Kemana semua para robot ? Kupas tuntas tentang robot jaman sekarang

Sumber : Rajat Bhageria - TechCrunch

Kami dijanjikan robot di mana-mana - robot yang sepenuhnya otonom yang akan menggerakkan mobil kami dari ujung ke ujung, membersihkan piring kami, mengangkut barang-barang kami, membuat makanan kami, pipet dan melakukan pekerjaan lab kami, menulis dokumen hukum kami, memotong rumput, menyeimbangkan buku dan bahkan membersihkan rumah kita.

Namun alih-alih Terminator atau WALL-E atau HAL 9000 atau R2-D2, yang kami dapatkan hanyalah Facebook yang menayangkan iklan yang tidak ingin kami klik, Netflix merekomendasikan kepada kami film lain yang mungkin tidak perlu kami tonton, dan iRobot's Roomba.

Jadi apa yang salah? Di mana semua robot itu?

Ini adalah pertanyaan yang saya coba selidiki saat membangun perusahaan robot saya sendiri (perusahaan yang saat ini tersembunyi bernama Chef Robotics di ruang robotika makanan) serta berinvestasi di banyak perusahaan robotika / AI melalui dana modal ventura saya Prototype Capital. Inilah yang saya pelajari.

Dimana kita sekarang?

Pertama dan terutama, robot bukanlah sesuatu yang baru. Industri enam derajat kebebasan (dibaca sebagai enam motor saling terhubung satu sama lain) lengan robot sebenarnya dikembangkan sekitar tahun 1973 dan ada ratusan ribu di antaranya - hanya saja sampai saat ini, hampir semua robot ini telah berada di lingkungan yang sangat terkendali dari otomatisasi pabrik melakukan hal yang sama berulang kali jutaan kali. Dan kami telah membentuk banyak perusahaan bernilai miliaran dolar melalui robot otomatisasi pabrik ini termasuk FANUC, KUKA, ABB, dan Foxconn (ya mereka membuat robot sendiri). Pergi ke pabrik manufaktur otomotif dan Anda akan melihat ratusan (atau dalam kasus Tesla, ribuan). Mereka bekerja dengan sangat baik dan dapat mengambil muatan besar - mobil penuh - dan memiliki presisi kadang hingga satu milimeter.

Secara umum, dunia otomasi industri sangat matang dan ada ratusan "integrator sistem" yang dapat Anda kunjungi dan berkata, "Saya ingin mesin otomasi yang melakukan kasus penggunaan yang sangat sempit ini jutaan kali. Bangun saya sistem untuk melakukannya. " Inilah cara Coca-Cola mendapatkan pengisi botol mereka, Black & Decker membuat latihan mereka, Proctor & Gamble membuat sampo Anda, dan lebih umum bagaimana kami memproduksi sebagian besar produk hari ini. Integrator sistem ini mungkin membebankan biaya $ 1 juta dan membuat Anda menunggu setahun untuk membuat mesin, tetapi hampir semua jenis sistem mungkin di dunia ini. Masalah dengan sistem ini adalah bahwa mereka sebagian besar adalah apa yang dikenal sebagai "otomatisasi keras" di mana mereka terutama sistem mekatronika dan akan bekerja dengan sangat baik jika input ke dalam sistem adalah persis apa yang mereka dirancang dan diprogram untuk dilakukan; tetapi segera setelah Anda memasukkan botol Coca-Cola dua liter ke dalam mesin pembotolan yang dirancang untuk botol setengah liter, sistem tidak tahu apa yang harus dilakukan dan akan gagal.

Dunia utama lainnya yang kami lihat banyak robot produksi (tidak termasuk agen AI perangkat lunak murni seperti sistem penasehat, pencari spam untuk email, sistem pengenalan objek untuk aplikasi foto Anda, chat robot dan asisten suara) adalah robot bedah. Salah satu pemain utama dalam ruang ini adalah perusahaan bernama Intuitive Surgical (kapitalisasi pasar $ 66 miliar) yang telah membangun dan telah mengerahkan sekitar 5.000 robot teleoperated. Perhatikan bahwa robot ini memang "dikendalikan dari jarak jauh" oleh seorang dokter dan sebagian besar tidak otonom. Tetapi mengingat bahwa lebih dari 40% kematian di rumah sakit berkorelasi dengan kesalahan yang dibuat dokter, pasien membayar ekstra untuk operasi robotik ini dan rumah sakit membelinya berbondong-bondong; pemain utama seperti Verb Surgical, Johnson & Johnson, Auris Health, dan Mako Robotics mengikuti tren ini.

