Меню категорий
SharesPro
02.07.2020 21:29
0
Где все роботы?

Нам обещали роботов чуть ли не везде. Полностью автономные, они должны бесперебойно водить наши машины, мыть посуду, перевозить грузы, готовить еду, выполнять лабораторные работы, писать юридические документы, подстригать газон, считать налоги и даже убирать наши дома.

И все же вместо Терминатора, WALL-E, HAL 9000 или R2-D2 все, что мы получили, — это Facebook, показывающий нам рекламу, на которую мы не хотим кликать, Netflix, рекомендующий нам еще один фильм, который нам, вероятно, не стоит смотреть, и RoomB от iRobot.

Так что пошло не так?  Где все роботы?

Это вопрос, который я пытался исследовать, создавая свою собственную робототехническую компанию (в настоящее время стелс-компанию под названием Chef Robotics в области пищевой робототехники), а также инвестируя во многие компании, занимающиеся робототехникой и ИИ, через мой фонд венчурного капитала Prototype Capital. Вот что я узнал.

Где мы сейчас?

Прежде всего надо сказать, что роботы не являются чем-то совершенно новым. Промышленные шесть степеней свободы (считаются шестью двигателями, последовательно соединенными друг с другом) роботов-манипуляторов по факту были разработаны еще в 1973 году, и их насчитывают сотни тысяч. Просто до этого момента почти все эти роботы были в чрезвычайно контролируемой среде автоматизации производства и делали то же самое снова и снова — миллионы раз. С помощью этих роботов, автоматизирующих производства, родилось множество многомиллиардных компаний, включая FANUC, KUKA, ABB и Foxconn (да, они делают своих собственных роботов). Отправляйтесь на любой завод по производству автомобилей, и вы увидите сотни (или, в случае «Теслы», тысячи) таких экземпляров. Они хорошо работают, могут собирать огромные полезные грузы — хоть целый автомобиль — и часто имеют точность вплоть до миллиметра.

В целом, мир промышленной автоматизации чрезвычайно зрел, и есть сотни «системных интеграторов», к которым вы можете обратиться, сказав:

«Я хочу машину автоматизации, которая проделает этот чрезвычайно узкий случай использования миллионы раз. Построй мне такую систему».

Вот как Coca-Cola получает наполнители для бутылок, Black & Decker — свои сверла, Proctor & Gamble — свои шампуни, и в целом как мы сегодня производим большинство продуктов. Эти системные интеграторы могут взимать с вас, например, 1 млн долларов и заставлять вас ждать год, чтобы сделать подходящую машину, но в этом мире возможна практически любая система. Их проблема заключается в том, что они в основном являются так называемыми «жесткими средствами автоматизации», поскольку представляют собой мехатронные системы и работают хорошо, если входные данные в систему точно соответствуют их предназначению и программированию; но как только вы поместите двухлитровую бутылку кока-колы в разливочную машину, рассчитанную на пол-литровую бутылку, система не будет знать, что делать, и выйдет из строя.

Другой «мир», в котором мы видим большое количество производственных роботов (за исключением чисто программных агентов искусственного интеллекта, таких как рекомендательные системы, средства поиска спама для электронной почты, системы распознавания объектов для приложения для фотографий, чат-роботы и голосовые помощники) — это хирургические роботы. Одним из основных игроков в этой области является компания под названием Intuitive Surgical (рыночная капитализация $66 млрд), которая создала и уже внедрила около 5000 телеуправляемых роботов. Обратите внимание, что эти роботы действительно дистанционно управляются врачом и не являются автономными. Но учитывая, что свыше 40% смертей в больнице связаны с ошибкой, которую допускает врач, пациенты доплачивают за эти роботизированные операции, а больницы покупают таких роботов в массовом порядке. Основные игроки, такие как Verb Surgical, Johnson & Johnson, Auris Health и Mako Robotics, следуют этой тенденции.

Вы заметите, как в отношении автоматизации производства, так и в отношении хирургических роботов, так это то, что они находятся в чрезвычайно контролируемой среде. В случае заводских роботов, в реальности они не «думают», а делают одно и то же снова и снова. А в случае хирургических роботов почти все восприятие, мышление и контроль выполняются человеком-оператором. Но как только вы заставляете автоматизационных роботов с производства думать самостоятельно или хирургического робота — принимать решения без участия человека, системы выходят из строя.

Так почему же сегодня в нашу жизнь интегрировано не так много роботов?

