- อุตสาหกรรมหุ่นยนต์ขณะนี้ยังอยู่ในขั้น ระดับ GPT-2.5 โดยแม้ foundation model จะเริ่มแสดงความสามารถที่ใช้ได้จริง แต่ช่องว่างระหว่างผลงานในห้องแล็บกับการนำไปใช้งานจริงในภาคสนามยังคงกว้าง
- แม้ Goldman Sachs จะปรับเพิ่มคาดการณ์ตลาดเป็น 3.8 หมื่นล้านดอลลาร์ในปี 2035 ขึ้นถึง 6 เท่าในเวลาเพียง 1 ปี แต่ Bessemer มองว่ายังเป็นตัวเลขที่อนุรักษ์นิยม และคาดว่าต้นทุนข้อมูลสำหรับหุ่นยนต์เพียงอย่างเดียวจะใช้เงินรวมทั้งอุตสาหกรรม มากกว่า 3 พันล้านดอลลาร์ใน 2 ปีข้างหน้า
- ผู้ก่อตั้งบริษัทหุ่นยนต์ในสหรัฐ 48% มาจาก 4 สถาบันคือ Stanford, MIT, Berkeley และ CMU ซึ่งบ่งชี้ว่าการกระจุกตัวของบุคลากรจะยิ่งเร่งโครงสร้างแบบผู้ชนะกินรวบ
- มูลค่า Series A มัธยฐานของบริษัทหุ่นยนต์ด้านกลาโหมสูงถึง 105 ล้านดอลลาร์ หรือมากกว่าบริษัทที่ไม่ใช่กลาโหม 2 เท่า และมีการคาดการณ์ว่า IPO แรกที่มีมูลค่าเกิน 5 หมื่นล้านดอลลาร์ จะมาจากภาคส่วนนี้ โดยยกตัวอย่าง valuation ของ Anduril ที่ 6 หมื่นล้านดอลลาร์
- ในช่วง 5 ปีที่ผ่านมา บริษัทหุ่นยนต์ที่ได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์มีเพียง 42 แห่ง หรือแค่ 1 ใน 18 ของซอฟต์แวร์ สะท้อนว่าภาคหุ่นยนต์ไม่ได้อยู่ในภาวะฟองสบู่ แต่เป็นภาวะ ลงทุนต่ำกว่าศักยภาพเชิงโครงสร้าง
อุปสงค์เชิงโครงสร้างและแนวโน้มตลาดของหุ่นยนต์
- ความต้องการใช้หุ่นยนต์ทดแทนแรงงานในงานใช้แรงซ้ำๆ หรือสภาพแวดล้อมอันตรายกำลังเพิ่มขึ้นต่อเนื่อง จาก การเปลี่ยนแปลงโครงสร้างประชากร ในสหรัฐ ยุโรป ญี่ปุ่น และจีน
- นักวิเคราะห์บางรายคาดว่าตลาดหุ่นยนต์จะมีมูลค่า 3.8 หมื่นล้านดอลลาร์ภายในปี 2035 และ Goldman Sachs ได้ปรับเพิ่มคาดการณ์นี้ขึ้น 6 เท่าในเวลาเพียง 1 ปี
- Bessemer มองว่าแม้คาดการณ์นี้ก็ยัง อนุรักษ์นิยม ทั้งในแง่ความเร็วและขนาด
- Jeremy Levine พาร์ตเนอร์ของ Bessemer กล่าวว่า “ภายใน 10-20 ปีข้างหน้า โลกจะมี หุ่นยนต์มากกว่าปัจจุบัน 100,000 เท่า”
- Bessemer มองหาโอกาสลงทุนในจังหวะที่ การเคลื่อนย้ายของบุคลากร ความก้าวหน้าทางเทคโนโลยี และแรงส่งเชิงโครงสร้าง กำลังเร่งพร้อมกัน โดยพอร์ตมี Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics และอื่นๆ
