CreateMe 首席执行官兼创始人 Cam Myers – 访谈系列

卡姆·迈尔斯CreateMe 的首席执行官兼创始人于 2019 年创立了该公司，旨在通过先进的自动化技术实现服装制造的现代化。他常驻旧金山湾区，拥有丰富的从业经验，曾在 ADM Investment Partnership 担任投资顾问，在 Group Commerce 的创始团队中担任早期领导职务，并在 Downtown Music Holdings 和 Publicis Groupe 担任业务拓展职务。他还是世界经济论坛全球创新者社区的成员，这体现了他对技术驱动型产业转型的广泛承诺。

CreateMe 是一家人工智能机器人公司，致力于革新服装制造方式，以自动化、粘合式组装取代传统缝纫工艺，并运用机器人技术、计算机视觉和机器学习技术。其专有的制造平台能够实现更快、更本地化、更可持续的服装生产，减少浪费，缩短供应链，同时使公司在下一代软商品制造领域处于领先地位。

在创立 CreateMe 之前，您曾是多个创始团队的成员，从事过投资和咨询工作，并在 DoubleClick 和 Group Commerce 等公司担任过职务。这些技术、金融和运营方面的经验是如何影响您创立 CreateMe 并着手解决自动化服装制造这样复杂问题的？

在加入 CreateMe 之前，我是一名技术通才，曾从事过软件、电子商务、投资和早期运营等多个领域的工作。参与创业团队（包括 Group Commerce）的经历，就像是在职MBA学习。这迫使我跨学科思考，并了解技术、经济和运营如何在实际的限制条件下相互作用。

这种视角让我对服装行业有了不同的认识。通过电商创业公司，我不断看到同样的失败案例重演：低销量、大幅折扣，以及大量库存最终被报废或送往垃圾填埋场。大多数人将这些问题归咎于商品销售或预测失误。但从技术角度来看，很明显，这些都反映出更深层次的问题——生产系统无法响应实际需求。

这一洞见源于跨学科的整合。服装行业的问题并非源于某个单一环节的运作不善。我们意识到，这并非简单的调整或优化就能解决的问题；它需要从零开始，从根本上重新思考材料、机器和软件，将它们视为一个整体系统。

CreateMe正是源于这种信念。这本质上是一个技术问题，需要用技术来解决。正是跨学科的特性让我们首先意识到这一点，也正是CreateMe的独特之处。我们着手将服装制造视为一个系统和自动化挑战，并构建一个能够改变行业运作方式的平台。

CreateMe目前在机器人、材料科学和自动化领域拥有大量专利。最初是什么技术洞见让您确信这个问题可以通过物理人工智能解决？

2019年我们创立CreateMe时，我们相信服装制造自动化终于有了一条切实可行的途径，但前提是必须重新思考整个流程。面料是一种可变形的、状态依赖型材料。它会拉伸、移位，并在处理过程中改变其特性。微小的变化会迅速累积。在这种情况下，开环控制和预编程运动都会失效。问题不在于机器人的精度，而在于如何充分理解材料状态并据此做出相应的操作。

我们取得的第一个真正进展来自于装配模式的改变。通过用粘合取代连续缝合，我们可以在静态固定状态下组装服装，而无需像以前那样在面料运动时进行操作。这消除了一个主要的变异来源，并实现了对对齐和连接的直接控制。结合传统的机器视觉、基于机器学习的计算机视觉、基于规则的逻辑和机器人技术，这使得特定操作的可靠自动化成为可能。这项技术很早就证明了一个重要的事实：只要工艺流程设计得当，可变形材料也可以通过机械方式进行处理。

早期的系统也暴露了其局限性。传统的基于规则的机器视觉在几何形状简单、条件严格约束的情况下表现良好。但它们无法应对服装领域最复杂的难题，尤其是在面料形状、方向和接触方式会随空间不断变化的复杂三维拼接中。以当时的感知和建模工具而言，实现这些操作的端到端自动化根本无法实现。

