所有的机器人在哪里? – TechCrunch
4846字
2020-06-16 07:00
77阅读
火星译客

Rajat Bhageria贡献者

Rajat Bhageria是隐形机器人公司Chef Robotics的创始人兼首席执行官,还是Prototype Capital的创始人兼管理合伙人。

我们被承诺会在任何地方都提供机器人-全自动机器人,它们将端到端地驱动我们的汽车,清洗碗碟,驱动货物,制造食物,移液器并进行实验室工作,编写法律文件,修剪草坪,平衡我们的生活。 书籍,甚至打扫我们的房屋。

然而,除了终结者,WALL-E或HAL 9000或R2-D2外,我们得到的只是Facebook为我们提供了我们不想点击的广告,Netflix推荐了我们不应该继续观看的另一部电影, 和iRobot的Roomba。

那么出了什么问题? 所有的机器人在哪里?

这是我在建立自己的机器人公司(目前在食品机器人领域中名为Chef Robotics的隐形公司)以及通过我的风险投资基金Prototype Capital投资许多机器人/人工智能公司时一直在试图调查的问题。 这就是我所学到的。

我们现在在哪?

首先,机器人并不是什么新鲜事物。 工业上六自由度(即六个电机彼此串联)实际上是在1973年左右开发的,在那里有成千上万的机器人–到目前为止,几乎所有这些机器人都已经投入使用。 工厂自动化的高度受控环境,一次又一次地执行同一件事。 通过这些工厂自动化机器人,我们已经组建了数十亿美元的公司,包括FANUC,KUKA,ABB和富士康(是的,他们制造自己的机器人)。 转到任何汽车制造厂,您都会看到数百个(或者在特斯拉的情况下为数千个)。 它们运转出色,可以拾取巨大的有效载荷(一辆完整的汽车),并且有时精度可达1毫米。

更一般而言,工业自动化世界已经非常成熟,可以找到数百个“系统集成商”,他们说:“我想要一台自动化机器,可以在一个非常狭窄的用例中执行数百万次。为我建立一个系统来做到这一点。”这就是可口可乐获得瓶装产品的方式,百得(Black&Decker)制造产品的钻头,宝洁(Proctor&Gamble)生产洗发剂的方式,更广泛地讲,我们今天如何生产大多数产品。这些系统集成商可能会向您收取100万美元的费用,并让您等了一年才制造机器,但这个世界上几乎任何类型的系统都是可行的。这些系统的问题在于,它们大多是所谓的“硬自动化”,因为它们主要是机电一体化系统,并且如果系统的输入恰好是设计和编程要完成的工作,它们就会协同工作。但是,一旦您将两升可口可乐瓶装到专为半升瓶设计的装瓶机中,系统就不知道该怎么办,而且会失败。

在另一个主要的世界上,我们看到很多生产机器人(外科手术机器人)(不包括纯粹的软件AI代理,例如推荐系统,电子邮件的垃圾邮件查找器,用于照片应用程序的对象识别系统,聊天机器人和语音助手)。 这个领域的主要参与者之一是一家名为Intuitive Surgical(市值$ 66B)的公司,该公司已经建造并部署了约5,000个遥控机器人。 请注意,这些机器人的确是由医生“远程控制”的,并且大多不是自主的。 但是考虑到医院中40%以上的死亡与医生犯的错误有关,患者需要为这些机器人手术支付额外费用,而医院则成批购买。 Verb Surgical,强生,Auris Health和Mako Robotics等主要公司都遵循这一趋势。

关于工厂自动化和外科手术机器人,您会注意到它们处于受严格控制的环境中。 对于工厂机器人,机器人并不是真正的“思考”,而是一遍又一遍地做同样的事情。 对于外科手术机器人,几乎所有的感知,思考和控制都是由操作员完成的。 但是,一旦您让工厂自动化机器人自己思考或让外科手术机器人在没有人工监督的情况下做出决定,系统就会崩溃。

那么,为什么今天我们没有看到更多的机器人呢?

