- อุตสาหกรรมหุ่นยนต์ในปัจจุบันยังอยู่ใน ระดับประมาณ GPT-2.5 โดยโมเดลพื้นฐานเริ่มแสดงศักยภาพจริงแล้ว แต่ช่องว่างระหว่างผลงานในห้องแล็บกับการนำไปใช้งานภาคสนามยังคงกว้าง
- แม้ Goldman Sachs จะปรับเพิ่มประมาณการเป็น ตลาดมูลค่า 3.8 หมื่นล้านดอลลาร์ในปี 2035 สูงขึ้น 6 เท่าในเวลาเพียง 1 ปี แต่ Bessemer มองว่าตัวเลขนี้ยังค่อนข้างอนุรักษนิยม และคาดว่าต้นทุนข้อมูลสำหรับหุ่นยนต์เพียงอย่างเดียวจะใช้เงิน มากกว่า 3 พันล้านดอลลาร์ทั้งอุตสาหกรรม ในช่วง 2 ปีข้างหน้า
- ผู้ก่อตั้งบริษัทหุ่นยนต์ในสหรัฐ 48% มาจาก 4 สถาบัน ได้แก่ Stanford, MIT, Berkeley และ CMU ซึ่งสะท้อนว่าการกระจุกตัวของบุคลากรจะเร่งโครงสร้างแบบผู้ชนะกินรวบ
- มูลค่ากลางของรอบ Series A สำหรับบริษัทหุ่นยนต์ด้านกลาโหมอยู่ที่ 105 ล้านดอลลาร์ มากกว่าบริษัทนอกภาคกลาโหม 2 เท่า และด้วยมูลค่าบริษัท 6 หมื่นล้านดอลลาร์ของ Anduril จึงมีการคาดการณ์ว่า IPO แรกที่มีมูลค่าเกิน 5 หมื่นล้านดอลลาร์ จะมาจากภาคส่วนนี้
- ในช่วง 5 ปีที่ผ่านมา บริษัทหุ่นยนต์ที่ได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์มีเพียง 42 แห่ง หรือแค่ 1/18 ของซอฟต์แวร์ จึงไม่ใช่ภาวะฟองสบู่ แต่เป็นภาวะ ลงทุนต่ำกว่าระดับที่ควรอย่างเป็นโครงสร้าง
อุปสงค์เชิงโครงสร้างและแนวโน้มตลาดของหุ่นยนต์
- ความต้องการใช้แรงงานทดแทนในงานที่ใช้แรงกายซ้ำ ๆ หรือสภาพแวดล้อมการทำงานที่อันตรายเพิ่มขึ้นอย่างต่อเนื่องจาก การเปลี่ยนแปลงโครงสร้างประชากร ในสหรัฐ ยุโรป ญี่ปุ่น และจีน
- นักวิเคราะห์บางรายคาดว่าตลาดหุ่นยนต์จะมีมูลค่า 3.8 หมื่นล้านดอลลาร์ภายในปี 2035 และ Goldman Sachs ก็ได้ปรับเพิ่มประมาณการนี้ขึ้น 6 เท่าในเวลาเพียง 1 ปี
- Bessemer มองว่าแม้แต่ประมาณการนี้ก็ยัง อนุรักษนิยม ทั้งในด้านความเร็วและขนาด
- Jeremy Levine พาร์ตเนอร์ของ Bessemer กล่าวว่า “ภายใน 10–20 ปีข้างหน้า จะมี หุ่นยนต์บนโลกมากกว่าปัจจุบัน 100,000 เท่า”
- Bessemer มองเห็นโอกาสการลงทุนในช่วงที่ การเคลื่อนย้ายบุคลากร ความก้าวหน้าทางเทคโนโลยี และแรงส่งเชิงโครงสร้าง เร่งตัวพร้อมกัน โดยพอร์ตลงทุนประกอบด้วย Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics และอื่น ๆ
คาดการณ์ 1: ช่วงเวลา ChatGPT ของหุ่นยนต์กำลังใกล้มา แต่ยังมาไม่ถึง