Ключ в том, что сегодня мы не видим роботов в повседневном мире, в котором мы живем, то есть в неконтролируемой среде. Почему мы не видим роботов в повседневной жизни? Что мешает нам достичь нашего роботизированного будущего в мире антиутопии? Это аппаратная проблема? Программная проблема? Вопрос разведки? Вопрос экономики? Вопрос взаимодействия людей?

Чтобы ответить на этот вопрос, важно понять, что на самом деле значит «робот».  В литературе робот — это агент, который представляет собой четыре вещи:

  •   Восприятие: агент воспринимает мир, используя какой-то датчик, скажем, камеру, LIDAR, радар, IMU, датчик температуры, фоторезистор или датчик давления;
  •   Размышление: на основании данных датчика агент принимает решение. Вот тут и начинается «машинное обучение»;
  •   Действие: на основании решения агент приводит в действие и изменяет физический мир вокруг него;
  •   Общение: агент общается с окружающими. Этот пункт был добавлен только недавно.

За последние 50 лет мы достигли экспоненциального прогресса в каждой из этих областей:

Восприятие: цены на камеры и другие датчики, такие как LIDAR, IMU, радар и GPS, экспоненциально снижаются. Представьте: облачные вычисления, такие как Amazon Web Services и Google Cloud Platform, сделали создание программного обеспечения безумно дешевым и позволяют вам платить только за то, что вы используете. Графические процессоры, такие как NVIDIA, были перепрофилированы с игровых видеокарт, чтобы они могли запускать параллельные процессы, которые идеально подходят для приложений машинного обучения (и теперь у нас есть облачные графические процессоры). Такие алгоритмы, как глубокие нейронные сети, построены таким образом, чтобы иметь возможность делать такие вещи, как распознавание объектов, понимание человеческого языка и даже создание нового контента.

Действие: Это, вероятно, самая зрелая сфера. Если мы разделим мир робототехники на самом высоком уровне на манипуляционные модели (взаимодействие с миром, как делаем мы своими руками) и мобильных роботов (ходьба / движение вокруг), то автомобильная промышленность решит большинство проблем в оборудовании мобильных роботов, а промышленная автоматизация  решит многие проблемы манипулирования объектами (при условии заданной позы объекта). Мы чрезвычайно искусны в создании аппаратного обеспечения, и у нас есть базовое оборудование, необходимое для создания роботов, которые смогут выполнять практически все.

Общение: благодаря интернет-революциям и мобильным технологиям 2000-х и 2010-х годов мы добились огромных успехов в мире взаимодействия с пользователями.  Мы успешны настолько, что сегодня, если мы обнаружим, что у компании нет простого UI / UX, мы автоматически не станем воспринимать ее всерьез.  Несуществующие компании, такие как Jibo, Anki и Rethink Robotics, внесли серьезный вклад в эту область.

Другими словами, чисто с технической точки зрения (позже мы перейдем к экономике и человеческому взаимодействию), непохоже, чтобы восприятие и действие являлись узкими местами. У нас действительно отличные и относительно дешевые датчики, и у нас отличная технология приведения их в действие (в основном благодаря промышленной автоматизации).

Так что проблема в основном в «мышлении». В частности, по словам декана факультета инженерии Университета Пенсильвании Виджая Кумара (Vijay Kumar) и основателя Лаборатории робототехники GRASP Пенсильванского университета, причина, по которой мы не видим роботов в нашем повседневном мире, заключается в том, что «физический мир непрерывен, а вычисления, и, как следствие, компьютерное восприятие и контроль, дискретны, а мир чрезвычайно размерен и стохастичен».  Другими словами, то что манипулятор может взять чашку чая, не означает, что он может взять бокал для вина. В настоящее время парадигма мышления, принятая большинством компаний, основана на идее машинного обучения, а точнее глубокого обучения, где основная предпосылка заключается в том, что вместо написания «программы» — как в классических вычислениях — которая требует некоторого ввода данных и выдает основанный на нем вывод, предлагается дать агенту кучу входов и выходов в виде обучающих данных, но даст ли это нам программу?  Кроме того, как мы знаем из алгебры, уравнение для линии имеет вид y = mx + b, основная идея состоит в том, что если мы дадим алгоритм машинного обучения от y и x, он сможет найти решение, например, m и b (за исключением гораздо более сложных уравнений).  Этот подход работает достаточно хорошо во многих случаях, но не во всех.