คาดการณ์ 1: ช่วงเวลา ChatGPT ของหุ่นยนต์กำลังเข้าใกล้ แต่ยังมาไม่ถึง
- อุตสาหกรรมหุ่นยนต์กำลังอยู่ในช่วงที่เทียบได้กับ โมเมนต์ GPT-2.5 ซึ่ง foundation model เริ่มแสดงศักยภาพจริงและกฎการสเกลเริ่มปรากฏ แต่ ช่องว่างระหว่างเดโมในแล็บกับการใช้งาน production ยังมีอยู่มาก
- โมเดล π0 ของ Physical Intelligence สามารถพับผ้าได้สำเร็จด้วยความคล่องแคล่วระดับมนุษย์
- งานวิจัย EgoScale ที่เผยแพร่ในเดือนกุมภาพันธ์ 2026 พิสูจน์ว่าประสิทธิภาพของนโยบายดีขึ้นอย่างคาดการณ์ได้ตามขนาดของข้อมูล pretrain และเป็นหลักฐานสำคัญชิ้นแรกที่แสดงว่า foundation model สำหรับหุ่นยนต์เดินตาม เส้นโค้งการพัฒนาจากข้อมูลแบบเดียวกับ LLM
- ยังมีคำถามหลักที่ยังไม่คลี่คลาย
- ต้องใช้ข้อมูลมากแค่ไหนจึงจะลดช่องว่างระหว่างผลงานในแล็บกับ ความน่าเชื่อถือระดับ 99.9% ที่ production ต้องการได้
- เมื่อโมเมนต์ ChatGPT ของหุ่นยนต์มาถึง มันจะมีหน้าตาอย่างไร
- ต่างจากแชตบอตที่พิสูจน์ความสามารถผ่านกล่องข้อความได้ หุ่นยนต์จะต้องพิสูจน์ด้วย การทำงานซับซ้อนในสภาพแวดล้อมที่ไม่คุ้นเคยโดยไม่มีมนุษย์แทรกแซง
- พื้นที่ที่ใช้งานเชิงพาณิชย์แล้วได้แก่ ระบบอัตโนมัติในคลังสินค้า การช่วยผ่าตัด การส่งของระยะสุดท้าย และการตรวจสอบในภาคอุตสาหกรรม ซึ่งเป็นระบบเฉพาะทางในสภาพแวดล้อมที่จำกัดและเริ่มสร้างรายได้แล้ว
- Armen Aghajanyan ซีอีโอของ Perceptron กล่าวว่า “หัวใจของหุ่นยนต์ในโลกจริงไม่ใช่อัลกอริทึมควบคุมที่ดีกว่า แต่คือ foundation model ที่เข้าใจโลกกายภาพ ส่วนการควบคุมหุ่นยนต์เป็นเพียงเลเยอร์บางๆ ด้านบนเท่านั้น”
คาดการณ์ 2: การมาของกฎการสเกล — ข้อมูลมีราคาแพง เงินทุนคือ moat และ world model อาจเป็นทางลัด
- LLM ใช้ข้อความระดับหลายแสนล้านล้านโทเคนจากอินเทอร์เน็ตได้ แต่ในโลกหุ่นยนต์ยัง ไม่มีคอร์ปัสที่เทียบเคียงกัน
- ข้อมูลการจัดการวัตถุของหุ่นยนต์ทั่วโลกถูกประเมินว่ามีเพียงราว 300,000 ชั่วโมง เทียบกับวิดีโอบนอินเทอร์เน็ตราว 1 พันล้านชั่วโมง และข้อความ 300 ล้านล้านโทเคน ซึ่งสะท้อนช่องว่างเชิงโครงสร้าง
- Bessemer คาดว่าต้นทุนข้อมูลหุ่นยนต์รวมทั้งอุตสาหกรรมใน 2 ปีข้างหน้าจะสูงกว่า 3 พันล้านดอลลาร์