- อุตสาหกรรมหุ่นยนต์อยู่ในช่วงที่เทียบได้กับ โมเมนต์ GPT-2.5 โดยโมเดลพื้นฐานเริ่มแสดงความสามารถที่ใช้งานได้จริง และกฎการสเกลเริ่มปรากฏชัด แต่ ช่องว่างระหว่างเดโมในงานวิจัยกับการใช้งานจริงในโปรดักชัน ยังมีอยู่มาก
- โมเดล π0 ของ Physical Intelligence สามารถพับผ้าได้สำเร็จด้วยความคล่องแคล่วระดับมนุษย์
- งานวิจัย EgoScale ที่เผยแพร่ในเดือนกุมภาพันธ์ 2026 พิสูจน์ว่าประสิทธิภาพของ policy ดีขึ้นอย่างคาดการณ์ได้ตามขนาดของข้อมูล pretraining และเป็นหลักฐานชิ้นสำคัญชุดแรกที่ชี้ว่าโมเดลพื้นฐานด้านหุ่นยนต์กำลังเดินตาม เส้นโค้งการพัฒนาที่อิงข้อมูลแบบเดียวกับ LLM
- มีคำถามสำคัญที่ยังไม่คลี่คลาย 2 ข้อ
- ต้องใช้ข้อมูลมากแค่ไหนเพื่อปิดช่องว่างระหว่างประสิทธิภาพในห้องแล็บกับ ความน่าเชื่อถือ 99.9% ที่โปรดักชันต้องการ
- หากช่วงเวลา ChatGPT ของหุ่นยนต์มาถึง มันจะมีหน้าตาอย่างไร
- ต่างจากแชตบอตที่พิสูจน์ความสามารถได้ผ่านกล่องข้อความ หลักฐานของหุ่นยนต์จะต้องเป็น หุ่นยนต์ที่ทำงานซับซ้อนในสภาพแวดล้อมที่ไม่คุ้นเคยได้โดยไม่ต้องมีมนุษย์แทรกแซง
- สาขาที่มีการใช้งานเชิงพาณิชย์แล้ว ได้แก่ ระบบอัตโนมัติในคลังสินค้า การช่วยผ่าตัด การส่งของช่วง last-mile และการตรวจสอบอุตสาหกรรม ซึ่งเป็นระบบเฉพาะทางในสภาพแวดล้อมจำกัดและเริ่มสร้างรายได้แล้ว
- Armen Aghajanyan ซีอีโอของ Perceptron กล่าวว่า “หัวใจของหุ่นยนต์ในโลกจริงไม่ใช่อัลกอริทึมควบคุมที่ดีกว่าเดิม แต่คือ โมเดลพื้นฐานที่เข้าใจโลกกายภาพ ส่วนการควบคุมหุ่นยนต์เป็นเพียงเลเยอร์บาง ๆ ที่อยู่ด้านบน”
คาดการณ์ 2: การมาถึงของกฎการสเกล — ข้อมูลมีราคาแพง ทุนคือคูเมือง และ world model อาจเป็นทางลัด
- LLM สามารถใช้ข้อความจากอินเทอร์เน็ตได้ระดับหลายแสนล้านล้านโทเค็น แต่ในหุ่นยนต์ยัง ไม่มีคอร์ปัสเทียบเท่ากัน
- ข้อมูลการควบคุมหุ่นยนต์ทั่วโลกมีราว 300,000 ชั่วโมง เทียบกับวิดีโอบนอินเทอร์เน็ตราว 1 พันล้านชั่วโมง และข้อความ 300 ล้านล้านโทเค็น จึงเกิดช่องว่างเชิงโครงสร้างอย่างชัดเจน
- Bessemer ประเมินว่าต้นทุนข้อมูลด้านหุ่นยนต์ทั้งอุตสาหกรรมใน 2 ปีข้างหน้าจะสูงกว่า 3 พันล้านดอลลาร์
- รวมถึง teleoperation, วิดีโอแบบ egocentric, การจำลอง และการเก็บข้อมูลจากการสาธิตจริง