Но в безумно непредсказуемом мире, в котором мы живем, идея предоставления тонн обучающих данных, движимых идеей «видишь — делай», не работает.  Проще говоря, никогда не будет достаточно обучающих данных, чтобы предсказать каждый отдельный случай.  Мы не знаем то, чего не знаем, и если у нас нет обучающих данных для каждого отдельного случая, который когда-либо случался с агентом в прошлом и когда-либо случится с агентом в будущем, эта модель глубокого обучения не сможет привести нас к полной автономии (как вы можете предсказать, что-то, в возможности чего вы даже не уверены?). Люди как разумные существа могут мыслить;  агенты, основанные на глубоком обучении, не мыслят — они сопоставляют шаблоны, и если текущее состояние, в котором находится агент, не соответствует ни одному из шаблонов, которые ему уже были заданы, робот выходит из строя (или, в случае автономных транспортных средств, — вылетает).

Что мы можем сделать, чтобы интегрировать больше роботов?

Так что, возможно, глубокие нейронные сети — это не совсем верный способ достижения 100% автономных систем (именно поэтому такие компании, как OpenAI, вкладывают средства в алгоритмы обучения, которые имитируют «павловский» подход к обучению, основанный на вознаграждении / наказании). Но в то же время стартапы озаботились следующим: что если вопрос «как создать полностью автономного агента» — неправильный вопрос?

Ripcord, компания из Хейворда, штат Калифорния, которая занимается автономной оцифровкой бумаги, как раз олицетворяет идею от капа от 100% -ной автономии.  Сегодня корпорации обременены тысячами пачек бумаги, нуждающейся в оцифровке —  «ни один человек не получал высшее образование для того, чтобы скреплять бумаги степлером», — говорит генеральный директор Алекс Филдинг (Alex Fielding), — и поэтому они отправляют бумаги в Ripcord, где пачки попадают в ячейки роботов, которые размещают каждый лист в нужный слот, сканируют его, а затем снова складывают. Одна из вещей, которые поразили нас во время общения с Алексом на фабрике, заключалась в том, что он ни разу не упомянул идею «автоматизации людей». Если говорить точнее, его цель заключается в том, чтобы с помощью Ripcord сделать человека в 40 раз более эффективным, а не заменить его машиной. Мы видели это своими глазами — один человек наблюдает за четырьмя роботизированными рабочими камерами. К примеру, один из роботов быстро сменял в себе листы бумаги, пока не обнаружил лист, который смутил его.  В этот же момент человек, наблюдающий за системой, получил на экране четкое уведомление с проблемой. Человек решил проблему в течение 10 секунд, и робот вернулся к работе над следующими листами.

Так что вопрос о том, как создать успешную робототехническую компанию, не звучит так «Как нам создать агентов для автоматизации работы людей?»,  а скорее так: «Как нам создать агентов, которые сделают людей в 40 раз более эффективными, в то же время используя их интеллект для отработки всех непредвиденных случаев?». На фоне того, как стремительно развивается искусственный интеллект, это, кажется, и есть формула для создания успешных компаний.

Другая компания, которая иллюстрирует этот подход, — Kiwi Robotics. Базируясь в Беркли, штат Калифорния, Kiwi производит мобильных роботов для доставки еды.  Но генеральный директор Фелипе Чавесом (Felipe Chávez) заявляет:

«Мы не AI-компания;  мы компания по доставке еды».

Когда Фелипе основал Kiwi, он не инвестировал в наем множества дорогих инженеров машинного обучения; напротив, после создания аппаратного прототипа, он создал программное обеспечение с низкой задержкой, чтобы иметь возможность телеуправления Kiwi. Идея изначально заключалась в том, что люди принимают 100% решений, но в то же время постепенно создаются алгоритмы, которые помогут уменьшить эти 100% человеческих решений до полной автономии. Сегодня Kiwi имеет команду из десятков телеоператоров в Колумбии (где родился Фелипе) и на данный момент осуществила более 100 тыс. поставок. Один человек может наблюдать за несколькими роботами, и робот принимает практически все решения, а люди просто корректируют его курс. С другой стороны, многие конкуренты, которые вкладывают средства в полную автономию, пока не сумели выполнить и 1000 поставок.

