialesammansättningar över olika tyger och ingriper när variation eller gränsfall uppstår. Kvalitetskontroll är kontinuerlig snarare än provtagen: visionsystem inspekterar placering, justering och limkonsistens i realtid, medan människor övervakar trösklar, tolkar avvikelser och bestämmer när och hur man ska justera processen.

Denna modell levererar materialt högre kvalitet och repetitivitet än manuell produktion. Automatiserad applicering och placering minskar variation, medan digital kvalitetskontroll möjliggör konsekvent utförande över varje enhet snarare än att lita på nedströms inspektion. Mänskligt omdöme appliceras där det lägger till mest värde – utvärdering av undantag, finjustering av toleranser och förbättring av systemprestanda över tid.

Att förverkliga detta kräver en medveten utbildnings- och kompetensutvecklingsmodell som är inbäddad direkt i tillverkningsoperationer. Arbetare utbildas för att läsa produktionsinstrumentpaneler, tolka visions- och sensordata, förstå limkvalitetsmätningar och säkert samarbeta med robotiska system. De lär sig hur limbeteende, materialegenskaper och processparametrar interagerar, och hur dessa variabler visar sig i kvalitetsdata.

Över tid utvecklas kompetensutveckling från grundläggande systemdrift till djupare processägarskap. Genom strukturerad utbildning på arbetsplatsen, certifieringsmoduler och mentorskap utvecklar tekniker färdigheter i rotorsaksanalys, förebyggande underhåll och kontinuerlig förbättring. Resultatet är en tekniskt kompetent arbetskraft som kan upprätthålla högkvalitativ, repetitiv produktion i skala – en där automation höjer både produktkonsistens och mänsklig förmåga snarare än ersätter den.

Om fem till tio år, hur ser du att fysisk AI omformar inte bara kläder, utan tillverkning i stort – och var vill du att CreateMe ska ha den största påverkan?

Vår uppfattning är att den största möjligheten för fysisk AI i tillverkning under de kommande fem till tio åren ligger i uppgifter med den högsta variabiliteten och komplexiteten, inte i områden som redan är väl betjänta av styv automation. Bland de svåraste problemen är där material är mjuka, flexibla eller tredimensionella, och där verkliga variationer historiskt har begränsat automation.

Den utmaningen är mest akut i mjukt material montering. Kläder är det tydligaste exemplet, men samma dynamik finns i konsumentelektronik med flexibla komponenter, i medicinska produkter, i möbler och i bilinteriörer. Över dessa kategorier står sydde och mjuka varor för den högsta arbetskostnaden och förblir de minst automatiserade delarna av tillverkningsprocessen.

Från vår synvinkel kommer tidiga framsteg inom fysisk AI att drivas av högt vertikala system. Mekanisk design och robotiska formfaktorer kommer att anpassas till specifika applikationer och material, snarare än generaliserade inkarnationer. Vad som skalar över dessa vertikaler är inte hårdvaran, utan intelligensen: perception, kontroll och lärande system som möjliggör maskiner att förstå deformerbara material, justera komplexa kanter, anpassa sig till variation och utföra limmade montering tillförlitligt.

Över de kommande tio åren och bortom tror vi att mer allmänna och humanoida inkarnationer kommer att bli allt vanligare när inkarnerad intelligens mognar och distribution accelererar. När humanoida robotar flyttar från piloter till miljoner, och potentiellt tiotals miljoner, enheter som distribueras under det kommande decenniet, kommer textilbaserade exoskelett och mjuka yttre lager att bli kritiska mänskliga gränssnittssystem. Att möta den efterfrågan i skala kommer att kräva limbaserad, automation-nativ montering, vilket öppnar en ny industriell kategori i intelligent mjukt materialtillverkning.

Detta är sammanhanget i vilket CreateMe:s vision sitter.

CreateMe:s vision är att leda omvandlingen av mjukt material montering. Att göra den automatiserade monteringen av textilier och flexibla material lika programmerbar, skalbar och anpassningsbar som programvara. Medan mekaniska och robotiska implementeringar kommer att variera med vertikal i närtiden, förblir den grundläggande utmaningen konsekvent: mjukt materialshantering och sydde dominerar arbetskostnad och motstår traditionell automation.

Det som förenar dessa marknader är en gemensam fysisk AI-kapacitet – systemen som styr perception, deformerbart materialshantering, kantjustering, limlogik och adaptiv montering över tyger och formfaktorer. Genom att bevisa denna kapacitet i kläder, en av de mest krävande tillverkningsmiljöerna, syftar CreateMe till att låsa upp automation över en mycket bredare uppsättning industrier och möjliggöra både nästa generations mjuka varor och de mjuka gränssnitt som kommer att omge intelligenta maskiner.

Tack för den underbara intervjun och dina detaljerade svar, läsare som vill lära sig mer bör besöka CreateMe.