需要区别的是,在当今我们生活的日常世界中,在不受控制的环境中,我们看不到机器人。 为什么我们在日常世界中看不到机器人? 阻碍我们实现反乌托邦机器人世界的主要因素是什么? 这是硬件问题吗? 有软件问题吗? 情报问题? 经济问题? 人类互动的问题?

为了回答这个问题,重要的是要了解机器人的实际含义。 在文献中,机器人是做四件事的代理:

感觉:代理人使用某种传感器来感知世界,例如摄像机,激光雷达,雷达,IMU,温度传感器,光敏电阻或压力传感器。

思考:代理根据传感器数据做出决定。 这就是“机器学习”出现的地方。

行动:基于该决策,代理可以激活并改变周围的物理世界。

沟通:座席与周围的人进行沟通。 (这是最近才添加到模型中的。)

在过去的50年中,我们在以下每个领域都取得了指数级的进步:

1.传感:摄像头和其他传感器(如LIDAR,IMU,雷达和GPS)的价格呈指数下降。

2.想想:像Amazon Web Services和Google Cloud Platform这样的云计算使构建软件的价格变得异常便宜,并允许您按需付费。像NVIDIA这样的GPU已从游戏图形卡中重新使用,使其能够运行非常适合机器学习应用程序的并行进程(现在我们拥有云托管的GPU)。诸如深层神经网络之类的算法已建立在古老的感知器上,能够执行诸如识别物体,理解自然语言甚至创建新内容之类的事情。

3.法:这可能是最成熟的领域。如果我们将机器人世界的最高层次划分为操纵(像我们用手一样与世界互动)和移动机器人(走动/四处走动),那么汽车工业已经解决了移动机器人硬件中的大多数问题,工业自动化已经解决了操纵对象的许多问题(假设对象的给定姿势)。我们非常擅长制造硬件,并且拥有构建可以执行任何工作的机器人所需的基本硬件。

4.交流:通过2000年代和2010年代的互联网和移动革命,我们在用户交互领域取得了长足的进步。如此之多,以至于今天如果我们发现一家公司没有简单的UI / UX,我们就不会立即将其视为认真的事情。Jibo,Anki和Rethink Robotics等已倒闭的公司在这一领域做出了重要贡献。

换句话说,纯粹从技术角度来看(稍后我们将讨论经济学和人与人之间的互动),感觉和行为似乎并不是主要的瓶颈。 我们有非常好的和便宜的传感器,也有很好的驱动技术(主要归功于工业自动化)。

因此,问题主要出在“思考”上。 具体来说,根据宾夕法尼亚大学工程学院院长Vijay Kumar和机器人GRASP实验室的创始人所说,我们之所以在日常世界中看不到机器人,是因为“物理世界在计算时是连续的,因此感知和感知 控制是离散的,世界是高度维度和随机的。”换句话说,仅仅因为机械手可以拿起一个茶杯并不意味着它可以拿起一个酒杯。 当前,大多数公司所采用的思维模式是基于机器学习(更具体地说是深度学习)的思想,其中的基本前提是,与其像经典计算那样编写“程序”而不是吸收一些输入然后吐出 基于它的输出,为什么我们不以训练数据的形式给代理人一堆输入和输出,并把它与程序结合起来?

但是,在我们生活的这个瞬息万变的世界中,以“如果您看到了,就这样做”的想法在成群中提供训练数据的想法行不通; 简而言之,永远不会有足够的培训数据来预测每个案例。 我们不知道自己不知道的事情,除非我们为过去曾经发生过的每个实例以及将来将来发生过的每个实例都提供训练数据,否则这种基于深度学习的模型可以 不能使我们完全自治(如何预测甚至不知道的事情是可能的?)。 作为聪明人的人类实际上可以思考; 基于深度学习的代理并不在意-它们正在进行模式匹配,并且如果该代理所处的当前状态与给定的模式之一不匹配,则机器人会失败(或者在自动驾驶汽车的情况下) ,崩溃)。

我们怎样做才能使更多的机器人工作?