- ข้อมูลหุ่นยนต์ไม่สามารถ scrape หรือซื้อมาได้ แต่ต้อง สร้างขึ้นเองตามงานและตามสภาพแวดล้อม
- Ian Glow ซีอีโอของ Zeromatter กล่าวว่า “teleop เพียงอย่างเดียวไม่สามารถเป็นกลยุทธ์ข้อมูลที่ประสบความสำเร็จได้ ต้องดึงข้อมูลจากอินเทอร์เน็ตหรือ simulator ผ่าน reinforcement learning เพื่อให้ได้ทั้งขนาดและความหลากหลายตามต้องการ”
- World model: โครงข่ายประสาทที่เรียนรู้กฎของฟิสิกส์จากวิดีโอระดับอินเทอร์เน็ต
- V-JEPA 2 ของ Meta ฝึกจากวิดีโอมากกว่า 1 ล้านชั่วโมง และใช้ข้อมูลหุ่นยนต์เพิ่มอีกเพียง 62 ชั่วโมง ก็ทำให้แขนกลจริงทำ pick-and-place แบบ zero-shot ได้สำเร็จ 80%
- อย่างไรก็ตาม Cosmos ของ NVIDIA ใช้ H100 GPU จำนวน 10,000 ตัวเป็นเวลา 3 เดือนในการฝึก ซึ่งหมายความว่า world model ก็ยังเป็น แนวทางที่ใช้ทุนสูง
- การจำลองและ reinforcement learning: การถ่ายโอนจาก sim-to-real ใช้ได้ดีกับการเดิน (locomotion) แต่สำหรับ การหยิบจับ/ควบคุมวัตถุ (manipulation) ยังเป็น โจทย์วิจัยที่ไม่คลี่คลาย เพราะติดข้อจำกัดด้านความสมจริงของวัตถุอ่อนนุ่ม ผ้า และของเหลว
- Brian Moore ซีอีโอของ Voxel51 กล่าวว่า “สิ่งที่แยกผู้นำออกจากคนที่ขายฝันใน physical AI คือ ความหมกมุ่นกับคุณภาพข้อมูล เพราะข้อมูลที่แย่ไม่ใช่แค่ไร้ประสิทธิภาพ แต่เป็นอันตราย”
คาดการณ์ 3: การกระจุกตัวของบุคลากรจะตัดสินผู้ชนะอย่างรวดเร็ว — นี่ไม่ใช่ตลาดที่ 50 บริษัทจะประสบความสำเร็จ
- ในบรรดาบริษัทหุ่นยนต์สหรัฐที่ก่อตั้งในช่วง 5 ปีที่ผ่านมาและได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์ 43% ของผู้ก่อตั้งมีปริญญาเอก
- ในกลุ่มนี้ 48% มาจาก 4 สถาบัน ได้แก่ Stanford, MIT, Berkeley และ CMU
- 56% มีผู้ร่วมก่อตั้งอย่างน้อย 1 คนที่จบปริญญาเอก และ 43% มีผู้ก่อตั้งที่มาจากสายวิชาการโดยตรง
- คูเมืองด้านบุคลากร (talent moat) สร้างผลทบต้นตามลำดับ บุคลากร → ทุน → พันธมิตรข้อมูล → ความสัมพันธ์กับลูกค้า → ชุดข้อมูลเฉพาะ ทำให้โครงสร้างแบบผู้ชนะกินรวบเกิดขึ้นเร็วกว่าที่คนส่วนใหญ่คาด