Apa yang akan Anda perhatikan tentang otomatisasi pabrik dan robot bedah adalah bahwa robot itu berada di lingkungan yang sangat terkendali. Dalam kasus robot pabrik, robot tidak benar-benar "berpikir" tetapi melakukan hal yang sama berulang kali. Dan dalam kasus robot bedah, hampir semua persepsi, pemikiran dan kontrol sedang dilakukan oleh operator manusia. Tetapi begitu Anda membuat robot otomatisasi pabrik berpikir sendiri atau membuat robot bedah mengambil keputusan tanpa pengawasan manusia, sistemnya rusak.

Jadi mengapa kita tidak melihat lebih banyak robot hari ini?

Perbedaan yang harus dilakukan adalah bahwa kita tidak melihat robot hari ini di dunia sehari-hari tempat kita hidup - di lingkungan yang tidak terkontrol. Mengapa kita tidak melihat robot di dunia sehari-hari? Apa satu hal utama yang mencegah kita mencapai masa depan robot dunia dystopian kita? Apakah ini masalah perangkat keras? Masalah perangkat lunak? Masalah intelijen? Masalah ekonomi? 

Masalah interaksi manusia?

Untuk menjawab pertanyaan itu, penting untuk memahami apa sebenarnya arti robot. Dalam literatur, robot adalah agen yang melakukan empat hal:

 Sense: Agen merasakan dunia menggunakan semacam sensor - misalnya kamera, LIDAR, radar, IMU, sensor suhu, photoresistor atau sensor tekanan.

 Pikirkan: Berdasarkan data sensor, agen membuat keputusan. Di sinilah "pembelajaran mesin" masuk

 Tindakan: Berdasarkan keputusan, agen bertindak dan mengubah dunia fisik di sekitarnya.

 Berkomunikasi: Agen berkomunikasi dengan orang lain di sekitarnya. (Ini baru saja ditambahkan ke model.)

Dalam 50 tahun terakhir, kami telah membuat kemajuan eksponensial di setiap bidang ini:

 Sensing: Harga kamera dan sensor lain seperti LIDAR, IMU, radar dan GPS akan turun secara eksponensial.

 Pikirkan: Komputasi awan seperti Amazon Web Services dan Google Cloud Platform telah membuat perangkat lunak bangunan sangat murah dan memungkinkan Anda membayar apa yang Anda gunakan. GPU seperti NVIDIA telah dirancang ulang dari kartu grafis game untuk dapat menjalankan proses paralel yang ideal untuk aplikasi pembelajaran mesin (dan sekarang kami memiliki GPU yang di-hosting cloud). Algoritma seperti jaringan saraf yang dalam telah dibangun di atas perceptron kuno untuk dapat melakukan hal-hal seperti mengenali objek, memahami bahasa alami dan bahkan membuat konten baru.

 Act: Ini mungkin adalah ranah yang paling matang. Jika kita membagi dunia robotika pada tingkat tertinggi ke dalam manipulasi (berinteraksi dengan dunia seperti yang kita lakukan dengan tangan kita) dan robot seluler (berjalan / bergerak), maka industri otomotif telah menyelesaikan sebagian besar masalah dalam perangkat keras robot seluler dan otomasi industri memiliki memecahkan banyak masalah dalam memanipulasi objek (dengan asumsi pose objek yang diberikan). Kami sangat mahir membuat perangkat keras dan kami memiliki perangkat keras dasar yang diperlukan untuk membuat robot yang pada dasarnya dapat melakukan apa saja.

 Berkomunikasi: Melalui revolusi internet dan seluler tahun 2000-an dan 2010-an, kami telah membuat langkah besar dalam dunia interaksi pengguna. Sedemikian rupa sehingga hari ini jika kita menemukan perusahaan tidak memiliki UI / UX sederhana, kita langsung tidak menganggapnya serius. Perusahaan yang sudah tutup seperti Jibo, Anki dan Rethink Robotics memberikan kontribusi serius dalam bidang ini.

Dengan kata lain, murni dari sudut pandang teknis (kita akan membahas ekonomi dan interaksi manusia nanti), sepertinya tidak merasakan dan bertindak adalah hambatan utama. Kami memiliki sensor yang sangat bagus dan murah dan kami memiliki teknologi aktuasi yang hebat (terutama berkat otomasi industri).