因此,也许深度神经网络并不是我们进入100%自治系统的方式(这就是为什么OpenAI之类的公司正在投资强化学习算法的方法,该算法模仿基于Pavlovian奖励/基于疼痛的学习方法)。 但是与此同时,对于初创企业而言,如果如何构建完全自治的代理程序的问题是错误的呢?

Ripcord是一家体现这种不追求100%自治的想法的公司,这家总部位于加利福尼亚州海沃德的初创公司进行纸张的自动数字化。 如今,公司拥有成千上万个他们希望将其数字化的纸张-“没有人去上大学成为钉书钉去除器,”首席执行官Alex Fielding说-因此,他们将它们发送到Ripcord,在那里将其放入机器人单元中, 拾取并放置每张纸,对其进行扫描,然后重新堆叠。在工厂与Alex聊天时,令我震惊的一件事是他从未提及“使人类自动化”的想法。 相反,他的想法是Ripcord使人的效率提高了40倍。 我看到了第一手资料-一个人在Alex的工厂里监督着四个机器人工作单元。 在一个示例中,当机器人察觉到一张纸将其弄糊涂时,它在处理纸上的速度非常快。就在这时,监督系统的人员在屏幕上收到有关该问题的明确通知。 人类很快在10秒内解决了问题,而机器人又刺激了下一张床单的使用寿命。

因此,如果关于如何建立一个成功的机器人公司的问题不是“我们如何建立使人类自动化的代理人”呢? 而是“我们如何建立代理商以使人类效率提高40倍,同时又利用他们的智能来处理所有极端情况?” 随着人工智能的发展,这似乎是同时建立成功公司的公式。

证明这一点的另一家公司是Kiwi Robotics。 Kiwi的总部设在加利福尼亚州的伯克利,制造移动食品运送机器人。 但是,与首席执行官FelipeChávez聊天时,“我们不是一家AI公司; 我们是一家送货公司。” 费利佩(Felipe)创立Kiwi时,并没有投资大量昂贵的机器学习工程师。 而是在构建硬件原型之后,他构建了低延迟软件以能够远程操作Kiwi。这个想法最初是人类为Kiwi做100%的决策,然后慢慢地他们将建立算法以将其从100%减少到完全自主。 如今,Kiwi在哥伦比亚(费利佩出生的地方)拥有由数十名远程操作员组成的团队,已交付了超过100,000架飞机。一个人可以监督多个机器人,而机器人几乎可以做出所有决定,而人只是在纠正路线。 另一方面,许多在完全自治方面进行投资的竞争对手都在努力交付甚至1000架。 [完整披露-我通过我的基金Prototype Capital是Kiwi Robotics的投资者。]

在这两种情况下,最重要的因素之一不是机器学习算法,而是人机界面。 这是当代机器人公司所缺少的吗? 血无人机交付公司Zipline的创始人,早期的机器人先驱Keenan Wyrobek表示:“虽然我在美国市场上的……企业主身上得到了'裁员'的建议,但我看到无数机器人初创公司因这种思维方式而失败了。确保您的设计和工程团队专注于提高系统的所有用户的生产力……我不在乎您的机器人有多好,它仍然有用户(进行设置,重新配置,故障排除,维护等的人员) )。 而且,如果这些用户不在您设计过程的中心,那么您的机器人将无法正常运行,甚至无法看到投资回报率。”

此外,根据Bright Machines的首席执行官兼Autodesk的前联合首席执行官Amar Hanspal的说法,“两者之间的共同因素是,机器人公司首先从技术入手(这太难了,有些令人兴奋,因此它成为了最终目标。 本身),而不是他们试图解决的问题。 关键是……定义您要解决的问题,然后围绕它构建出色的用户体验。 机器人技术是达到目的的一种手段,而不是目的本身。”

在当今的世界中,我们还能做些什么来看到更多的机器人?

