Investorer i fysisk AI fremhævede Asiens produktions- og halvlederkapacitet som potentielle fordele for robotvirksomheder, der nærmer sig kommerciel udrulning, samtidig med at de pegede på adgang til træningsdata fra den virkelige verden som en stor hindring.

Vigtigste pointer

  • Investorer drøftede muligheder i Taiwan, Japan og Sydøstasien på et topmøde i San Francisco.
  • Fabriksdata kan være vanskelige at få adgang til, fordi producenter kan være tilbageholdende med at dele fortrolige oplysninger.
  • Startup Island TAIWAN Silicon Valley Hub arrangerer yderligere dialoger i branchen og investormøder.

Fysisk AI går fra simulering til produktion

På Silicon to Scale: A Physical AI Summit under SF Tech Week drøftede investorer og brancheledere udfordringen med at anvende intelligente maskiner i virkelige omgivelser. Arrangementet samlede mere end 170 investorer, brancheledere og stiftere og bød på fem taiwanske startups: Morale AI, MetAI, Jmem Tek, Neuroshine og APMIC.

Et panel med virksomhedsrepræsentanter undersøgte kløften mellem simulering og anvendelse i den virkelige verden samt den computer-, edge- og energiinfrastruktur, der er nødvendig for at kunne opskalere.

Hvor asiatisk produktion kan være en fordel

Citis direktør for AI-infrastruktur, Jeff Tao, pegede på halvledersamling og -test i Sydøstasien, herunder Malaysia, som eksisterende kapaciteter, der kan understøtte nye teknologier. Han sagde også, at virksomheder kan kombinere Asiens produktionsmæssige styrker med adgang til USA, hvor høje lønomkostninger skaber muligheder for industriel automatisering.

Kosuke Yusa fra Open Network Lab Fund sagde, at Japan har en anden fordel: produktionsmiljøer, der ofte ændrer sig, og som kræver, at robotter tilpasser sig forskellige opgaver og driftsforhold. Uly Su, leder af Startup Island TAIWAN Silicon Valley Hub, sagde, at Taiwan kan trække på sine styrker inden for halvledere, elektronik og avanceret produktion.

Begrænsninger for fabriksdata og infrastruktur

I modsætning til sprogmodeller, der trænes på omfattende digitale oplysninger, har robotsystemer brug for specialiserede data fra fysiske miljøer såsom fabrikker og produktionslinjer. Tao sagde, at det er vanskeligt at indsamle disse data, blandt andet fordi producenter er tilbageholdende med at dele fortrolige driftsdata.

Vandon Duong, principal hos DCVC, sagde, at udviklere er villige til at betale for forskelligartede, velannoterede datasæt, men satte spørgsmålstegn ved, hvordan virksomheder, der indsamler data, kan opbygge varige fordele, efterhånden som konkurrencen vokser. Investorerne drøftede også omkostningerne ved databehandling: Tao fremhævede tilgængeligheden af elektricitet som en stadig vigtigere flaskehals for infrastrukturen i USA, mens Duong pegede på teknologier, der kan forbedre effektiviteten af databehandling og reducere inferensomkostningerne.

Læs flere nyheder

Flere nyheder fra FinanceVelix

Ansvarsfraskrivelse

Denne FinanceVelix-artikel indeholder generelle oplysninger og udgør ikke personlig finansiel, investeringsmæssig, juridisk eller skattemæssig rådgivning. Markedspriser, renter og økonomiske forhold kan ændre sig; investeringer indebærer risiko for tab. Oplysningerne afspejler det materiale, der var tilgængeligt på udgivelsestidspunktet, og kan ændre sig. Kontrollér selv vigtige oplysninger, og rådfør dig om nødvendigt med en kvalificeret fagperson. Omtale af et aktiv, en virksomhed eller en tjeneste er ikke en anbefaling.