物理人工智能正是在此开始改变格局。感知、传感和具身智能的进步使得我们能够理解三维可变形材料，并实现“观察、决策和行动”之间的闭环。尽管我们仍处于将这些模型应用于物理装配的早期阶段，但即使是早期应用也已经拓展了可自动化服装、面料和复杂三维连接操作的范围。系统不再仅仅编写脚本来执行操作，而是能够越来越智能地推断材料状态，实时调整，并端到端地执行连接操作。每次粘合操作都会生成关于纺织品如何响应力、热和几何形状的数据，从而使性能能够在使用过程中不断改进和提升。

简而言之，我们早期的工具证明了可行性。而物理人工智能则解锁了完整性和规模化。从脚本化自动化到端到端智能装配的这一发展历程，让我们确信这个问题不仅可以解决，而且可以推广到各种服装和材料领域。我们广泛的专利组合也体现了这一发展路径。解决可变形材料装配问题需要在机器人、材料科学和自动化领域进行创新，而物理人工智能则开启了最复杂的连接方式。

由于软性商品的复杂性，服装制造业长期以来一直难以实现全面自动化。是哪些突破最终让 CreateMe 跨越了这一门槛？

对于 CreateMe 而言，跨越自动化门槛是由两个相关的转变驱动的：服装的物理组装方式，以及机器在组装过程中如何感知和处理面料。

第一个突破体现在服装结构上。通过从缝纫转向粘合，我们无需在组装过程中接触面料的两面。服装可以在静态固定状态下，仅需单面操作即可完成，而无需像以往那样通过缝纫机进行折叠、翻转和张紧。这显著降低了操作的复杂性，并消除了一个主要的变异来源。由于面料只需从单面支撑和操作，对齐和连接就变成了可控问题，传统的机器视觉和机器人技术可以可靠地自动化服装制造中相当一部分工序。

从基本原理来看，这种方法比机器人缝纫更易于自动化。缝纫试图在织物不断变形的情况下，以连续运动的方式复制人类的灵巧性。而基于粘合剂的组装则将问题重新定义为可控定位和离散连接，这更适合机器人技术。

这种方法也明确了剩余的挑战。随着我们进入更复杂的三维连接领域——表面以不断变化的角度相交，材料性能在接触过程中也会发生变化——规则和传统的基于机器视觉的方法都达到了极限。要实现涵盖服装和纺织品所有可变性的端到端自动化，就需要更具适应性的感知和控制。

物理人工智能正是在此发挥着关键作用。感知、传感和具身控制技术的进步使得在三维空间中解读织物几何形状和材料状态，并在装配过程中实时响应成为可能。在 CreateMe，即使是这些技术的早期应用，也正在拓展服装、面料和复杂三维连接操作的自动化范围，最大限度地减少人工干预。

简而言之，工艺流程的重新设计——粘合、单侧操作和静态装配——使自动化成为可能。而物理人工智能则使自动化能够实现端到端操作，并能应对现实世界中的各种变化，从而使服装制造业摆脱狭义的自动化，迈向随着复杂性增加而不断改进的系统。

MeRA™ 为服装生产引入了一种模块化、机器人装配方法。该系统与传统工厂自动化有何根本区别？

MeRA™ 与传统工厂自动化有着根本的不同，因为它是围绕服装制造业的具体限制而设计的，而不是从建立在刚性部件和稳定流程基础上的行业中改造而来。

传统自动化假设产品几何形状固定、材料可预测且变异性有限。换型需要依赖大量工装、机械结构受限的设置以及针对特定工艺的夹具。这种模式适用于产品变化极少的情况。但在服装行业，由于材料易变形、款式更新换代迅速，且生产必须高速运转才能实现经济效益，因此这种模式便不再适用。