- รวมถึง teleoperation, วิดีโอแบบ egocentric, simulation และการเก็บตัวอย่างสาธิตจริง
- ข้อมูลหุ่นยนต์ไม่สามารถ scrape หรือซื้อมาได้ แต่ต้อง สร้างขึ้นโดยตรงตามงานและตามสภาพแวดล้อม
- Ian Glow ซีอีโอของ Zeromatter กล่าวว่า “teleop เพียงอย่างเดียวไม่พอจะเป็นกลยุทธ์ข้อมูลที่ประสบความสำเร็จ เราจำเป็นต้องดึงข้อมูลจากอินเทอร์เน็ตหรือจาก simulator ผ่าน reinforcement learning เพื่อให้ได้ขนาดและความหลากหลายที่ต้องการ”
- World model: โครงข่ายประสาทที่เรียนรู้กฎฟิสิกส์จากวิดีโอในระดับอินเทอร์เน็ต
- V-JEPA 2 ของ Meta หลังฝึกด้วยวิดีโอกว่า 1 ล้านชั่วโมง ใช้ข้อมูลหุ่นยนต์เพิ่มเพียง 62 ชั่วโมง ก็ทำ zero-shot pick-and-place ได้สำเร็จ 80% บนแขนกลจริง
- อย่างไรก็ตาม Cosmos ของ NVIDIA ใช้ GPU H100 จำนวน 10,000 ตัวเป็นเวลา 3 เดือนในการฝึก แสดงว่า world model ก็เป็นแนวทางที่ ใช้เงินทุนสูงมาก
- Simulation และ reinforcement learning: การย้ายจาก sim ไปสู่โลกจริงทำงานได้ดีในงานเดิน (locomotion) แต่ใน งาน manipulation ยังเป็น โจทย์วิจัยที่ไม่คลี่คลาย เพราะปัญหาความสมจริงของวัตถุอ่อนตัว ผ้า และของเหลว
- Brian Moore ซีอีโอของ Voxel51 กล่าวว่า “สิ่งที่แยกผู้นำออกจากคนสร้างภาพใน physical AI คือ ความหมกมุ่นกับคุณภาพข้อมูล เพราะข้อมูลแย่ไม่ใช่แค่ไม่มีประสิทธิภาพ แต่คือความเสี่ยง”
คาดการณ์ 3: การกระจุกตัวของบุคลากรจะตัดสินผู้ชนะอย่างรวดเร็ว — นี่ไม่ใช่ตลาดที่มีผู้ชนะ 50 ราย
- ในบรรดาบริษัทหุ่นยนต์สหรัฐที่ก่อตั้งในช่วง 5 ปีหลังและได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์ 43% ของผู้ก่อตั้งมีวุฒิปริญญาเอก
- ในกลุ่มนั้น 48% มาจาก 4 สถาบันคือ Stanford, MIT, Berkeley และ CMU
- 56% มีผู้ร่วมก่อตั้งอย่างน้อย 1 คนที่จบปริญญาเอก และ 43% มีผู้ก่อตั้งที่มาจากแวดวงวิชาการโดยตรง
- moat ด้านบุคลากรสร้างผลทบต้นตามลำดับ บุคลากร → เงินทุน → พันธมิตรด้านข้อมูล → ความสัมพันธ์กับลูกค้า → ชุดข้อมูลเฉพาะที่เป็นกรรมสิทธิ์ ทำให้โครงสร้างแบบผู้ชนะกินรวบก่อตัวเร็วกว่าที่หลายคนคาด