Jadi masalahnya terutama di "think." Secara khusus, menurut Dekan Teknik Universitas Pennsylvania Vijay Kumar dan Pendiri Lab Robotika GRASP, alasan kita tidak melihat robot di dunia kita sehari-hari adalah bahwa “dunia fisik terus menerus saat komputasi, dan karenanya merasakan dan kontrol, terpisah, dan dunia ini sangat sangat dimensional dan stokastik. ” Dengan kata lain, hanya karena seorang manipulator dapat mengambil cangkir teh tidak berarti ia dapat mengambil gelas anggur. Saat ini paradigma untuk berpikir bahwa sebagian besar perusahaan telah mengadopsi didasarkan pada gagasan pembelajaran mesin - dan lebih khusus pembelajaran mendalam - di mana premis dasar adalah bahwa alih-alih menulis "program" seperti dalam komputasi klasik yang mengambil beberapa input dan meludahkan sebuah output berdasarkan itu, mengapa kita tidak memberi agen banyak input dan output dalam bentuk data pelatihan dan sudahkah datang dengan program? Sama seperti yang kita pelajari dalam aljabar bahwa persamaan untuk sebuah garis adalah y = mx + b, ide dasarnya adalah jika kita memberikan algoritma pembelajaran mesin y dan x, ia dapat menemukan m dan b (kecuali pada persamaan yang jauh lebih rumit). Pendekatan ini bekerja cukup baik untuk membuat Anda mendapatkan sebagian besar perjalanan ke sana.

Tetapi di dunia yang tidak dapat diprediksi dengan gila, kita hidup di sini, gagasan menyediakan data pelatihan dalam gerombolan dengan gagasan "jika Anda melihat ini, lakukan ini" tidak berhasil; cukup kata, tidak akan pernah ada data pelatihan yang cukup untuk memprediksi setiap kasus di luar sana. Kami tidak tahu apa yang tidak kami ketahui dan kecuali kami memiliki data pelatihan untuk setiap contoh yang pernah terjadi pada agen di masa lalu dan itu akan pernah terjadi pada agen di masa depan, model berbasis pembelajaran yang mendalam ini dapat tidak membawa kami ke otonomi penuh (Bagaimana Anda bisa memprediksi sesuatu yang Anda bahkan tidak tahu itu mungkin?). Manusia sebagai makhluk cerdas sebenarnya bisa berpikir; agen berbasis pembelajaran yang dalam tidak berpikir - mereka cocok dengan pola dan jika keadaan saat ini agen tidak cocok dengan salah satu pola yang telah diberikan kepadanya, robot gagal (atau dalam kasus autonokendaraan, crash).

Apa yang bisa kita lakukan untuk membuat lebih banyak robot yang berfungsi?

Jadi mungkin jaring syaraf yang dalam bukan cara kita mencapai sistem otonom 100% (itulah sebabnya perusahaan seperti OpenAI berinvestasi ke dalam algoritma pembelajaran penguatan yang meniru pendekatan Pavlovian Rewards / berbasis rasa sakit untuk belajar). Tetapi sementara itu untuk startup, bagaimana jika pertanyaan tentang bagaimana membangun agen yang sepenuhnya otonom adalah pertanyaan yang salah untuk ditanyakan?

Sebuah perusahaan yang mencontohkan gagasan tidak mengejar otonomi 100% ini adalah Ripcord, perusahaan baru yang berbasis di Hayward, California yang melakukan digitalisasi kertas secara otonom. Saat ini korporasi memiliki ribuan rim kertas yang ingin mereka digitalisasi - “tidak ada manusia yang pergi ke perguruan tinggi untuk menjadi penghapus pokok,” kata CEO Alex Fielding - dan mereka mengirimnya ke Ripcord di mana rim dimasukkan ke dalam sel robot yang ambil dan letakkan setiap lembar, pindai mereka lalu pasang kembali. Mengobrol dengan Alex di pabrik, salah satu hal yang mengejutkan saya adalah dia tidak pernah menyebutkan ide "mengotomatisasi manusia." Alih-alih nadanya adalah Ripcord membuat manusia 40x lebih efisien. Saya melihat tangan pertama ini - satu manusia mengawasi empat sel kerja robot di fasilitas Alex. Dalam satu contoh, robot bekerja sangat cepat melalui selembar kertas ketika dirasakan selembar yang membingungkannya. Saat itu, manusia yang mengawasi sistem menerima pemberitahuan yang jelas di layar dengan masalah. Manusia dengan cepat memperbaiki masalah dalam waktu 10 detik, dan robot kembali hidup untuk lembaran berikutnya.