- ในวงการ LLM โอเพนซอร์สอย่าง Llama และ Mistral ช่วยทำให้การเข้าถึงความสามารถเป็นประชาธิปไตยมากขึ้น แต่ในหุ่นยนต์ แม้โอเพนซอร์สอย่าง LeRobot, Genesis, Isaac Lab จะเติบโตขึ้น ก็ยังมีแรงเสียดทานทางกายภาพจากข้อเท็จจริงที่ว่า “ยังต้องมีหุ่นยนต์จริงอยู่ดี”
- ทีมที่มีความเชี่ยวชาญลึกที่สุดในด้าน sim-to-real, manipulation, locomotion และ sensor fusion กำลังสร้างความได้เปรียบที่ไม่สามารถลอกเลียนได้ง่ายผ่านการปล่อยโอเพนซอร์ส
คาดการณ์ 4: บริษัทแบบ full-stack จะกอบโกยมูลค่าในระยะสั้น — บริษัทโมเดลพื้นฐานล้วน ๆ ยังต้องรอ
- ในโลก LLM ทีม 2 คนก็สามารถสร้างผลิตภัณฑ์ AI ระดับ frontier ได้ทันทีผ่าน API endpoint เดียว อย่าง GPT-4 แต่ในหุ่นยนต์ยังต้องมี การเก็บข้อมูลเฉพาะโดเมน การ fine-tune ให้เข้ากับสภาพแวดล้อม การผสานฮาร์ดแวร์ และโครงสร้างพื้นฐานการปฏิบัติการ
- คูเมืองที่กำลังก่อตัวอยู่ตอนนี้ไม่ได้อยู่ที่สถาปัตยกรรมโมเดลเท่าไร แต่อยู่ที่ pipeline ข้อมูลเฉพาะ ความเชี่ยวชาญเชิงโดเมน โครงสร้างพื้นฐานการ deploy และความสัมพันธ์กับลูกค้าที่สร้าง feedback loop
- ต้นทุนฮาร์ดแวร์ที่ลดลง กำลังเร่งพลวัตนี้
- Mike Winn ซีอีโอของ DroneDeploy กล่าวว่า “หุ่นยนต์ภาคพื้นสำหรับงานก่อสร้างลดจาก 100,000 ดอลลาร์เหลือต่ำกว่า 15,000 ดอลลาร์ต่อเครื่อง และโดรนพร้อมแท่นจอดลดจาก 200,000 ดอลลาร์เหลือต่ำกว่า 20,000 ดอลลาร์ ทำให้ตอนนี้กำลังผ่านจุดเปลี่ยนสำคัญของการขยายการ deploy”
- สแตกกำลังแยกออกเป็น 3 เลเยอร์
- เลเยอร์โครงสร้างพื้นฐาน: โมเดลพื้นฐาน, world model
- เลเยอร์แอปพลิเคชัน: บริษัท full-stack ที่มีฮาร์ดแวร์คัสตอมของตัวเอง (humanoid, ระบบอุตสาหกรรม) และบริษัท full-stack ที่นำ AI ไปใช้กับแพลตฟอร์มเชิงพาณิชย์แบบสำเร็จรูป
- เหตุผลที่มูลค่ากระจุกตัวอยู่ในเลเยอร์แอปพลิเคชัน คือเลเยอร์โครงสร้างพื้นฐานยัง ไม่เป็นระบบอเนกประสงค์พอที่จะรองรับการ deploy แบบ end-to-end ได้ด้วยตัวเอง
- เมื่อโมเดลพื้นฐานดีขึ้นและ sim-to-real เติบโตเต็มที่ ช่วงเวลา API ของหุ่นยนต์ จะมาถึง แต่เรื่องนั้นน่าจะเป็น หลังปี 2028 ส่วนในช่วงเวลาปัจจุบัน พื้นที่ที่สร้างมูลค่าอย่างยั่งยืนยังคงเป็นการบูรณาการแนวดิ่ง
- Adrian Macneil ซีอีโอของ Foxglove กล่าวว่า “ความได้เปรียบชี้ขาดของ physical AI ไม่ได้อยู่ที่ความแปลกใหม่ของโมเดล แต่คือ คุณภาพของโครงสร้างพื้นฐานข้อมูล และเมื่อโมเดลเริ่มคอนเวิร์จ บริษัทที่มี data flywheel แข็งแกร่งที่สุดจะเป็นผู้ชนะ”