MeRA™ 的设计理念与此截然相反。服装生产需要一套能够处理柔软面料、应对不断变化的面料种类以及频繁换型且无需中断生产的系统。为此，MeRA™ 采用模块化、软件定义的装配架构。每个模块执行独立的操作，并可根据产品、面料或产量的变化进行重新配置、复制或重新部署。换型过程通过软件实现，无需进行物理改造。

MeRA™ 的架构设计旨在最大限度地提高速度和控制力。装配过程尽可能在二维空间内进行，因为在二维空间中，视觉、对准和运动控制的速度最快、精度最高；只有在成型或连接需要时，才会过渡到严格控制的三维操作。传统的自动化流程是将零件推送到固定的三维工作单元中；而 MeRA™ 通过设计最大限度地降低三维复杂性，从而保持生产效率。

MeRA™ 结合数字粘合技术，以可编程的单面操作取代了传统的机械约束连接。无需翻转衣物、管理持续张力或在加工过程中操作双面。这缩短了生产周期，降低了错误率，并实现了服装和纺织品的快速数字化换模。

简而言之，传统自动化将工艺流程硬编码到硬件中。而 MeRA™ 则在软件中定义工艺流程，并使其适应不同的材料。这种转变——从物理改造到数字化切换，从固定工作流程到模块化装配——使得 MeRA™ 能够以服装生产所需的速度和变化性运行。

Pixel™技术以微粘合剂粘合取代了缝线。除了速度和效率之外，这项技术还能为服装品牌带来哪些新的设计或性能可能性？

Pixel™重新定义了服装缝合处的结构。它以数字化控制的微粘合取代传统缝线，使品牌能够获得更高的精度和一致性，从而打造出更平滑、更结实、穿着更舒适的服装。由于该工艺由软件定义，缝合处不再是限制因素，而是设计元素，可以将弹性、吸湿排汗、温度调节和轻质加固等功能直接融入服装结构中。

这些优势不仅限于服装的穿着性能。提升性能的数字化控制技术，也使得服装从一开始就能兼顾其生命周期结束后的回收利用。我们采用的 Thermo(re)set™ 粘合剂配方，可实现可逆粘合，从而实现自动化拆解和大规模纺织品回收。对于品牌而言，Pixel™ 将设计、性能和循环利用融为一体，使其成为服装生产过程中的必然结果，而非事后叠加的相互冲突的考量因素。

目前物理人工智能领域非常火爆。从您的角度来看，物理人工智能目前在哪些方面真正发挥作用，又在哪些方面与预期存在差距？

如今，物理人工智能只有在问题结构设计得更智能而非依赖蛮力时才能发挥作用。我们看到，在感知、学习和控制被整合到工程系统中的环境中，人工智能正取得真正的进展——在这些环境中，任务虽然可重复，但仍需要适应，机器能够真正观察并推理出真正重要的东西。

在通用具身智能领域，人们的期望仍然高于现实。柔软可变形的材料仍然是机器人领域最棘手的问题之一，因为它们会引入部分可观测性、非线性行为和持续变化。物理人工智能并不能直接替代人类的灵巧性，而且默认情况下也无法在混乱或遗留的环境中取得成功。

实际上，区别在于设计。物理人工智能只有在物理过程经过精心重新设计以减少不确定性时才能有效运作——例如，简化访问、状态可观察、并通过架构管理而非忽略变异性。在这些条件下，学习系统可以适应并改进。否则，人工智能往往只是在弥补糟糕的物理设计。

这就是我们在CreateMe所秉持的理念。我们并不把物理人工智能视为规避制造复杂性的捷径，而是将其视为一个扩展层，只有在底层装配系统从根本上重新设计之后才能发挥作用。我们得到的教训很简单：只有当物理世界经过精心设计，能够让智能真正发挥作用时，物理人工智能才能实现规模化扩展。