Jadi bagaimana jika pertanyaan untuk bagaimana membangun sebuah perusahaan robot yang sukses bukanlah "Bagaimana kita membangun agen untuk mengotomatisasi manusia?" melainkan "Bagaimana kita membangun agen untuk membuat manusia 40x lebih efisien sementara juga menggunakan kecerdasan mereka untuk menangani semua kasus tepi?" Sementara kecerdasan buatan berkembang, ini tampaknya menjadi formula untuk membangun perusahaan yang sukses sementara itu.

Perusahaan lain yang mencontohkan ini adalah Robotika Kiwi. Berbasis di Berkeley, California, Kiwi membuat robot ponsel pengiriman makanan. Tetapi berbincang dengan CEO Felipe Chávez, “Kami bukan perusahaan AI; kami adalah perusahaan pengiriman. " Ketika Felipe mendirikan Kiwi, ia tidak berinvestasi dalam banyak insinyur pembelajaran mesin yang mahal; alih-alih setelah membangun prototipe perangkat keras, ia membangun perangkat lunak latensi rendah untuk dapat melakukan teleoperasi Kiwi. Ide awalnya manusia melakukan 100% pengambilan keputusan untuk Kiwi dan perlahan-lahan mereka membangun algoritma untuk mengurangi itu dari 100% menjadi otonomi penuh. Hari ini Kiwi memiliki tim yang terdiri dari puluhan teleoperator di Kolombia (tempat Felipe lahir) dan telah melakukan lebih dari 100.000 pengiriman. Manusia tunggal dapat mengawasi banyak robot dan robot membuat hampir semua keputusan dan manusia hanya memperbaiki jalur. Di sisi lain, banyak pesaing yang berinvestasi dalam otonomi penuh berjuang untuk menghasilkan 1.000 pengiriman. [Pengungkapan penuh - Saya seorang investor di Kiwi Robotics melalui dana saya Prototype Capital.]

Dalam kedua kasus ini, salah satu faktor terpenting bukanlah algoritma pembelajaran mesin melainkan antarmuka manusia. Itukah yang hilang dari perusahaan robot kontemporer? Menurut Keenan Wyrobek, Pendiri perusahaan pengiriman drone darah, Zipline dan perintis robotika awal, “sementara saya mendapatkan lapangan kerja 'potong tenaga' bekerja dengan baik untuk ... pemilik bisnis di pasar AS, saya telah melihat banyak startup robot yang gagal dengan pola pikir ini. . Pastikan desain Anda dan tim fokus untuk membuat semua pengguna sistem Anda lebih produktif ... Saya tidak peduli seberapa bagus robot Anda, masih ada pengguna (orang yang mengatur, mengkonfigurasi ulang, memecahkan masalah, memelihara, dll. ). Dan jika para pengguna itu tidak berada di pusat proses desain Anda, robot Anda tidak akan bekerja dengan cukup baik untuk melihat ROI [n]. "

Lebih lanjut, menurut Amar Hanspal, CEO Bright Machines dan mantan Co-CEO Autodesk, “Faktor umum di antara keduanya adalah bahwa perusahaan robot mulai dengan teknologi terlebih dahulu (terlalu keras dan agak menarik, sehingga menjadi tujuan akhir di sendiri) daripada masalah yang mereka coba pecahkan. Kuncinya adalah ... untuk menentukan masalah yang Anda coba selesaikan dan kemudian membangun UX yang hebat di sekitarnya. Robotika adalah alat untuk mencapai tujuan, bukan tujuan itu sendiri. ”

Apa lagi yang bisa kita lakukan untuk melihat lebih banyak robot di dunia kita sehari-hari?

Sejauh ini kita telah melihat bahwa salah satu alasan utama robotika untuk dunia sehari-hari tidak memenuhi janji mereka adalah bahwa dunia ini sangat stokastik dan kecerdasan buatan yang didasarkan pada model-model berbasis pembelajaran yang dalam tidak cukup baik untuk berurusan dengan setiap kasus sudut. Jadi mungkin daripada model penghematan tenaga kerja, perusahaan robotika harus mengadopsi model "augmentasi manusia". Ambil buku pedoman Apple dan Airbnb tentang mentalitas desain pertama yang berpusat pada manusia - bukan rekayasa - dan berinvestasilah dalam pengalaman pengguna yang menakjubkan.