คาดการณ์ 5: หุ่นยนต์ด้านกลาโหมจะนำไปสู่ IPO แรกของหมวดนี้ที่มีมูลค่าเกิน 5 หมื่นล้านดอลลาร์
- มูลค่ากลางของ Series A สำหรับบริษัทหุ่นยนต์ด้านกลาโหมในปี 2025 อยู่ที่ 105 ล้านดอลลาร์ มากกว่าบริษัทนอกภาคกลาโหมที่อยู่ที่ 50 ล้านดอลลาร์ ถึงกว่า 2 เท่า และช่องว่างนี้ขยายกว้างขึ้นทุกปีนับตั้งแต่ 2021
- Anduril ปิดรอบในเดือนมีนาคม 2026 ที่ มูลค่าบริษัท 6 หมื่นล้านดอลลาร์ ขณะที่ Saronic ระดม Series D มูลค่า 1.75 พันล้านดอลลาร์ สำหรับเรืออัตโนมัติในเดือนเดียวกัน
- วงจรการจัดซื้อด้านกลาโหมแม้จะยาว แต่คาดการณ์ได้ ขนาดสัญญาใหญ่ อัตราต่อสัญญาสูง และต้นทุนการเปลี่ยนผู้ให้บริการสูงมาก
- ต่างจากหุ่นยนต์เชิงพาณิชย์ ผู้ซื้อด้านกลาโหมไม่ได้คิดบนฐาน ROI แต่คิดบนฐาน ความเสี่ยงด้านความมั่นคงของชาติ
- มิติทางภูมิรัฐศาสตร์ยิ่งเร่งแนวโน้มนี้: ในปี 2025 หุ่นยนต์ humanoid ที่ขายทั่วโลกราว 90% ผลิตในจีน
- โมเดล AI ของจีนยังตามหลังสหรัฐโดยเฉลี่ยราว 7 เดือน แต่ช่องว่างนี้กำลังแคบลงอย่างต่อเนื่อง และรัฐบาลสหรัฐเริ่มมองหุ่นยนต์เป็น สิ่งจำเป็นด้านความมั่นคงของชาติ
- ในมิติของ dual-use บริษัทที่มีแนวป้องกันดีที่สุดไม่ได้สร้างระบบอาวุธเฉพาะทางเพียงอย่างเดียว แต่กำลังสร้าง แพลตฟอร์มอัตโนมัติ ระบบการรับรู้ และโครงสร้างพื้นฐานการตัดสินใจ ที่นำไปใช้เชิงพาณิชย์ได้ด้วย
- Matthew Buffa ผู้ร่วมก่อตั้ง Breaker กล่าวว่า “บริษัทที่น่าสนใจที่สุดไม่ใช่บริษัทที่เลือกระหว่างกลาโหมหรือเชิงพาณิชย์ แต่คือบริษัทที่สร้าง ระบบที่เก่งพอสำหรับข้อกำหนดด้านกลาโหม และยังมีนวัตกรรมเชิงพาณิชย์ได้พร้อมกัน”
คาดการณ์ 6: ไม่มีฟองสบู่หุ่นยนต์ — ตรงกันข้าม เงินทุนยังไหลเข้ามาไม่พอ
- ในช่วง 5 ปีที่ผ่านมา มี บริษัทซอฟต์แวร์ 745 แห่ง ที่ได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์ เทียบกับหุ่นยนต์ที่มีเพียง 42 แห่ง หรือน้อยกว่า 18 เท่า
- ทั้งที่ตลาดตั้งต้นของหุ่นยนต์มีขนาด ใหญ่กว่าการใช้จ่ายซอฟต์แวร์ทั่วโลก 30 เท่า
- แม้จะคำนึงถึงความใช้ทุนสูงของธุรกิจฮาร์ดแวร์ ก็ยังถือว่าเป็นภาวะ ลงทุนต่ำกว่าระดับที่เหมาะสมอย่างเป็นโครงสร้างเมื่อเทียบกับโอกาส