随着关税、地缘政治风险和供应链脆弱性成为结构性问题，像 MeRA™ 这样的技术如何改变制造业回流美国的经济状况？

长期以来，从劳动力成本的角度来看，离岸外包在经济上是合理的，对于某些产品和产量而言，它仍然如此。然而，这种模式也存在结构性缺陷：交货周期长、供需不匹配、库存过剩，以及日益增加的关税、地缘政治风险和物流中断风险。这些成本往往被掩盖或容忍，直到近期的冲击迫使人们对其进行深入审视。

MeRA™等技术改变了经济格局，使一种全新的运营模式在美国成为可能。MeRA™减少了对人工的依赖，取而代之的是高通量、自动化生产，而且这种生产方式可以在紧凑、可重构的空间内运行。这在美国国内至关重要，因为那里的劳动力成本高昂，灵活性比单纯的规模更重要。

同样重要的是，MeRA™ 将服装生产从依赖灵巧手技的缝纫方式转变为静态粘合装配。这减少了对稀缺且训练有素的缝纫劳动力的依赖，取而代之的是在美国更容易培训和规模化的岗位。这使得劳动力从结构性瓶颈转变为可控的投入，这对任何切实可行的制造业回流战略都至关重要。

关键的转变并非在于完全恢复原状。实际上，即使是适度的近市场生产——通常占总产量的5%至10%——也能显著改变整个供应链的经济效益。这种灵活的产能使品牌能够响应实际需求，抓住市场热点，并避免提前数月过度生产。MeRA™ 通过支持快速数字化切换、更小的批量生产以及稳定的产量，使这一生产环节在经济上可行，而无需依赖专业劳动力。

在此背景下，制造业回流不再是一个非此即彼或政治性的决策。MeRA™等技术将其转化为一种投资组合选择。海外制造在规模和成本效益方面仍然发挥作用，但自动化、近市场产能成为提升速度、韧性和资本效率的战略杠杆。最终形成一个更加平衡的供应链，即使美国本土产能有限，也能显著降低风险并改善整体经济效益。

当生产制造的限制不再像传统裁剪缝纫环境那样严格时，服装品牌应该如何转变产品设计思路？

传统服装设计反映了裁剪缝纫制造的普遍逻辑：双面开口、针刺穿透、适合人手操作的缝份，以及针对手工重复性优化的制作方法。这些并非服装的固有要求，而是服装制作方式的产物。

自动化粘合装配引入了一种不同的设计逻辑。面向自动化的设计意味着假定单侧操作、数字化控制的粘合剂涂覆以及高度可重复的执行。这使得内部接缝公差更小、胶线更精确，并且装配体轮廓更低，与缝合装配相比，其结构更稳固、外观更简洁。

由于采用的是粘合剂点涂而非缝合，设计师可以自信地处理复杂不规则的边缘、流畅的几何形状以及用缝纫难以甚至无法实现的织物转换或层压效果。视觉上的复杂性不再需要依靠厚重的体积来支撑。最终呈现出的是一种更加简约、精致的结构语言，这种语言源于自动化而非手工制作。

这种方法也扩大了材料的选择范围。与通常耐高温且主要局限于合成材料的缝合胶带不同，点胶技术可以实现自动化，适用于包括有机材料和羊绒、丝绸、羊毛、皮革等精细材料在内的多种面料。材料选择也从“什么材料能可靠地缝制”转变为“什么材料最能满足产品需求”。

在此背景下，自动化设计并非限制性的，而是创造性的。创意意图、美学表达和制造逻辑从一开始就保持一致。设计变得更加精准且更具表现力，自动化负责确保一致性和执行力，而设计师则专注于形式、功能和差异化。

在高度自动化的服装工厂中，人类的角色是什么样的？随着机器人取代重复性工作，哪些新技能变得至关重要？

在高度自动化的服装工厂中，人的角色从重复性的手工操作转变为操作、监督和改进端到端的自动化装配系统。工厂不再采用长长的缝纫线，而是围绕机器人单元组建小型团队，由制造技师、单元主管和工艺专家负责整个生产流程的性能、质量和正常运行时间。