В обоих этих случаях одним из наиболее важных факторов являются не алгоритмы машинного обучения, а скорее человеко-машинный интерфейс. Неужели это именно то, чего не хватает современным робототехническим компаниям? Кинан Уайробек (Keenan Wyrobek), основатель компании Zipline, занимающейся доставкой крови с помощью дронов, и пионер робототехники на ранних этапах, признается, что он «хоть и получает «сокращенные объемы требуемой рабочей силы, которые идут на пользу для… владельцев бизнеса на рынке США, бесчисленные робототехнические стартапы терпят неудачу с таким мышлением. Убедитесь, что ваша команда разработчиков и инженеров сосредоточена на том, чтобы сделать всех пользователей вашей системы более продуктивными… Все равно, насколько хорош ваш робот, у него в любом случае есть пользователи (люди, которые настраивают его, перенастраивают, устраняют неисправности, поддерживают и т. д.).  И если эти пользователи не находятся в центре вашего процесса проектирования, ваши роботы не будут работать достаточно хорошо, чтобы хоть когда-либо увидеть [n] ROI».

Далее, по словам Амара Ханспала (Amar Hanspa), генерального директора Bright Machines и бывшего со-генерального директора Autodesk, «общим фактором является то, что робототехнические компании начинают в первую очередь с технологии (это сложно и немало увлекательно, поэтому технология становится конечной целью), а не с проблемы, которую они пытаются решить. Ключ в том, чтобы ... определить проблему, которую вы пытаетесь решить, а затем построить вокруг нее отличный UX. Робототехника — это средство для достижения цели, а не самоцель».

Что еще мы можем сделать, чтобы увидеть больше роботов в повседневном мире?

До сих пор мы могли видеть, что одна из основных причин, по которой робототехника в повседневном мире не оправдала своих обещаний, заключается в том, что мир чрезвычайно стохастичен, а искусственный интеллект, основанный на моделях глубокого обучения, просто не достаточно хорош, чтобы иметь дело с каждым частным случаем. Так что, возможно, вместо модели экономии труда робототехническим компаниям следует принять модель «человеческого увеличения». Возьмите Apple и Рlaybook от Airbnb, ориентированный на человека, ориентированный на дизайн, а не на инженерную деятельность, и инвестируйте в удивительный пользовательский опыт.

Вот несколько других вещей, которые мы можем сделать, чтобы вывести роботов на передний план.

Во-первых, продать продукт, прежде чем строить его. В мире программного обеспечения Кремниевой долины The Lean Startup от Эрика Райса (Eric Ries) популяризировал идею «быстрого запуска и быстрой итерации, пока вы не попадете на рынок продуктов». Для программных стартапов эта схема работает безумно хорошо.  Но с аппаратным обеспечением и робототехникой в ​​конечном итоге происходит то, что инженеры-стартапы с большим количеством талантов изначально фокусируются не на продажах, а скорее на разработке, и они строят, строят, строят.  Затем они обращаются к покупателям, чтобы продать, а клиенты говорят: «Это не совсем соответствует нашим целям», у компаний не хватает «взлетно-посадочной полосы», чтобы повторить успех, и затем они умирают. Это происходило снова и снова. Похоже, что для программных стартапов подход бережливого запуска работает, так как вы можете запускать большую часть проектов бесплатно (благодаря облаку), провести одно испытание в полевых условиях, быстро развернуться, и у вас останется пять или шесть ударов по цели, прежде чем вы истощите запас денег, полученный в ходе ранних раундов финансирования.  Но в мире оборудования у вас есть начальные затраты, развертывания медленные, циклы итераций медленные, и у вас есть только один или два удара по цели в запасе.

Стоит прояснить, что мы чрезвычайно искусны в оборудовании; просто Кремниевой долины, ориентированной на программное обеспечение, не существует (за исключением Apple и Tesla)  Возможно, одной из причин является отсутствие предварительных продаж. Пример: представитель Boeing не подошел к Хуану Триппу (Juan Trippe), легендарному основателю авиакомпании Pan Am Airlines, и не сказал: «Вот Boeing 747 — вам нравится? Нет? Позвольте начать заново и создать новую версию ... Вам теперь нравится? (именно это и называется итерацией). Вместо этого Boeing попросил Pan Am оформить предварительный заказ на десятки единиц оборудования со всеми предварительными функциями, чтобы Boeing смогли построить товар правильно с первого раза.  Другими словами, Boeing продает свой продукт, прежде чем строить его. Так делают большинство компаний, строящих оборудование, и компаний из военных отраслей.  Может быть, компании, занимающиеся роботами, могут взять на заметку эту страницу из книги Билла Гейтса и продавать MS-DOS IBM, прежде чем писать MS-DOS.