- นักวิเคราะห์ส่วนใหญ่คาดว่าอุตสาหกรรมนี้จะเติบโต 50 เท่าใน 10 ปีข้างหน้า แต่ Bessemer มองว่านี่ยังเป็นการประเมินที่จำกัดอยู่แค่การทำระบบอัตโนมัติให้ workflow เดิม และยัง ไม่สะท้อนหมวดกิจกรรมเศรษฐกิจใหม่ ที่หุ่นยนต์อเนกประสงค์จะสร้างขึ้น
- ไม่ใช่ว่าทุกบริษัทที่ได้รับเงินทุนจะประสบความสำเร็จ บางมูลค่าบริษัทก็สูงเกินจริง และเงินทุนจะ กระจุกตัวอยู่กับผู้นำเพียงไม่กี่ราย
- แต่ความเข้มงวดในการคัดเลือกกับความขาดแคลนเป็นคนละเรื่องกัน และระดับการลงทุนรวมในหุ่นยนต์ก็ยัง น้อยเกินไปมากเมื่อเทียบกับขนาดโอกาสและความเร็วของการพัฒนาความสามารถ
- ตอนนี้ คือหน้าต่างเวลาสำคัญในการลงทุนในบริษัทแกนหลัก ก่อนช่วงเวลา ChatGPT จะมาถึง และก่อนที่การรวมศูนย์ของบุคลากรจะเสร็จสมบูรณ์ เพราะถ้ารอหลักฐานของจุดเปลี่ยน ก็อาจพลาดโอกาส
- Nikita Rudin ซีอีโอของ Flexion กล่าวว่า “อีก 5 ปีข้างหน้า หุ่นยนต์ส่วนใหญ่ที่ถูก deploy ทั่วโลกจะไม่ได้มาจากสตาร์ทอัพที่เรารู้จักในวันนี้ แต่จะมาจาก บริษัทที่ยังไม่ได้เริ่มสร้างหุ่นยนต์เลยในตอนนี้ แต่รู้วิธีผลิตในสเกลใหญ่”
ประเด็นที่ยังไม่คลี่คลายและข้อถกเถียงที่ยังเปิดอยู่
- ช่องว่างด้านความน่าเชื่อถือ: การเพิ่มอัตราความสำเร็จของงานจาก 80% เป็น 99.9% ไม่ใช่ปัญหาเชิงเส้น
- ต้องใช้อีกแนวทางที่แตกต่างโดยพื้นฐาน เช่น tactile sensing, force feedback และ sim-to-real สำหรับ manipulation
- Lisa Yan ซีอีโอของ Argus Systems กล่าวว่า “จากประสบการณ์ที่ Waymo การ deploy จริงจะยิ่งยากขึ้นเรื่อย ๆ ตามกาลเวลา และเผยให้เห็นปัญหาการคัดสรรข้อมูลเฉพาะทางมากขึ้น โดย การปิดช่องว่างจาก 99% เป็น 99.9% ใช้เวลานานกว่าที่คนส่วนใหญ่คาด”
- ปัญหาต้นทุนการอนุมาน: world model และโมเดล vision-language-action ขนาดใหญ่มีต้นทุนการรันแบบเรียลไทม์สูง
- โมเดลข้อความสามารถ batch บนโครงสร้างพื้นฐานที่ใช้ร่วมกันสำหรับผู้ใช้พร้อมกันหลายพันคนได้ แต่โมเดลหุ่นยนต์ต้อง สร้างสถานะสภาพแวดล้อมทุก ๆ ไม่กี่มิลลิวินาทีต่อหุ่นยนต์หนึ่งตัว จึงแทบจะต้องใช้ pipeline GPU เฉพาะ
- ต้นทุนการอนุมานของ LLM ลดลงราว 1,000 เท่าใน 3 ปี และการที่หุ่นยนต์จะเดินตามเส้นโค้งแบบเดียวกันได้หรือไม่ จะเป็นตัวตัดสินความเป็นไปได้เชิงพาณิชย์ของแนวทางโมเดลพื้นฐาน