Berikut adalah beberapa hal lain yang bisa kita lakukan untuk membawa robot ke garis depan:

Yang pertama adalah menjual produk sebelum membangunnya. Dalam dunia peranti lunak Silicon Valley, "The Lean Startup" oleh Eric Ries telah mempopulerkan gagasan "luncurkan cepat dan beralih cepat sampai Anda mencapai pasaran produk." Untuk startup perangkat lunak, ini bekerja dengan sangat baik. Tetapi dengan perangkat keras dan robotika, yang akhirnya terjadi adalah bahwa startup yang sangat berbakat dalam bidang teknik pada awalnya tidak berfokus pada penjualan melainkan pada rekayasa dan mereka membangun, membangun, membangun. Kemudian mereka pergi ke pelanggan untuk menjual, pelanggan berkata, "Ini tidak persis memenuhi tujuan kami," perusahaan tidak memiliki landasan yang cukup untuk beralih dan kemudian mereka mati. Ini telah terjadi berulang kali. Sepertinya untuk startup perangkat lunak, pendekatan lean startup berfungsi karena Anda dapat meluncurkan sebagian besar waktu secara gratis (terima kasih ke cloud), mengulangi sekali di lapangan, penyebarannya cepat dan Anda memiliki lima atau enam tembakan ke gawang sebelum Anda menjalankan kehabisan uang dalam putaran benih Anda. Tetapi di dunia perangkat keras, Anda memiliki biaya perangkat keras dimuka, penyebarannya lambat, siklus iterasi lambat dan Anda hanya memiliki satu atau dua tembakan ke gawang.

Agar jelas, kami sangat mahir dalam hal perangkat keras; Hanya saja Lembah Silikon yang berpusat pada perangkat lunak tidak (dengan pengecualian yang menonjol adalah Apple dan Tesla). Mungkin salah satu alasannya adalah kurangnya penjualan sebelum membangun. Contoh kasus: Boeing tidak mendekati Juan Trippe, pendiri legendaris Pan Am Airlines dan berkata, "Ini Boeing 747 - Anda suka? Tidak. Biarkan saya kembali dan membangun versi baru ... Apakah Anda suka sekarang? " (mis., iterasi ala "The Lean Startup"). Sebagai gantinya, Boeing meminta Pan Am untuk memberi mereka pesanan di muka untuk lusinan unit dengan semua fitur di muka sehingga Boeing dapat membangunnya dengan benar pertama kali. Dengan kata lain, Boeing menjual produk mereka sebelum membangunnya. Sistem Integrator meminta pesanan dan uang tunai sebelum membangun apa pun. Begitu juga sebagian besar perusahaan perangkat keras dan cabang militer. Mungkin perusahaan robotika dapat mengambil halaman dari buku pedoman Bill Gates dan menjual MS-DOS ke IBM sebelum menulis MS-DOS.

Salah satu manfaat menjual sebelum membangun adalah Anda dapat melakukan pemeriksaan kewarasan atas unit ekonomi. Robotika adalah salah satu bidang yang tidak hanya memiliki risiko teknis, tetapi juga risiko ekonomi unit. Banyak perusahaan secara historis menemukan bahwa bahkan jika mereka dapat menemukan ide bagus di lingkungan yang terbatas, membangun teknologi, meningkatkan modal ventura, dan membangun kolaborasi mesin manusia yang hebat, ekonomi mereka tidak masuk akal dan sekali lagi mereka gagal. Dengan menjual sebelum membangun, Anda harus menganalisis ekonomi pelanggan Anda serta ekonomi Anda dan memastikannya masuk akal. Jika Anda mencoba menjual produk Anda sebelum membangun dan tidak ada yang menginginkannya, itu adalah cara yang sangat berisiko untuk mengetahui bahwa pelanggan Anda mungkin tidak akan membelinya dan Anda mungkin ingin beralih ke ide berikutnya.