- ในโลก LLM โอเพนซอร์สอย่าง Llama และ Mistral ช่วยทำให้การเข้าถึงความสามารถเป็นประชาธิปไตยมากขึ้น แต่ในหุ่นยนต์ แม้โอเพนซอร์สอย่าง LeRobot, Genesis, Isaac Lab จะเติบโต ก็ยังมีแรงเสียดทานทางกายภาพเพราะ “ยังต้องมีหุ่นยนต์อยู่ดี”
- ทีมที่มีความเชี่ยวชาญลึกที่สุดในด้าน sim-to-real, manipulation, locomotion และ sensor fusion กำลังสร้างความได้เปรียบที่ยากจะลอกเลียนได้ด้วยการปล่อยโอเพนซอร์สเพียงอย่างเดียว
คาดการณ์ 4: บริษัทแบบ full-stack จะเก็บมูลค่าได้ก่อนในระยะสั้น — บริษัท foundation model ล้วนยังต้องรอ
- ในโลก LLM ทีม 2 คนก็สร้างผลิตภัณฑ์ frontier AI ได้ทันทีผ่าน API endpoint เดียว อย่าง GPT-4 แต่ในหุ่นยนต์ยังต้องมี การเก็บข้อมูลเฉพาะโดเมน การ fine-tune ให้เข้ากับสภาพแวดล้อม การผสานฮาร์ดแวร์ และโครงสร้างพื้นฐานปฏิบัติการ
- moat ที่กำลังก่อตัวตอนนี้ไม่ได้อยู่ที่สถาปัตยกรรมโมเดลเท่าไร แต่อยู่ที่ data pipeline แบบกรรมสิทธิ์ ความเชี่ยวชาญเชิงโดเมน โครงสร้างพื้นฐานการ deploy และความสัมพันธ์กับลูกค้าที่สร้าง feedback loop
- ต้นทุนฮาร์ดแวร์ที่ลดลง กำลังเร่งพลวัตนี้
- Mike Winn ซีอีโอของ DroneDeploy กล่าวว่า “หุ่นยนต์ภาคพื้นดินสำหรับงานก่อสร้างลดราคาจาก 100,000 ดอลลาร์เหลือต่ำกว่า 15,000 ดอลลาร์ต่อเครื่อง และโดรนแบบ dock ลดจาก 200,000 ดอลลาร์เหลือต่ำกว่า 20,000 ดอลลาร์ ทำให้การขยายการใช้งานผ่านจุดวิกฤตสำคัญแล้ว”
- สแตกกำลังแยกออกเป็นสามเลเยอร์
- เลเยอร์โครงสร้างพื้นฐาน: foundation model, world model
- เลเยอร์แอปพลิเคชัน: บริษัท full-stack ที่มีฮาร์ดแวร์แบบกำหนดเอง (humanoid, ระบบอุตสาหกรรม) และบริษัท full-stack ที่นำ AI ไปใช้กับแพลตฟอร์มเชิงพาณิชย์ที่มีอยู่แล้ว
- เหตุผลที่มูลค่ากระจุกอยู่ในเลเยอร์แอปพลิเคชัน คือเลเยอร์โครงสร้างพื้นฐานยัง ไม่ general พอจะรองรับการ deploy แบบ end-to-end ได้ด้วยตัวเอง
- เมื่อ foundation model ดีขึ้นและ sim-to-real สุกงอม โมเมนต์แบบ API ของหุ่นยนต์ จะมาถึง แต่เป็นเรื่อง หลังปี 2028 ขณะที่ในช่วงเวลานี้ การบูรณาการแนวดิ่งยังเป็นจุดที่สร้างมูลค่าที่ยั่งยืน