Одним из преимуществ продажи до строительства является то, что вы можете проверить работоспособность в действии.  Робототехника — одна из тех областей, где существует не только технический, но и экономический риск. Исторически многие компании обнаружили, что, даже если они смогли найти отличную идею в стесненных условиях, создать технологию, привлечь венчурный капитал и построить отличное сотрудничество между людьми и машинами, экономически они не имеют смысла, и в очередной раз терпят неудачу. Продавая еще до строительства, вы должны проанализировать экономику своего клиента, а также свою собственную экономику, и убедиться, что этот проект имеет смысл. Если вы пытаетесь продать свой продукт перед сборкой, и никто не хочет его покупать, это означает, что ваши клиенты, вероятно, не купят его, и что вы можете переходить к следующей идее.

В более общем плане в области экономики нам необходимо перейти от первоначальных моделей денежных средств к робототехнике как модели обслуживания. Многие клиенты, которые будут покупать роботизированные приложения, имеют крайне низкую маржу и не могут позволить себе заплатить 100 тыс. долларов + аванс за систему (даже если период окупаемости составляет год или два). Масла в огонь подливает еще и тот факт, что стоимость активации продукта нередко оказывается слишком высокой, чтобы что-то менять, когда «уже есть что-то, что как-то работает». Таким образом клиенты отклоняют продукт (и тогда стартап умирает).

Мы можем позаимствовать опыт отрасли солнечных батарей / фотоэлектрических элементов: экономически солнечные батареи имеют смысл для многих домовладельцев, но в 2000-х годах мы видели крайне мало интегрированных солнечных батарей. Почему? Для большинства американцев предварительная плата была слишком велика, хотя через несколько лет экономика обретает смысл. Переломный момент был не техническим, а скорее финансовым в случае таких компаний, как Solar City, Sunrun, Sun Power и другими, внедряющими инновации в модель, где клиент платит ровным счетом $0 авансом, а затем отдает ежемесячные кредиты PPA за киловатт-час, которые генерируют установленные солнечные ячейки. То же самое было новшеством в сфере облачных вычислений: вместо того чтобы покупать несколько серверов локально для работы с Oracle и SAP, такие компании, как Salesforce, предложили модель «плати за то, что ты используешь». Чтобы быть успешными, робототехнические компании должны заниматься финансовым инжинирингом, чтобы клиенты платили минимальный авансовый платеж и оплачивали только то, что они используют (каждый отработанный час, каждый отсканированный лист бумаги, каждое очищенное блюдо, каждую пройденную милю, каждый килограмм груза).

Еще одним преимуществом продажи перед сборкой является то, что вы можете постоянно тестировать продукт в полевых условиях, даже если вы создаете оборудование.  Традиционно эта «итерация после развертывания» является преимуществом программного обеспечения (по сравнению с Apple, которая часто начинает разработку аппаратного обеспечения для некоторых своих компьютеров Mac за пять-семь лет до запуска). Поскольку у вас уже есть клиент, он заинтересован в том, чтобы заставить продукт работать. Одна из стратегий, которые, как мы видим, были чрезвычайно успешными, — это предоставление некоторого вознаграждения вашим ранним клиентам, чтобы у них была дополнительная мотивация работать с вами, чтобы сделать продукт экономически и технически выгодным для них же самих.

Но не все должно быть программным. В наши дни большинство венчурных капиталистов Кремниевой долины поеживаются, когда видят робототехнические компании, которые «перегружены оборудованием».

«Мы будем инвестировать, если вы выберете более программный подход», — говорят они, и сегодня мы видим, что компании-производители робототехники пытаются использовать почти на 100% готовое аппаратное обеспечение и концентрируют почти все свои усилия на программном обеспечении.

