Германският стартъп Agile Robots залага, че опитът му в производството, а не единствено напредъкът при AI, ще доведе до рязък ръст на приходите и ще изведе компанията на печалба.

През миналата година приходите ѝ са достигнали 300 млн. евро, а през тази се очаква да се удвоят. Това би трябвало да помогне на Agile Robots да излезе на печалба в рамките на две до три години, казва пред The Wall Street Journal главният изпълнителен директор Джаопън Чън.

„Когато погледнете числата, целта всъщност не е толкова амбициозна“, казва Чън.

Той допълва, че Agile вече е подписала договори с клиенти, които подкрепят прогнозата за приходите през тази година, и досега е набрала около 1,5 млрд. долара от инвеститори, водени от SoftBank Group.

Макар хуманоидните роботи на компанията засега да се използват само в пилотни проекти, Чън смята, че настоящият бизнес в индустрията полага основите на много по-широк пазар за роботика. Според него бъдещите системи за физически AI ще могат да разбират сложна среда и да взаимодействат с нея.

В крайна сметка роботите ще се превърнат в потребителски продукти, заемащи място някъде между смартфоните и автомобилите.

„След 10 до 15 години хуманоидите по улиците ще бъдат толкова обичайна гледка, колкото са автомобилите днес“, казва Чън.

Вместо още от самото начало да се надпреварва да създаде хуманоиден робот, способен да върши всичко, Agile Robots от години внедрява индустриалните си машини във фабрики и решава конкретни проблеми на клиентите.

Едно от най-големите предимства на компанията са отношенията с големи производители, изградени от част от придобитите от нея дружества.

От основаването си през 2018 г. Agile Robots е придобила над десет компании, сред които idealworks и thyssenkrupp Automation Engineering. Покупката на германската thyssenkrupp Automation Engineering например добавя към бизнеса ѝ инженерен опит от международната автомобилна индустрия и разширява присъствието ѝ на ключови пазари.

Според Чън между 10% и 15% от новите договори през тази година се очаква да бъдат сключени чрез придобитите компании.

Основната цел на сделките обаче не е толкова увеличаването на приходите, колкото придобиването на нещо, което липсва на много стартъпи в роботиката: десетилетия практически опит във фабриките и доверени отношения с производителите.

Всяка компания за индустриална роботика „със значителни съществуващи приходи и вече реализирани проекти за автоматизация започва от съвсем различна позиция в сравнение с нов стартъп за хуманоидни роботи“, казва По Джао, основател на технологичния бюлетин Hello China Tech.

Подобна компания вече разполага с „клиенти, които плащат, достъп до фабрики и опит при интеграцията“, допълва той.

Чън си спомня проект с един от най-големите производители на колянови валове в света, базиран в Индия. Когато Agile внедрява роботизираната си система във фабриката, екипът установява, че неравният под представлява сериозен проблем за машините.

Вместо да поиска от клиента да преустрои производствената си линия, компанията преработва системата така, че да работи в реалните условия на фабриката.

Именно подобни случаи обясняват защо много стартъпи в роботиката не успяват да стигнат отвъд пилотните проекти, смята Чън.

„Между софтуера и реалната работа на производствения терен има твърде много междинни пластове“, казва той.

„Доверието не се печели, като внесеш нова технология и заявиш: ‘Мога да правя всичко’. Трябва да се утвърдиш като надежден доставчик“, допълва Чън.

Подкрепена от растящите приходи от индустриалната автоматизация, Agile Robots продължава да инвестира сериозно в научноизследователска и развойна дейност.

За компаниите със силен бизнес в индустриалната роботика основният въпрос е „дали хуманоидният им продукт носи публично обявени и повтарящи се приходи от реални внедрявания и каква част от бизнеса продължава да идва от традиционната автоматизация“, посочва Джао.

През тази година Agile Robots сключи партньорство с Google DeepMind, за да внедри базовите модели Gemini Robotics в своите роботи. Така машините получават по-развити способности за разсъждение и вземане на решения, а данните от реалната им работа се използват за непрекъснато усъвършенстване на моделите.