Lebih umum di bidang ekonomi, kita perlu beralih dari model uang muka ke robot sebagai model layanan. Banyak pelanggan yang akan membeli aplikasi robot memiliki margin yang sangat rendah dan tidak mampu membayar $ 100.000 + dimuka untuk suatu sistem (bahkan jika periode pengembalian satu atau dua tahun). Menambahkan bahan bakar ke api adalah bahwa energi aktivasi akhirnya terlalu banyak untuk mengubah sesuatu ketika mereka "sudah memiliki sesuatu yang berfungsi." Dengan demikian mereka menolak produk (dan kemudian startup mati). Kita dapat mengambil halaman dari industri sel surya / sel fotovoltaik di sini; ekonomi sel surya membuat banyak akal bagi banyak pemilik rumah dan belum lama di tahun 2000-an, kami melihat sangat sedikit sel surya. Mengapa? Muka itu terlalu banyak bagi kebanyakan orang Amerika meskipun ekonomi masuk akal dalam beberapa tahun. Titik kritis bukan teknis tetapi lebih keuangan dengan perusahaan-perusahaan seperti Solar City, Sunrun, Sun Power dan lainnya berinovasi pada model di mana pelanggan membayar hampir $ 0 di muka tetapi kemudian memiliki pinjaman PPA bulanan di mana mereka membayar per kilowatt-jam yang dihasilkan sel. Hal yang sama adalah inovasi cloud computing - daripada membeli banyak server secara lokal untuk menjalankan Oracle dan SAP, perusahaan seperti Salesforce datang dengan model "bayar untuk apa yang Anda gunakan". Untuk menjadi sukses, perusahaan robotika perlu melakukan rekayasa keuangan sehingga pelanggan harus membayar sangat sedikit di muka dan hanya membayar untuk apa yang mereka gunakan (setiap jam bekerja, setiap lembar kertas dipindai, setiap hidangan dibersihkan, setiap mil didorong, setiap kilo pengiriman dikirim).

Satu lagi thManfaat menjual sebelum membangun adalah bahwa Anda dapat secara konsisten menguji di lapangan meskipun Anda juga membangun perangkat keras. Secara tradisional "iterasi setelah penyebaran" ini adalah manfaat dari perangkat lunak (dibandingkan dengan Apple yang sering memulai pengembangan perangkat keras untuk beberapa Mac mereka lima hingga tujuh tahun sebelum peluncuran). Karena Anda sudah memiliki pelanggan, mereka memiliki kepentingan untuk membuat produk tersebut berfungsi. Salah satu strategi yang kami lihat sangat sukses adalah memberikan beberapa ekuitas penasihat kepada pelanggan awal Anda sehingga mereka lebih lanjut diberi insentif untuk bekerja dengan Anda untuk membuat produk tersebut berfungsi secara ekonomi dan teknis untuk mereka.

Tetapi tidak semuanya harus berupa perangkat lunak juga. Hari-hari ini, kebanyakan Silicon Valley VC ngeri ketika mereka melihat perusahaan robot yang "berat perangkat keras." "Kami akan berinvestasi jika Anda mengambil pendekatan perangkat lunak yang lebih banyak" kata mereka, dan jadi hari ini kita melihat perusahaan robotika mencoba menggunakan hampir 100% perangkat keras yang ada di pasaran dan memfokuskan hampir semua upaya mereka pada perangkat lunak. Itu masuk akal dalam aplikasi tertentu tetapi faktanya adalah bahwa perangkat keras gagal jauh lebih sedikit daripada perangkat lunak dan perangkat keras telah ada selama ribuan tahun dan kami sangat baik dalam hal itu dibandingkan dengan era komputasi yang relatif baru lahir. Dalam banyak kasus, perangkat keras dapat memecahkan masalah jauh lebih baik daripada perangkat lunak. Ambil contoh bin picking; hari ini ada puluhan startup yang telah mengumpulkan ratusan juta dolar dari VC utama yang membangun sistem berbasis pembelajaran generik dan penguatan berbasis pembelajaran untuk dapat memilih dan menempatkan objek generik dari tempat sampah. Di sisi lain, di PACK Expo di Las Vegas, saya dapat melihat sebuah perusahaan bernama Soft Robotics. Mereka telah mengambil sebagian besar pendekatan berbasis perangkat keras untuk memilih bin dengan gripper baru yang, tanpa visi komputer, dapat mengambil dan menempatkan objek menggunakan kontrol yang hebat (jauh lebih konsisten daripada hampir semua startup berbasis visi komputer). Tentu, membangun perangkat lunak dan data pelatihan parit penting, tetapi mengapa memecahkan masalah dengan cara yang lebih kompleks ketika ada solusi yang lebih sederhana dan kuat? Kita tidak boleh lari dari perangkat keras - kita hanya perlu memikirkan kembali cara melakukan perangkat keras.