Это имеет смысл в некоторых приложениях, но в том-то и дело, что аппаратное обеспечение выходит из строя намного реже, чем программное обеспечение, а аппараты, в свою очередь, существуют тысячелетиями, и мы действительно преуспели в этом деле по сравнению с относительно зарождающейся вычислительной эрой. Во многих случаях аппаратное обеспечение может решить проблему намного лучше, чем программное. Возьмите, например, сбор мусора; сегодня существуют десятки стартапов, которые привлекли сотни миллионов долларов от крупных венчурных капиталистов, строящих общие системы, основанные на глубоком обучении и укрепляющие обучение, чтобы иметь возможность выбирать объекты из общей корзины. С другой стороны, на выставке PACK Expo в Лас-Вегасе была представлена компания Soft Robotics.  В основном они использовали аппаратный подход к сбору мусорных контейнеров с помощью нового захвата, который без какого-либо компьютерного зрения может поднимать и размещать объекты с большим уровнем контроля (гораздо более последовательно, чем почти все стартапы, основанные на компьютерном зрении). Конечно, важно создавать программное обеспечение и учебные материалы, но зачем решать проблему более сложным способом, если есть более простое и надежное решение?  Мы не должны работать с аппаратным обеспечением — нам просто нужно переосмыслить, как работать с оборудованием.

В целом, венчурные капиталисты Кремниевой долины создали менталитет, согласно которому, если компания не может стоить триллион долларов, ее не стоит основывать и в нее не стоит инвестировать. Таким образом, основатели робототехники пытаются создать технологию, которая может обслуживать каждого возможного клиента в надежде привлечь венчурный капитал;  и хотя они собирают венчурные капиталы, в конечном итоге они создают продукт, который не делает ни одного покупателя абсолютно удовлетворенным. У самых лучших компаний в начале были очень маленькие рынки. В нашем многомерном мире попытка создать безумно универсальную компанию по робототехнике — ошибка. Скорее, в начале важно сосредоточиться на одном (или, возможно, двух) клиенте (-ах). Как только вы решите проблему этого клиента, вы обнаружите, что другие клиенты, вероятно, хотят что-то подобное. Робототехника, возможно, пойдет не так быстро, как потребительские или даже корпоративные компании-разработчики программного обеспечения. Но это обычное дело. До эпохи Intel и персональных компьютеров вычислительные системы работали очень похожим образом с тем, как сегодня работают интеграторы систем автоматизации: вы обратились в инженерную фирму за конкретным компьютером, который мог бы сделать одну вещь, скажем, рассчитать траекторию ваших ракет — вы платите им 1 млн долларов. Вы ждете шесть месяцев, и вы получаете компьютер размером с комнату.  Подобно тому, как вычисления были медленными и не поддающимися подсчету в самом начале их развития, также будет с робототехникой. Это нормально.

Наконец, возможно, путь к созданию успешной робототехнической компании — это продавать вертикальные решения B2B (то есть «дыру в стене», а не сверло) вместо того, чтобы создавать B2C-компании, ориентированные на потребителя.  Обещание последнего было простым: если существующие клиенты не видят, что технология работает для них или что есть экономическая целесообразность, почему бы нам не разработать технологию и не стать своим собственным клиентом?  В конце концов, наши технологии лучше, так что мы можем получать собственную прибыль и контролировать окружающую среду, и даже технически это должно быть проще. Это такой же шаг, что и у инновационных высокочастотных торговых фирм, которые решили создать свои собственные хедж-фонды вместо того, чтобы продавать свои технологии другим хедж-фондам. Таким образом, мир увидел роботизированные рестораны B2C, комплексные юридические фирмы, которые создавали ИИ для автоматизации самих себя, а также кафе, ориентированные на потребителя. Проблема была двоякой: во-первых, большинство предприятий B2C, таких как рестораны, терпят неудачу, и большинство стартапов терпят неудачу, но пытаться сделать то и другое слишком сложно, особенно для стартапа с ограниченной взлетно-посадочной полосой;  и во-вторых, многие из этих брендов не сработали не потому, что не работала технология, а потому, что потребительский бренд не был достаточно сильным.  Тип команды, необходимой для создания жесткого технического продукта, сильно отличается от типа команды, необходимой для создания потребительского бренда, и часто, даже если технология работает, бренд был недостаточно сильным, и поэтому клиенты приходили однажды, но удержание не было достаточно высоким, чтобы заставить экономику компании работать. То же самое верно для образовательной и «игрушечной» робототехники — хотя это «круто», нам еще только предстоит увидеть пример компании, которая использовала бы эту модель для создания прочной компании, поскольку кажется, что они скорее про «прикольно иметь», чем про «необходимо иметь».  (Поэтому, когда происходит экономический спад, такой как у нас, спрос на продукт падает.)

