Investerare inom fysisk AI lyfte fram Asiens kapacitet inom tillverkningsindustri och halvledare som potentiella fördelar för robotikföretag på väg mot kommersiell användning, samtidigt som de pekade ut tillgången till träningsdata från verkliga miljöer som ett stort hinder.

Viktiga punkter

  • Investerare diskuterade möjligheter i Taiwan, Japan och Sydostasien vid ett toppmöte i San Francisco.
  • Fabriksdata kan vara svåra att få tillgång till eftersom tillverkare kan vara ovilliga att dela företagshemlig information.
  • Startup Island TAIWAN Silicon Valley Hub arrangerar ytterligare branschdialoger och investerarsammankomster.

Fysisk AI går från simulering till produktion

Vid Silicon to Scale: A Physical AI Summit under SF Tech Week diskuterade investerare och branschledare utmaningen med att använda intelligenta maskiner i verkliga miljöer. Evenemanget samlade över 170 investerare, branschledare och grundare och presenterade fem taiwanesiska startupföretag: Morale AI, MetAI, Jmem Tek, Neuroshine och APMIC.

En företags panel diskuterade gapet mellan simulering och användning i verkliga miljöer, liksom den datorkraft, edge-infrastruktur och energiinfrastruktur som krävs för att skala upp.

Där asiatisk tillverkningsindustri kan bidra

Jeff Tao, Citi:s chef för AI-infrastruktur, pekade på halvledarmontering och testverksamhet i Sydostasien, bland annat i Malaysia, som befintlig kapacitet som kan stödja framväxande teknik. Han sade också att företag kan kombinera asiatiska styrkor inom tillverkning med tillgång till USA, där höga arbetskraftskostnader skapar möjligheter för industriell automatisering.

Kosuke Yusa från Open Network Lab Fund sade att Japan erbjuder en annan fördel: produktionsmiljöer som förändras ofta och kräver att robotar anpassar sig till olika arbetsuppgifter och driftsförhållanden. Uly Su, chef för Startup Island TAIWAN Silicon Valley Hub, sade att Taiwan kan dra nytta av sina styrkor inom halvledare, elektronik och avancerad tillverkning.

Begränsningar vad gäller fabriksdata och infrastruktur

Till skillnad från språkmodeller som tränas på omfattande digital information behöver robotsystem specialiserade data från fysiska miljöer, till exempel fabriker och produktionslinjer. Tao sade att det är svårt att samla in sådan data, delvis eftersom tillverkare är ovilliga att dela företagshemlig verksamhetsdata.

Vandon Duong, principal på DCVC, sade att utvecklare är villiga att betala för mångsidiga, väl annoterade datamängder, men ifrågasatte hur företag som samlar in data kan bygga upp varaktiga konkurrensfördelar när konkurrensen hårdnar. Investerarna diskuterade också kostnader för datorkraft: Tao pekade ut tillgången till el som en allt viktigare flaskhals i USA:s infrastruktur, medan Duong lyfte fram teknik som kan förbättra beräkningseffektiviteten och sänka inferenskostnaderna.

Läs fler nyheter

Fler nyheter från FinanceVelix

Ansvarsfriskrivning

Den här FinanceVelix-artikeln innehåller allmän information och utgör inte personlig finansiell, investeringsmässig, juridisk eller skattemässig rådgivning. Marknadspriser, räntor och ekonomiska förhållanden kan förändras; investeringar innebär risk för förlust. Uppgifterna återger det material som fanns tillgängligt vid publiceringstillfället och kan komma att ändras. Kontrollera viktig information självständigt och rådfråga vid behov en kvalificerad expert. Att en tillgång, ett företag eller en tjänst nämns innebär inte att den rekommenderas.