到目前为止,我们已经看到,机器人无法兑现其日常承诺的主要原因之一是,该世界是非常随机的,基于深度学习的模型所基于的人工智能根本不够好, 处理每个角落的情况。 因此,也许机器人公司应该采用“人力扩充”模型来代替劳动力节省模型。 以Apple和Airbnb的以人为本的设计至上心态而非工程学为主题的剧本,并投入惊人的用户体验。

我们可以做一些其他事情来使机器人走在最前列:

首先是在制造产品之前先出售产品。 在硅谷的软件世界中,埃里克·里斯(Eric Ries)的“精益创业”(The Lean Startup)推广了“快速启动并快速迭代,直到适应产品市场”的想法。 对于软件创业公司而言,这非常有效。 但是随着硬件和机器人技术的发展,最终发生的事情是,拥有大量工程人才的初创公司最初并不专注于销售,而是专注于工程,然后他们开始建造,建造,建造。然后他们去找客户卖,客户说:“这不完全符合我们的目标。”公司没有足够的途径进行迭代,然后就死了。 这已经发生了一遍又一遍。 似乎对于软件启动公司而言,精益启动方法行之有效,因为您可以在大多数时间免费启动(感谢云),在现场进行一次迭代,部署速度很快,并且在运行之前有五到六次目标 种子轮中没钱了。 但是在硬件世界中,您的硬件成本很高,部署速度很慢,迭代周期很慢,而且目标只有一两个镜头。

需要明确的是,我们非常擅长硬件。 只是不是以软件为中心的硅谷(值得注意的是苹果和特斯拉)。 可能的原因之一是在建造之前缺乏销售。 例子:波音公司没有与泛美航空公司的传奇创始人胡安·特里佩(Juan Trippe)接触,并说:“这是波音747,您喜欢吗? 没有。让我回去构建一个新版本……您现在喜欢吗?” (即迭代“精益创业”)。 相反,波音公司要求泛美航空公司提前订购数十个具有所有功能的飞机,以便波音公司可以在第一时间就将其建造正确。 换句话说,波音公司在制造产品之前先出售产品。 系统集成商会在构建任何东西之前要求订单和现金。 大多数硬件公司和军事部门也是如此。 也许机器人公司可以从比尔·盖茨(Bill Gates)的剧本中翻页,然后在编写MS-DOS之前将MS-DOS卖给IBM。

建房前出售的好处之一是您可以对单位经济学进行健全性检查。 机器人技术是其中不仅存在技术风险而且还存在单位经济风险的领域之一。 从历史上看,许多公司发现,即使他们可以在受限的环境中找到一个好主意,建造技术,筹集风险投资并建立良好的人机协作,但它们的经济意义不大,并且再次失败。通过在建造之前进行出售,您必须分析客户的经济状况以及自己的经济状况,并确保这是有道理的。 如果您尝试在生产之前销售产品而没人想要它,这是一种非常低风险的方法,可以确定您的客户可能不会购买该产品,并且您可能希望转向下一个想法。

在经济学上,更一般地说,我们需要从前期现金模型转向机器人即服务模型。 许多将要购买机器人应用程序的客户的利润率非常低,无法负担系统的$ 100,000 +预付款(即使投资回收期为一两年)。 增加了火力的是,当活化能“已经有用”时,活化能最终变得太大而无法改变。 因此,他们拒绝产品(然后启动公司死亡)。我们可以在这里浏览太阳能电池/光伏电池行业的内容;太阳能电池经济学对于许多房主来说意义非凡,但在2000年代很长一段时间里,我们看到的太阳能电池很少。为什么? 尽管经济学在几年内是有意义的,但对大多数美国人来说,前期准备还是太多了。引爆点不是技术上的,而是金融上的,像Solar City,Sunrun,Sun Power和其他公司这样的公司正在创新一种模式,客户先支付近0美元,然后每月支付PPA贷款,他们按每度电产生的千瓦时数付费。同样是云计算的创新-与在本地购买一堆服务器来运行Oracle和SAP一样,Salesforce之类的公司提出了“按使用量付费”模型。为了获得成功,机器人公司需要进行财务工程,以便客户只需支付很少的前期费用,而只需支付使用的费用(每个工作小时,扫描的每张纸,清洗的盘子,行驶的每英里,每公斤的运费 发货)。