制造技术人员直接操作机器人、视觉系统和粘合剂粘合设备。他们监控机器人单元，调整点胶路径和粘合参数，管理不同织物上的材料相互作用，并在出现偏差或异常情况时进行干预。质量保证是持续性的，而非抽样式的：视觉系统实时检测位置、对齐情况和粘合一致性，而人工则监控阈值、解读异常情况，并决定何时以及如何调整工艺。

与手工生产相比，该模式在质量和重复性方面均有显著提升。自动化沉积和放置降低了变异性，而数字化质量保证则确保了每个单元的一致性，无需依赖后续的检测。人工判断则应用于最能发挥其价值的环节——评估异常情况、优化公差以及持续改进系统性能。

要实现这一点，需要将精心设计的培训和技能提升模式直接融入到生产运营中。员工接受培训，学习如何读取生产仪表盘、解读视觉和传感器数据、理解粘合质量指标，以及安全地与机器人系统协作。他们学习粘合剂性能、材料特性和工艺参数之间的相互作用，以及这些变量如何在质量保证数据中体现出来。

随着时间的推移，技能提升从基本的系统操作逐步发展到更深入的流程掌控。通过结构化的在职培训、认证式模块和导师指导，技术人员能够掌握根本原因分析、预防性维护和持续改进等方面的技能。最终，他们将拥有一支技术娴熟、能够大规模维持高质量、可重复生产的员工队伍——在这个队伍中，自动化提升的是产品的一致性和人的能力，而不是取代人。

展望未来五到十年，您认为物理人工智能将如何重塑服装行业乃至更广泛的制造业？您希望 CreateMe 在哪些领域产生最大的影响？

我们认为，未来五到十年，物理人工智能在制造业领域最大的机遇在于那些变化性和复杂性最高的任务，而非那些已被僵化自动化充分满足需求的领域。其中最棘手的问题包括材料柔软、可弯曲或三维变形，以及现实世界中各种因素历来限制自动化的领域。

这一挑战在软性材料组装领域尤为突出。服装行业是最明显的例子，但同样的问题也存在于采用柔性组件的消费电子产品、医疗产品、家具和汽车内饰等领域。在这些领域中，缝纫和软性材料组装环节的人工成本最高，自动化程度也最低。

在我们看来，物理人工智能的早期进展将由高度垂直化的系统驱动。机械设计和机器人外形将针对特定应用和材料进行优化，而非采用通用方案。能够在这些垂直领域中实现规模化的并非硬件，而是智能：即感知、控制和学习系统，这些系统使机器能够理解可变形材料、对齐复杂边缘、适应变化并可靠地执行粘合装配。

我们相信，在未来十年及更长的时间里，随着具身智能的成熟和部署速度的加快，更通用、更人形化的机器人将日益普及。未来十年，随着人形机器人从试验阶段发展到数百万甚至数千万台的部署规模，基于纺织材料的外皮肤和柔软的外层将成为至关重要的人机交互系统。大规模满足这一需求需要采用基于粘合剂的自动化原生组装技术，从而在智能软材料制造领域开辟一个新的工业领域。

这就是 CreateMe 愿景的背景。

CreateMe 的愿景是引领软材料装配的变革，使纺织品和柔性材料的自动化装配像软件一样可编程、可扩展和自适应。虽然短期内不同垂直行业的机械和机器人实现方式会有所不同，但核心挑战始终如一：软材料处理和缝纫耗费大量人力，难以实现传统自动化。

这些市场的共同之处在于共享一套物理人工智能能力——这些系统能够控制感知、可变形材料操控、边缘对齐、粘合逻辑以及跨织物和形状的自适应组装。CreateMe 通过在服装这一要求极高的制造环境中验证这项能力，旨在为更广泛的行业解锁自动化，并推动下一代软商品制造以及未来将日益围绕智能机器的软界面发展。

感谢您接受采访并作详细解答，想了解更多信息的读者可以访问[此处插入链接]。 CreateMe.