Secara lebih umum, Silicon Valley VC telah menciptakan mentalitas bahwa jika sebuah perusahaan tidak dapat bernilai satu miliar dolar, itu tidak layak dilakukan atau diinvestasikan. Jadi para pendiri robotika mencoba membangun teknologi yang dapat melayani setiap pelanggan yang mungkin dengan harapan meningkatkan modal ventura; dan meskipun mereka mengurangi VC, mereka akhirnya membangun produk yang tidak membuat satu pelanggan pun sangat senang. Perusahaan-perusahaan terbaik pada awalnya memiliki pasar yang sangat kecil. Dalam dunia kita yang sangat berdimensi, mencoba membangun perusahaan robotik generik gila-gilaan suatu hari adalah sebuah kesalahan. Sebaliknya, pada awalnya penting untuk fokus pada satu (atau mungkin dua) pelanggan secara gila-gilaan. Setelah Anda memecahkan masalah pelanggan itu, Anda akan menemukan bahwa pelanggan lain mungkin menginginkan sesuatu yang serupa. Robotika mungkin tidak akan skala secepat konsumen atau bahkan perusahaan perangkat lunak perusahaan pada awalnya. Tetapi ini bukan tidak pernah terjadi. Sebelum Intel dan era komputer pribadi, komputasi bekerja sangat mirip dengan bagaimana integrator sistem otomasi bekerja hari ini: Anda pergi ke sebuah perusahaan teknik untuk komputer tertentu yang dapat melakukan satu hal - misalnya menghitung lintasan rudal Anda - Anda membayar mereka $ 1 juta, Anda menunggu enam bulan dan komputer Anda mendapatkan ukuran kamar. Seperti halnya komputasi yang lambat dan tidak dapat diubah pada awalnya, demikian juga dengan robot. Tidak apa-apa dan masih ada pengembalian miliaran dolar untuk dipetik.

Akhirnya, mungkin cara untuk membangun perusahaan robotika yang sukses adalah dengan menjual solusi B2B vertikal (mis., "Lubang di dinding" bukan latihan) daripada membuat perusahaan B2C yang menghadap konsumen. Janji yang terakhir itu sederhana: Jika pelanggan yang ada tidak melihat teknologi bekerja untuk mereka atau ekonomi masuk akal, mengapa kita tidak mengembangkan teknologi dan menjadi pelanggan kita sendiri? Lagi pula, teknologi kami lebih baik sehingga kami dapat menghasilkan keuntungan sendiri dan ditambah lagi kami dapat mengendalikan lingkungan dan itu juga harus lebih mudah secara teknis. Itu adalah nada yang sama dengan perusahaan perdagangan frekuensi tinggi yang inovatif yang memutuskan untuk membangun dana lindung nilai mereka sendiri alih-alih menjual teknologi mereka ke dana lindung nilai lainnya. Jadi kami melihat restoran robot B2C, firma hukum end-to-end yang membangun AI untuk mengotomatisasi sendiri dan kedai kopi yang menghadap konsumen. Masalahnya ada dua: Satu, sebagian besar bisnis B2C seperti restoran gagal dan kebanyakan startup gagal, tetapi mencoba melakukan keduanya terlalu banyak, terutama untuk startup dengan landasan terbatas; dan dua, banyak dari merek ini tidak berhasil bukan karena teknologinya tidak berhasil tetapi karena merek konsumen tidak cukup kuat. Jenis tim yang diperlukan untuk membangun produk teknis yang keras sangat berbeda dari jenis tim yang dibutuhkan untuk membangun merek konsumen dan, seringkali, bahkan jika teknologinya bekerja, merek tersebut tidak cukup kuat sehingga pelanggan datang sekali untuk mengambil foto tetapi retensi tidak cukup baik untuk membuat economikrofon bekerja. Hal yang sama berlaku untuk robotika "mainan" berbasis pendidikan - sementara ini "keren", kita belum melihat contoh perusahaan yang menggunakan model ini untuk membangun perusahaan yang tahan lama karena sepertinya mereka lebih "baik" untuk memiliki "daripada" harus memiliki. " (Jadi ketika penurunan ekonomi seperti yang kita alami terjadi, tidak ada yang menginginkan produk lagi.)

Baru-baru ini juga ada tren menuju platform untuk memberdayakan perusahaan robotika untuk membuatnya lebih mudah bagi mereka untuk berhasil seperti AWS membuatnya lebih mudah bagi perusahaan internet modern untuk berhasil. Sekali lagi ini terdengar hebat di permukaan tetapi perbedaannya adalah bahwa sebelum AWS, ada satu set perusahaan perangkat lunak yang berkembang yang membangun bisnis yang hebat dan yang memiliki uang tunai untuk membayar AWS untuk produk yang lebih baik. Tapi hari ini, tidak ada cukup perusahaan robotika yang memiliki pendapatan yang cukup untuk membuat perusahaan B2B ini masuk akal. Sepertinya kita masih membutuhkan "aplikasi pembunuh" dari iPhone sebelum platform App Store masuk akal.

