Investori do fyzickej AI vyzdvihli výrobné a polovodičové kapacity Ázie ako potenciálne výhody pre robotické spoločnosti, ktoré smerujú ku komerčnému nasadeniu. Za hlavnú prekážku pritom označili prístup k dátam z reálneho sveta potrebným na trénovanie.

Kľúčové závery

  • Investori diskutovali o príležitostiach na Taiwane, v Japonsku a juhovýchodnej Ázii na samite v San Franciscu.
  • Získať údaje z tovární môže byť náročné, pretože výrobcovia sa môžu zdráhať zdieľať dôverné informácie.
  • Startup Island TAIWAN Silicon Valley Hub organizuje ďalšie diskusie v odvetví a stretnutia investorov.

Fyzická AI prechádza zo simulácie do výroby

Na podujatí Silicon to Scale: A Physical AI Summit, ktoré sa konalo počas SF Tech Week, investori a predstavitelia odvetvia diskutovali o výzve nasadzovania inteligentných strojov v reálnom prostredí. Podujatie prilákalo viac než 170 investorov, lídrov odvetvia a zakladateľov a predstavilo päť taiwanských startupov: Morale AI, MetAI, Jmem Tek, Neuroshine a APMIC.

Panel zástupcov spoločností sa zaoberal rozdielom medzi simuláciou a nasadením v reálnom svete, ako aj výpočtovou, okrajovou a energetickou infraštruktúrou potrebnou na rozšírenie.

Ako by mohla pomôcť ázijská výroba

Jeff Tao, riaditeľ Citi pre infraštruktúru AI, poukázal na existujúce kapacity v oblasti montáže a testovania polovodičov v juhovýchodnej Ázii vrátane Malajzie, ktoré by mohli podporiť vznikajúce technológie. Uviedol tiež, že spoločnosti môžu spojiť silné stránky ázijskej výroby s prístupom na trh Spojených štátov, kde vysoké náklady na pracovnú silu vytvárajú príležitosti pre priemyselnú automatizáciu.

Kosuke Yusa z Open Network Lab Fund uviedol, že Japonsko ponúka inú výhodu: výrobné prostredia, ktoré sa často menia a vyžadujú, aby sa roboty prispôsobovali rôznym úlohám a prevádzkovým podmienkam. Uly Su, vedúci Startup Island TAIWAN Silicon Valley Hub, povedal, že Taiwan môže stavať na svojich silných stránkach v oblasti polovodičov, elektroniky a pokrokovej výroby.

Obmedzenia týkajúce sa dát z tovární a infraštruktúry

Na rozdiel od jazykových modelov trénovaných na rozsiahlych digitálnych informáciách potrebujú robotické systémy špecializované dáta z fyzického prostredia, napríklad z tovární a výrobných liniek. Tao povedal, že ich zber je náročný aj preto, že výrobcovia sa zdráhajú zdieľať dôverné prevádzkové údaje.

Vandon Duong, principal v DCVC, uviedol, že vývojári sú ochotní platiť za rozmanité a kvalitne anotované súbory dát, no spochybnil, ako si spoločnosti zaoberajúce sa zberom dát môžu vytvoriť trvalé konkurenčné výhody pri rastúcej konkurencii. Investori diskutovali aj o nákladoch na výpočtový výkon: Tao označil dostupnosť elektriny za čoraz dôležitejšie úzke miesto infraštruktúry v USA, zatiaľ čo Duong poukázal na technológie, ktoré by mohli zvýšiť efektívnosť výpočtov a znížiť náklady na inferenciu.

Čítať ďalšie správy

Viac správ FinanceVelix

Vyhlásenie o odmietnutí zodpovednosti

Tento článok FinanceVelix poskytuje všeobecné informácie, nie personalizované finančné, investičné, právne ani daňové poradenstvo. Trhové ceny, úrokové sadzby a ekonomické podmienky sa môžu meniť; investície sú spojené s rizikom straty. Uvedené skutočnosti vychádzajú z materiálov dostupných v čase zverejnenia a môžu sa zmeniť. Dôležité informácie si nezávisle overte a v prípade potreby sa poraďte s kvalifikovaným odborníkom. Uvedenie aktíva, spoločnosti alebo služby nepredstavuje odporúčanie.