- Adrian Macneil ซีอีโอของ Foxglove กล่าวว่า “ความได้เปรียบชี้ขาดของ physical AI ไม่ได้อยู่ที่ความใหม่ของโมเดล แต่อยู่ที่ คุณภาพของ data infrastructure และยิ่งโมเดลเริ่มลู่เข้าหากัน บริษัทที่มี data flywheel แข็งแรงที่สุดจะเป็นผู้ชนะ”
คาดการณ์ 5: หุ่นยนต์ด้านกลาโหมจะพาเกิด IPO แรกของหมวดนี้ที่มีมูลค่าเกิน 5 หมื่นล้านดอลลาร์
- มูลค่า Series A มัธยฐาน ของบริษัทหุ่นยนต์ด้านกลาโหมในปี 2025 อยู่ที่ 105 ล้านดอลลาร์ มากกว่าบริษัทที่ไม่ใช่กลาโหมซึ่งอยู่ที่ 50 ล้านดอลลาร์ กว่า 2 เท่า และช่องว่างนี้ขยายกว้างขึ้นทุกปีนับจากปี 2021
- Anduril ปิดรอบในเดือนมีนาคม 2026 ที่ valuation 6 หมื่นล้านดอลลาร์ ขณะที่ Saronic ระดมทุน Series D มูลค่า 1.75 พันล้านดอลลาร์ ในเดือนเดียวกันเพื่อสร้างเรืออัตโนมัติ
- แม้วงจรจัดซื้อด้านกลาโหมจะยาว แต่ก็มีความคาดการณ์ได้ ขนาดสัญญาใหญ่ อัตราต่อสัญญาสูง และต้นทุนการเปลี่ยนระบบมาก
- ต่างจากหุ่นยนต์เชิงพาณิชย์ ผู้ซื้อด้านกลาโหมไม่ได้คำนวณบน ROI แต่คำนวณบน ความเสี่ยงด้านความมั่นคงของชาติ
- ปัจจัยภูมิรัฐศาสตร์ยิ่งขยายแนวโน้มนี้: ราว 90% ของหุ่นยนต์ humanoid ที่ขายทั่วโลกในปี 2025 ผลิตจากจีน
- แม้โมเดล AI ของจีนจะตามหลังสหรัฐเฉลี่ยราว 7 เดือน แต่ช่องว่างกำลังแคบลงอย่างต่อเนื่อง และรัฐบาลสหรัฐเริ่มมองหุ่นยนต์เป็น สิ่งจำเป็นด้านความมั่นคงของชาติ
- ในมิติ dual-use บริษัทที่มีแนวป้องกันสูงสุดไม่ได้สร้างระบบอาวุธเฉพาะทาง แต่สร้าง แพลตฟอร์มอัตโนมัติ ระบบรับรู้ และโครงสร้างพื้นฐานการตัดสินใจ ที่ประยุกต์ใช้เชิงพาณิชย์ได้
- Matthew Buffa ผู้ร่วมก่อตั้ง Breaker กล่าวว่า “บริษัทที่น่าสนใจที่สุดไม่ใช่บริษัทที่เลือกระหว่างกลาโหมหรือเชิงพาณิชย์ แต่คือบริษัทที่สร้าง ระบบซึ่งทั้งเก่งพอสำหรับข้อกำหนดของกลาโหมและนวัตกรรมพอสำหรับเชิงพาณิชย์”
คาดการณ์ 6: ไม่มีฟองสบู่หุ่นยนต์ — ตรงกันข้าม เงินยังไหลเข้าสู่ภาคส่วนนี้ไม่พอ
- ในช่วง 5 ปีที่ผ่านมา มี บริษัทซอฟต์แวร์ 745 แห่ง ที่ได้รับเงินลงทุนเกิน 30 ล้านดอลลาร์ ขณะที่หุ่นยนต์มีเพียง 42 แห่ง หรือน้อยกว่า 18 เท่า
- ในทางกลับกัน ตลาดพื้นฐานของหุ่นยนต์มีขนาด ใหญ่กว่าการใช้จ่ายซอฟต์แวร์ทั่วโลก 30 เท่า
- แม้คำนึงถึงความใช้เงินทุนสูงของธุรกิจฮาร์ดแวร์ ภาคส่วนนี้ก็ยังอยู่ในภาวะ ลงทุนต่ำกว่าศักยภาพเชิงโครงสร้างเมื่อเทียบกับโอกาส