- Interpretability กำลังกลายเป็นเลเยอร์โครงสร้างพื้นฐานรุ่นถัดไป
- แค่ในไตรมาส 1 ปี 2026 มีเงินไหลเข้าสู่บริษัท world model ราว 6 พันล้านดอลลาร์ ใน 6–7 บริษัท
- Mahesh Krishnamurthi ผู้ร่วมก่อตั้ง Vayu Robotics กล่าวว่า “เมื่ออุตสาหกรรมเติบโตขึ้น interpretability จะกลายเป็น องค์ประกอบที่ประนีประนอมไม่ได้ แต่ตอนนี้โมเดลเหล่านี้ยังเป็นกล่องดำ และเราคาดว่าจะเห็น คลื่นสตาร์ทอัพที่สร้างเครื่องมือเพื่อเปิดกล่องนั้น”
- โอเพนซอร์ส vs ปิดซอร์ส: ในโลก LLM โอเพนซอร์สช่วยเร่งการพัฒนา ecosystem อย่างมาก แต่ยังไม่ชัดว่าพลวัตเดียวกันจะใช้ได้กับหุ่นยนต์ ซึ่งข้อมูลเชิงกายภาพและโครงสร้างพื้นฐานการ deploy สำคัญพอ ๆ กับสถาปัตยกรรมโมเดลหรือไม่
- โอเพนซอร์สอาจทำให้สถาปัตยกรรมโมเดลกลายเป็น commodity เร็วกว่าที่คาด แต่ เลเยอร์ข้อมูลและการ deploy อาจยังคงความเป็นกรรมสิทธิ์ได้อีกนานพอสมควร
- บริษัทที่เข้าใจว่าควรเปิดส่วนไหนของสแตกและควรปกป้องส่วนไหน จะมี ความได้เปรียบเชิงกลยุทธ์
ความจริงสองข้อที่อยู่ร่วมกันได้
- Brad Porter ซีอีโอของ Cobot กล่าวว่า “ช่วงเวลา ChatGPT ของหุ่นยนต์กำลังมาเร็วกว่าที่คนส่วนใหญ่คิด และเมื่อมันมาถึง เวลาในการผลิต (หุ่นยนต์จริง งานจริง สภาพแวดล้อมจริง) จะกลายเป็นคอขวด บริษัทที่เพิ่มประสิทธิภาพเพื่อ การ deploy ไม่ใช่เดโม จะถูกแยกออกมาอย่างชัดเจน”
- Philipp Wu ผู้ร่วมก่อตั้งบริษัทหุ่นยนต์สเตลท์แห่งหนึ่ง กล่าวว่า “ไทม์ไลน์จริงยาวกว่าที่คนส่วนใหญ่คาดมาก และ หุ่นยนต์อเนกประสงค์ยังต้องใช้เวลาอีกมากกว่า 5 ปี”
- มุมมองทั้งสองนี้ไม่ได้ขัดแย้งกัน แต่กำลังอธิบาย คนละมิติ: Porter พูดถึงเส้นทางไปสู่จุดเปลี่ยน ส่วน Wu พูดถึงว่าจุดเปลี่ยนนั้นจริง ๆ แล้วยังอยู่ไกลแค่ไหน
- นัยสำหรับผู้ก่อตั้งคือ: ต้อง deploy อย่างเด็ดขาดตั้งแต่ตอนนี้ แต่สร้างโดยมีช่วงเวลาอเนกประสงค์เป็นเส้นขอบฟ้า
- จุดเปลี่ยนกำลังใกล้เข้ามา บุคลากรกำลังย้าย ฮาร์ดแวร์กำลังกลายเป็น commodity และโครงสร้างพื้นฐานด้านข้อมูลกำลังก่อตัว โดย บริษัทที่จะนิยาม physical AI ในอีก 10 ปีข้างหน้ากำลังก่อตั้งและรับเงินลงทุนกันอยู่ในเวลานี้เอง
1 ความคิดเห็น
สงสัยว่าจะมีบริษัทไหนบ้าง