Area yang sudah matang untuk gangguan

Dengan kata lain, kita memiliki jalan panjang dalam hal melihat robot di dunia kita sehari-hari karena ada begitu banyak tempat perusahaan robot bisa salah. Berikut adalah jenis robot yang saya pikir akan kita lihat lebih banyak di dunia sehari-hari dalam jangka pendek (dua hingga empat tahun ke depan):

Otomatisasi pabrik yang lebih otonom. Untuk otomatisasi pabrik, pelanggan sudah ada. Jika kita dapat membangun teknologi yang lebih baik yang membuat sistem ini lebih mandiri, kita akan melihat lebih banyak pelanggan yang menginginkan ini.

Perusahaan semi-otonom dan teleoperasi. Mirip dengan robot bedah, Tesla autopilot dan Kiwi, kita akan melihat lebih banyak perusahaan yang tujuannya adalah otonomi parsial dan menambah manusia yang tidak menggantinya.

Robot berbasis manipulasi dalam pengaturan seperti pabrik. Pada tahun 2015 terutama karena investasi Google ke mobil self-driving, VC menginvestasikan ratusan juta ke kendaraan otonom dengan asumsi bahwa "mengemudi adalah mengemudi adalah mengemudi." Jika kita dapat menyelesaikan masalah mengendarai untuk satu mobil dan di satu kota, mungkin skalanya cukup baik. Hari ini, kita berada dalam sedikit musim dingin dalam kendaraan otonom dan sangat sedikit perusahaan tampaknya memiliki ide tentang apa yang harus dilakukan selanjutnya (terutama karena dunia begitu acak dan pembelajaran yang mendalam mungkin tidak cukup). Di sisi lain, manipulasi tertinggal dan hari ini tampaknya akan kembali karena kami melihat insinyur meninggalkan perusahaan kendaraan otonom dan mencari sesuatu yang baru yang sebenarnya dapat diproduksi lebih cepat. Aplikasi manipulasi cenderung berada dalam lingkungan yang sangat terkontrol dan kami mungkin akan melihat lebih banyak dari ini (seperti mikrofaktori Bright Machines dan robot sortir daur ulang AMP Robotics)

Dalam nada yang sama, hari ini ada tren "bergerak menuju cloud." Bayangkan bahwa sebelum Revolusi Industri pertama, kita biasa membuat tekstil di rumah kita. Tetapi kemudian kami menyadari bahwa kami dapat memusatkan produksi tekstil di pabrik-pabrik dan mengambil keuntungan dari skala ekonomis. Hasilnya, hari ini kita melihat sangat sedikit orang membuat tekstil di rumah kita. Menerapkan ini untuk hari ini, jika Anda membayangkan sebuah dunia di mana hampir semuanya bergerak ke "awan" dan Anda mengirim tugas rumah tangga Anda ke orang lain untuk melakukannya dengan menggunakan fasilitas robot pusat (memasak, mencuci piring, mencuci kain, melipat kain, dll. ), ada peluang besar untuk menerapkan robot yang memengaruhi orang sehari-hari tetapi berada di lingkungan di mana robot bekerja paling baik (pabrik).

Mungkin satu-satunya hal yang akan kita lakukan di rumah kita adalah membersihkan, dan dengan demikian ada dan selalu akan ada peluang besar untuk membersihkan robot dari sistem untuk membersihkan rumah dalam ruangan, memotong undang-undang luar ruangan, membersihkan mal dalam ruangan dan aplikasi B2B lainnya, dan membajak salju di luar ruangan.

Robotika masih memegang janji yang sangat besar dan itu pasti bisa dilakukan. Menjual sebelum membangun, memastikan unit ekonomi bekerja lebih awal dengan taruhan berisiko rendah, menguji sistem sering di lapangan, menyediakan ekuitas penasihat pelanggan awal untuk menyelaraskan insentif, membangun produk untuk memecahkan masalah bagi pelanggan tertentu dengan baik daripada membangun sesuatu yang generik , memikirkan robot sebagai kombinasi perangkat keras dan perangkat lunak hebat daripada hanya perangkat lunak saja dan mengejar aplikasi B2B vertikal dapat membantu. Tetapi dalam arti yang lebih luas, daripada memukul setiap kuku dengan palu mentalitas perangkat lunak yang sama, mungkin sudah waktunya untuk berpikir dari awal.