- นักวิเคราะห์ส่วนใหญ่มองว่าอุตสาหกรรมจะโต 50 เท่าใน 10 ปีข้างหน้า แต่ Bessemer เห็นว่าตัวเลขนี้ยังจำกัดอยู่แค่การทำงานเดิมให้เป็นอัตโนมัติ และ ยังไม่สะท้อนหมวดกิจกรรมทางเศรษฐกิจใหม่ ที่หุ่นยนต์อเนกประสงค์จะสร้างขึ้น
- ไม่ใช่ว่าทุกบริษัทที่ได้เงินลงทุนจะประสบความสำเร็จ บาง valuation ก็สูงเกินจริง และเงินทุนจะ กระจุกในผู้นำเพียงไม่กี่ราย
- แต่ความคัดสรรกับความหายากเป็นคนละเรื่องกัน และระดับการลงทุนรวมในหุ่นยนต์ยัง ต่ำกว่าขนาดของโอกาสและความเร็วของพัฒนาการด้านศักยภาพอย่างมาก
- ตอนนี้ คือหน้าต่างสำคัญสำหรับการลงทุนในบริษัทแกนหลัก ก่อนที่โมเมนต์ ChatGPT จะมาถึงและก่อนการรวมตัวของบุคลากรจะเสร็จสิ้น หากรอหลักฐานชัดเจนของจุดเปลี่ยน ก็อาจพลาดโอกาส
- Nikita Rudin ซีอีโอของ Flexion กล่าวว่า “อีก 5 ปีข้างหน้า หุ่นยนต์ส่วนใหญ่ที่ถูก deploy ทั่วโลกจะไม่ได้ถูกสร้างโดยสตาร์ตอัปที่เรารู้จักในวันนี้ แต่โดย บริษัทที่ยังไม่ได้เริ่มสร้างหุ่นยนต์ด้วยซ้ำในตอนนี้ แต่รู้วิธีผลิตในระดับใหญ่”
โจทย์ที่ยังไม่คลี่คลายและข้อถกเถียงที่ยังเปิดอยู่
- ช่องว่างด้านความน่าเชื่อถือ: การยกระดับอัตราสำเร็จของงานจาก 80% ไปเป็น 99.9% ไม่ใช่ปัญหาเชิงเส้น
- อาจต้องใช้แนวทางที่แตกต่างกันโดยพื้นฐาน เช่น tactile sensing, force feedback และ sim-to-real สำหรับงาน manipulation
- Lisa Yan ซีอีโอของ Argus Systems กล่าวว่า “จากประสบการณ์ที่ Waymo การ deploy จริงจะยิ่งยากขึ้นตามเวลา และเปิดเผยปัญหาการคัดสรรข้อมูลเฉพาะทางมากขึ้นเรื่อยๆ การอุดช่องว่างจาก 99% ไป 99.9% ใช้เวลานานกว่าที่คนส่วนใหญ่คาดมาก”
- ปัญหาต้นทุนการอนุมาน: world model และโมเดล vision-language-action ขนาดใหญ่มีต้นทุนรันแบบเรียลไทม์สูง
- โมเดลข้อความสามารถ batch ให้ผู้ใช้พร้อมกันนับพันบนโครงสร้างพื้นฐานร่วมได้ แต่โมเดลหุ่นยนต์ต้อง สร้างสถานะสภาพแวดล้อมทุกไม่กี่มิลลิวินาทีต่อหุ่นยนต์หนึ่งตัว จึงแทบต้องใช้ GPU pipeline แบบเฉพาะต่อเครื่อง
- ต้นทุน inference ของ LLM ลดลงราว 1,000 เท่าใน 3 ปี และการที่หุ่นยนต์จะเดินตามเส้นโค้งคล้ายกันหรือไม่ จะเป็นตัวตัดสินความเป็นไปได้เชิงพาณิชย์ของแนวทาง foundation model