В последнее время также наблюдается тенденция к созданию платформ, облегчающих робототехническим компаниям достижение успеха, точно так же, как AWS облегчает успех современным интернет-компаниям. Опять же, на первый взгляд это звучит замечательно, но разница в том, что до AWS существовал целы ряд процветающих компаний, занимающихся разработкой программного обеспечения, которые строили отличный бизнес и имели деньги, чтобы платить AWS за лучший продукт. Но сегодня просто не хватает робототехнических компаний, у которых достаточно доходов, чтобы сделать решения этих B2B-компаний разумными. Есть ощущение, что нам нужно хитовое приложение для iPhone, прежде чем платформа App Store обретет смысл.

Сферы уже переспели

Другими словами, нам предстоит пройти долгий путь с точки зрения наблюдения за роботами в нашем повседневном мире, поскольку существует очень много тонких моментов, где компании-производители робототехники могут ошибаться. Вот те роботы, рост числа которых, на наш взгляд, мы увидим в повседневной жизни в краткосрочной перспективе (в течение следующих двух-четырех лет):

Более полная автоматизация производства. Клиенты для автоматизации производства уже существуют. Если мы сможем создать лучшую технологию, которая сделает эти системы более автономными, мы увидим гораздо больше клиентов, которые хотят этот продукт.

Полуавтономные и телеоперативные компании. Подобно хирургическим роботам, автопилоту Tesla и Kiwi, мы увидим гораздо больше компаний, целью которых является частичная автономия и увеличение производительности людей, а не их замена.

Манипулятивные роботы в заводских настройках. В 2015 году, в основном благодаря инвестициям Google в автомобили с самостоятельным вождением, венчурные инвесторы вложили сотни миллионов долларов в автономные транспортные средства, исходя из того, что «вождение — это вождение». Если мы сможем решить проблему вождения на одной машине и в одном городе, то она, вероятно, будет достаточно хорошо масштабироваться. Сегодня мы находимся на своего рода спаде автономных транспортных средств, и очень немногие компании, похоже, имеют представление о том, что делать дальше (главным образом потому, что мир такой стохастичный и глубокого изучения может быть недостаточно). С другой стороны, манипуляции остались позади, и сегодня, похоже, мы возвращаемся к тому, что инженеры покидают автономные автомобильные компании и ищут что-то новое, что на самом деле могло бы появиться раньше. Приложения для манипулирования, как правило, находятся в чрезвычайно контролируемых средах, и мы, вероятно, увидим рост их числа (например, на заводах Bright Machines и роботизированных сортировочных роботах AMP Robotics).

В том же духе сегодня наблюдается тенденция «движения к облаку». Представьте, что до первой промышленной революции мы производили текстиль в наших домах. Но потом мы поняли, что можем централизовать производство текстиля на фабриках и воспользоваться преимуществами эффекта масштаба.  В результате сегодня мы видим очень мало людей, которые производят текстиль на дому. Применяя этот шаблон к сегодняшнему дню, если вы представляете мир, в котором почти все перемещается в «облако», и вы отправляете свои домашние дела кому-то еще, чтобы они выполняли их с помощью центрального роботизированного устройства (приготовление пищи, мытье посуды, стирка одежды, складывание ткани и т. д.), есть огромная возможность применить роботов, которые влияют на обычного человека, но находятся в обстановке, где роботы работают лучше всего, то есть на фабрики.

Возможно, тогда единственное, что мы будем делать на дому, это уборка, и, таким образом, всегда есть и всегда будет отличная возможность для роботов-систем для очистки внутренних помещений, стрижки газонов, уборки торговых центров и других приложений B2B.

Робототехника по-прежнему имеет огромные перспективы, и они, безусловно, достижимы. Продажа перед сборкой, обеспечение экономической работы подразделения на раннем этапе с помощью ставок с низким уровнем риска, частое тестирование системы в полевых условиях, обеспечение справедливого консультирования клиентов для согласования стимулов, создание продукта для решения проблемы для конкретного клиента, а не создание чего-то общего и универсального, видение роботов как сочетания отличного аппаратного и программного обеспечения, а не только программного обеспечения, и применение вертикальных приложений B2B — вот что может ускорить положительную динамику. Но в более широком смысле, возможно, вместо того чтобы бить по всем гвоздям одним и тем же программным «молотком», пришло время придумать что-то с нуля.

Подписывайтесь на SharesPro в социальных сетях:
Telegram: t.me/sharespro
Instagram: www.instagram.com/sharespro/

Войдите, чтобы оставлять комментарии.

Получить консультацию