Robotarnas stora stund: allt är på plats – utom en sak
Robotikens genombrott är nära – men ett avgörande hinder står fortfarande i vägen.
Varför robotiken fortfarande väntar på sin stora stund
När ChatGPT dök upp i november 2022 förändrades spelplanen i grunden. På några veckor gick stora språkmodeller från att vara ett akademiskt intresse till ett verktyg som miljoner människor använde dagligen. Sedan dess har frågan hängt i luften: när händer samma sak för robotiken?
Den frågan ska Les Karpas, Nvidias globala chef för fysisk AI, ta sig an på teknikkonferensen TechCrunch Disrupt i oktober. Hans föredrag bär den talande titeln Robots Are Waiting for Their ChatGPT Moment – och enligt TechCrunch är hans svar lika enkelt att förstå som det är svårt att lösa: det saknas data.
Språkmodeller kunde tränas på nästan hela internets textmassa. Robotik har ingen motsvarighet. Varje rörelse, varje interaktion med den fysiska världen måste samlas in i verkligheten – vilket är både långsamt och kostsamt. Självkörande fordon har kommit längst, men den typen av datainsamling är geografiskt begränsad och tar år. Lösningen som nu utforskas är en kombination av simuleringar, syntetiskt framtaget datamaterial och grundmodeller som tränas över flera robottyper parallellt.
Infrastrukturen hinkar ikapp
Men det finns en annan sida av det här problemet som ofta glöms bort i diskussionen om data och modeller: vad händer när robotarna väl är ute i världen? Hur uppdaterar man intelligensen i tusentals maskiner spridda över fabriksgolv, lagerbyggnader och fordonsflottor – utan att skicka ut tekniker till varje enskild enhet?
Det är precis det som chiptillverkaren Ambarella och mjukvarubolaget ZEDEDA nu försöker lösa, rapporterar IoT Tech News. Genom ett partnerskap integreras ZEDEDAs öppna operativsystem EVE-OS med Ambarellas N1-kretsar för generativ AI – vilket skapar en plattform där operatörer centralt kan styra hela livscykeln för fysiska enheter, från driftsättning till uppdatering, utan manuell hantering på plats.
Sifforna bakom behovet är talande. En undersökning som ZEDEDA genomförde bland 600 företagsledare visar att 41 procent anger hanteringen av AI-modeller på distribuerade noder som en betydande operativ utmaning. Det är inte en liten detalj – det är ett infrastrukturproblem som bromsar hela sektorn.
Said Ouissal, grundare och vd för ZEDEDA, formulerar det träffsäkert: den verkliga svårigheten ligger inte i att träna modeller – utan i att driftsätta dem på ett säkert och tillförlitligt sätt på miljontals enheter ute i världen.
Detta är exakt den typ av tråkig-men-avgörande infrastruktur som brukar vara skillnaden mellan en lovande teknologi och en som faktiskt skalas upp.
Kompetensen behöver bredas ut
Mitt i de tekniska diskussionerna om data och driftsättning finns en tredje berättelse värd att lyfta. Oana Jinga grundade lagerrobotföretaget Dexory utan att veta vad ett styrkort var. I dag har bolaget tagit in investeringar i miljardklassen och blivit ett av Europas mest uppmärksammade robotikbolag, skriver Breakit.
Jingas poäng är inte att teknisk kunskap är oviktig – det är att affärssinne, ledarskap och förmågan att identifiera rätt problem är lika avgörande. En bransch som enbart rekryterar ingenjörer missar en enorm pool av talang. Och i en sektor som är på väg in i en tillväxtfas, är det ett misstag man inte har råd att göra.
Tre pusselbitar, ett genombrott
Sammanfogat berättar dessa tre nyheter egentligen en gemensam historia. Robotikens stora genombrott kräver tre saker simultaneously:
- Bättre och mer data för att träna modeller som faktiskt förstår den fysiska världen
- Robust infrastruktur för att driftsätta och uppdatera intelligensen i fältenheter i stor skala
- Bredare talangbas som kombinerar teknisk spetskompetens med affärsmässigt tänkande
Inget av dessa är löst. Men alla tre rör sig framåt – och det är i sig ett tecken på att vi befinner oss i en annan fas än för bara två år sedan.
Vår analys
Det är lätt att bli otålig när robotiken diskuteras år efter år utan att det där banbrytande ögonblicket infinner sig. Men det är fel sätt att läsa läget.
Vad vi ser nu är att ekosystemet mognar på rätt ställen. Nvidias fokus på databristen är ärligt och välkommet – det är bättre att förstå hindret tydligt än att överlova. Ambarellas och ZEDEDAs partnerskap adresserar något som ofta underskattas: att skala upp AI i fysiska miljöer är ett drifts- och infrastrukturproblem, inte bara ett modelleringsproblem. Och Jingas framgång med Dexory påminner oss om att genombrott sällan ser ut som vi förväntat oss.
Min bedömning är att vi befinner oss 12–24 månader från ett tydligt inflektionspunktsmoment i industriell robotik. Inte ett ChatGPT-ögonblick för konsumenter – men ett stille genombrott i slutna industriella miljöer där villkoren är kontrollerbara. Och det är därifrån den stora vågen sedan brukar rulla.