在构建之前进行销售的另一个好处是,即使您也在构建硬件,也可以在现场进行一致的测试。 传统上,这种“部署后迭代”是软件的好处(与Apple相比,Apple通常在发布Mac之前五到七年就开始为某些Mac进行硬件开发)。 由于您已经有一个客户,因此他们对使产品起作用具有既得利益。 我们已经看到一种非常成功的策略,就是为早期客户提供一些顾问权益,以便进一步激励他们与您合作,以使产品在经济和技术上为他们服务。

但是也不是所有的东西都必须是软件。 如今,大多数硅谷风险投资人都在看到“硬件繁重”的机器人公司时感到畏缩。 他们说:“如果您采用更多的软件方法,我们将进行投资。”因此,今天,我们看到机器人公司试图使用几乎100%的现成硬件,并将几乎所有的精力都集中在软件上。在某些应用程序中这是有道理的,但事实是,硬件的故障要比软件和硬件出现几千年来的故障少得多,并且与相对新生的计算时代相比,我们真的很擅长于此。 在很多情况下,硬件可以比软件更好地解决问题。以垃圾箱拣选为例; 如今,有数十家初创公司从大型风险投资机构筹集了数亿美元,这些风险投资商构建了基于深度学习的通用系统和基于强化学习的系统,以便能够从容器中拾取和放置通用对象。 另一方面,在拉斯维加斯的PACK Expo上,我看到了一家名为Soft Robotics的公司。他们采用了一种主要基于硬件的方法,即使用一种新颖的抓取器,无需任何计算机视觉,就可以使用出色的控制来拾取和放置对象(比几乎所有基于计算机视觉的初创公司都更加一致)。 当然,构建软件和培训数据工作很重要,但是当有一个更简单,更强大的解决方案时,为什么以更复杂的方式解决问题呢? 我们不应该从硬件上运行-我们只需要重新考虑如何做硬件。

更笼统地说,硅谷风tou公司已经建立了一种心态,即如果一家公司的价值不能超过十亿美元,那它就不值得做或投资。因此,机器人创始人试图开发可以服务于所有潜在客户的技术,以期筹集风险投资。 尽管他们减轻了风险投资,但最终他们开发出的产品并不能使任何一个客户都非常满意。刚开始时最好的公司市场很小。 在我们这个高度维度的世界中,第一天试图建立一个疯狂的通用机器人公司是一个错误。 相反,一开始重要的是要疯狂地关注一个(或两个)客户。 解决了该客户的问题后,您会发现其他客户可能想要类似的东西。在一开始,机器人技术的扩展速度可能不会像消费者甚至企业软件公司那样快。 但这并非闻所未闻。 在英特尔和个人计算机时代之前,计算机的工作原理与今天的自动化系统集成商的工作原理非常相似:您去一家工程公司购买了一台可以做一件事的特定计算机,例如计算导弹的轨迹,您为此支付了100万美元, 您等了六个月,便得到了一个房间大小的计算机。正如开始时计算速度缓慢且不可扩展一样,机器人技术也将如此。 没关系,仍然有数十亿美元的回报。

最后,建立一个成功的机器人公司的方法也许确实是销售垂直B2B解决方案(即“墙外的洞”而不是钻头),而不是制造面向消费者的B2C公司。 后者的承诺很简单:如果现有客户没有看到该技术对他们有用或没有经济意义,那么为什么我们既不开发该技术又成为自己的客户呢? 毕竟,我们的技术更好,因此我们可以自己赚钱,而且我们可以控制环境,因此技术上也应该更容易。 这与决定创建自己的对冲基金而不是将其技术出售给其他对冲基金的创新高频交易公司一样。因此,我们看到了B2C机器人餐厅,端到端的律师事务所,它们在构建AI以实现自身自动化以及面向消费者的咖啡店。 问题有两个方面:一是餐厅等大多数B2C企业失败,而大多数初创企业都失败了,但是,两者兼而有之,特别是对于跑道有限的初创企业而言。 还有两个,其中许多品牌之所以未能奏效,并不是因为这项技术无法奏效,而是因为消费者品牌的实力不足。建立硬技术产品所需的团队与建立消费者品牌所需的团队截然不同,而且,即使他们的技术有效,该品牌通常也不够强大,因此客户来一次 拍张照片,但保留率不足以使经济学发挥作用。 教育型机器人和“玩具”机器人也是如此,虽然这些机器人很“酷”,但我们还没有看到一个使用这种模型来建立持久公司的公司的例子,因为它们看起来更“不错” 拥有”比“需要”。 (因此,当发生像我们这样的经济不景气时,没人会再想要这种产品。)