- Interpretability กำลังกลายเป็นเลเยอร์โครงสร้างพื้นฐานถัดไป
- เฉพาะไตรมาส 1 ปี 2026 มีเงินไหลเข้าสู่บริษัท world model ราว 6 พันล้านดอลลาร์ ใน 6-7 บริษัท
- Mahesh Krishnamurthi ผู้ร่วมก่อตั้ง Vayu Robotics กล่าวว่า “เมื่ออุตสาหกรรมสุกงอมมากขึ้น interpretability จะกลายเป็น องค์ประกอบที่ประนีประนอมไม่ได้ และตอนนี้โมเดลเหล่านี้ยังเป็นกล่องดำ จึงคาดว่าจะมี คลื่นสตาร์ตอัปที่สร้างเครื่องมือเพื่อเปิดกล่องนี้”
- โอเพนซอร์ส vs แบบปิด: ในโลก LLM โอเพนซอร์สช่วยเร่งการพัฒนาระบบนิเวศอย่างมาก แต่ในหุ่นยนต์ซึ่งข้อมูลทางกายภาพและโครงสร้างพื้นฐานการ deploy สำคัญพอๆ กับสถาปัตยกรรมโมเดล พลวัตแบบเดียวกันจะเกิดขึ้นหรือไม่ยังไม่ชัด
- โอเพนซอร์สอาจทำให้สถาปัตยกรรมโมเดลกลายเป็นสินค้าโภคภัณฑ์เร็วเกินคาด แต่ เลเยอร์ข้อมูลและการ deploy อาจยังคงเป็นกรรมสิทธิ์ได้อีกนานพอสมควร
- บริษัทที่เข้าใจว่าควรเปิดส่วนไหนของสแตกและปกป้องส่วนไหน จะได้เปรียบเชิงกลยุทธ์
การอยู่ร่วมกันของความจริงสองด้าน
- Brad Porter ซีอีโอของ Cobot กล่าวว่า “โมเมนต์ ChatGPT ของหุ่นยนต์กำลังมาเร็วกว่าที่คนส่วนใหญ่คิด และเมื่อมาถึง เวลาในการผลิตจริง (หุ่นยนต์จริง งานจริง สภาพแวดล้อมจริง) จะกลายเป็นคอขวด บริษัทที่ปรับให้เหมาะกับ การ deploy ไม่ใช่แค่เดโม จะถูกแยกออกอย่างชัดเจน”
- Philipp Wu ผู้ร่วมก่อตั้งบริษัทหุ่นยนต์ที่ยังอยู่ใน stealth กล่าวว่า “ไทม์ไลน์จริงยาวกว่าที่คนส่วนใหญ่คาดมาก และ หุ่นยนต์อเนกประสงค์ยังต้องใช้เวลาเกิน 5 ปี”
- มุมมองทั้งสองนี้ไม่ได้ขัดแย้งกัน แต่ อธิบายคนละมิติ: Porter อธิบายเส้นทางสู่จุดเปลี่ยน ส่วน Wu อธิบายว่าจุดเปลี่ยนนั้นจริงๆ ยังอยู่ไกลแค่ไหน
- นัยต่อผู้ก่อตั้งคือ: ต้อง deploy อย่างจริงจังตั้งแต่ตอนนี้ แต่สร้างโดยมองโมเมนต์แบบ general ไว้ที่เส้นขอบฟ้า
- จุดเปลี่ยนกำลังใกล้เข้ามา บุคลากรกำลังย้าย ฮาร์ดแวร์กำลังกลายเป็นสินค้าโภคภัณฑ์ และ data infrastructure กำลังก่อตัว โดย บริษัทที่จะนิยาม physical AI ใน 10 ปีข้างหน้ากำลังถูกก่อตั้งและรับเงินลงทุนกันอยู่ในตอนนี้
1 ความคิดเห็น
สงสัยว่าจะมีบริษัทไหนบ้าง