最近还出现了一种向平台赋能的趋势,该平台可以使机器人公司获得成功的便利,就像AWS使现代互联网公司获得成功的便利一样。 从表面上看,这听起来再一次很棒,但是不同之处在于,在AWS诞生之前,有一批繁荣的软件公司正在建立出色的业务,并且有现金来支付AWS以购买更好的产品。 但是今天,机器人公司根本没有足够的收入来使这些B2B公司变得有意义。 在App Store的平台有意义之前,我们似乎仍然需要iPhone的“杀手级应用程序”。

中断成熟的区域

换句话说,在当今世界看到机器人方面,我们还有很长的路要走,因为机器人公司有很多地方可能出问题。 我认为,在短期内(接下来的两到四年),我们将在日常世界中看到更多这类机器人:

更加自动化的工厂自动化。 对于工厂自动化,客户已经存在。 如果我们能够开发出更好的技术来使这些系统更具自治性,那么我们将会看到更多希望这样做的客户。

半自治和遥控公司。 与外科手术机器人(特斯拉自动驾驶仪和奇异鸟)相似,我们将看到更多的公司,其目标是部分自zhu权和增强人类能力而不是替代人类。

在工厂式设置中基于操纵的机器人。 2015年,主要是由于Google对自动驾驶汽车的投资,风tou公司以“驾驶即驾驶即驾驶”为前提,向自动驾驶汽车投资了数亿美元。 如果我们能解决在一个城市中一辆汽车的驾驶问题,那么它的扩展性可能很好。 如今,我们处于自动驾驶汽车的寒冬,很少有公司对下一步该有什么想法(主要是因为世界是如此随机,深度学习可能还不够)。 另一方面,操纵被抛在了后面,今天似乎正在卷土重来,因为我们看到工程师们离开了自动驾驶汽车公司,并寻求可以早日投入生产的新东西。 操纵应用程序往往处于高度受控的环境中,我们可能会看到更多此类应用程序(例如Bright Machines的微型工厂和AMP Robotics的回收分类机器人)

同样,今天存在着“向云移动”的趋势。 想象一下,在第一次工业革命之前,我们曾经在自己的家中生产纺织品。 但是后来我们意识到,我们可以在工厂集中生产纺织品并利用规模经济。 结果,今天我们看到很少有人在家中制造纺织品。 将此应用到今天,如果您想象一个几乎所有事物都移动到“云”中的世界,并且您将家务交给其他人使用中央机器人设备(烹饪,洗碗,洗布,折叠布等)来做。 ),有很大的机会应用影响日常生活的机器人,但机器人的工作环境最佳(工厂)。

也许那时我们唯一要做的就是打扫房间,因此,从现在到现在,将永远存在着大量的机器人清洁系统的机会,以清洁室内房屋,修剪室外法律,清洁室内商场和其他B2B应用以及犁 室外的雪。

机器人技术仍然具有广阔的前景,而且肯定是可行的。 在建造之前进行销售,确保单位经济状况以低风险押注尽早发挥作用,经常在现场进行系统测试,为早期客户提供咨询顾问资产以调整激励措施,为特定客户很好地解决问题提供产品,而不是构建通用产品 ,将机器人视为优秀的硬件和优秀的软件的组合,而不是单独的软件,那么追求垂直B2B应用程序将有所帮助。 但是,从广义上讲,可能不是时候从头开始思考,而不是用相同的软件思维锤砸每一个钉子。

0 条评论
评论不能为空