Sa ulice, jedini trag koji sam mogao pronaći da je sjedište Fizičke inteligencije u San Franciscu je simbol pi, koji je malo drugačije boje od ostatka vrata. Kada uđem, odmah se suočim sa aktivnostima. Nema recepcije, nema logotipa koji treperi u fluorescentnim svjetlima.
Unutra, prostor je ogromna betonska kutija koja je malo manje stroga zbog nasumično raspoređenih dugačkih stolova od svijetlog drveta. Neki su očigledno namijenjeni za ručak, načičkani kutijama izviđačkih kolačića, teglama Vegemite-a (ovdje je neko Australac) i malim žičanim korpama napunjenim s previše začina. Drugi stolovi govore sasvim drugu priču. Mnogo više njih je opterećeno monitorima, rezervnim robotskim dijelovima, spletom crnih žica i potpuno sastavljenim robotskim rukama u različitim stanjima pokušaja ovladavanja svjetovnim.
Tokom moje posjete, jedna ruka savija par crnih pantalona, ili pokušava. Ne ide dobro. Drugi pokušava da izokrene majicu naopačke sa vrstom odlučnosti koja sugerira da će to na kraju uspjeti, samo ne danas. Treći – ovaj je, čini se, našao svoj poziv – brzo oguli tikvice, nakon čega bi strugotine trebao staviti u posebnu posudu. Barem strugotine idu dobro.
„Zamislite to kao ChatGPT, ali za robote“, kaže mi Sergey Levine, pokazujući prema motorizovanom baletu koji se odvija preko sobe. Levine, vanredni profesor na UC Berkeley i jedan od suosnivača Physical Intelligence, ima ljubazno držanje s naočalama kao neko ko je proveo mnogo vremena objašnjavajući složene koncepte ljudima koji to ne shvate odmah.
Ono u što gledam, objašnjava on, je faza testiranja kontinuirane petlje: podaci se prikupljaju na robotskim stanicama ovdje i na drugim lokacijama – skladištima, kućama, gdje god tim može postaviti trgovinu – i ti podaci obučavaju osnovne robotske modele opće namjene. Kada istraživači obuče novi model, on se vraća ovim stanicama na evaluaciju. Presa za pantalone je nečiji eksperiment. Kao i okretač košulja. Lagač za ljuštenje tikvica možda testira može li se model generalizirati na različito povrće, učeći osnovne pokrete guljenja dovoljno dobro da rukuje jabukom ili krompirom na koje nikada nije naišao.
Kompanija takođe vodi testnu kuhinju u ovoj zgradi i drugde koristeći gotov hardver kako bi izložila robote različitim okruženjima i izazovima. U blizini je sofisticirani aparat za espresso, za koji pretpostavljam da je za osoblje dok Levine ne pojasni da ne, tu je da roboti nauče. Svaki pjenasti latte je podatak, a ne povlastica za desetine inženjera na sceni koji uglavnom zaviruju u svoje kompjutere ili lebde iznad svojih mehaniziranih eksperimenata.
Sam hardver je namjerno neglamurozan. Ovaj pištolj se prodaje za oko 3.500 dolara, i to je uz ono što Levine opisuje kao “ogromnu naplatu” od dobavljača. Ako bi ih proizvodili u kući, cijena materijala bi pala ispod 1.000 dolara. Prije nekoliko godina, kaže, robotičar bi bio šokiran da te stvari mogu učiniti sve. Ali to je poenta – dobra inteligencija nadoknađuje loš hardver.
Techcrunch događaj
Boston, MA
|
23. juna 2026
Dok se Levine izvinjava, Lachy Groom mi prilazi, krećući se kroz prostor sa svrhovitošću nekoga ko ima pola tuceta stvari koje se dešavaju odjednom. U 31. godini, Groom i dalje ima svježi kvalitet čuda dječaka iz Silicijske doline, nadimak koji je zaradio rano, prodavši svoju prvu kompaniju devet mjeseci nakon što ju je pokrenuo sa 13 godina u svojoj rodnoj Australiji (Vegemite objašnjava ovo).
Kada sam mu prvi put prišao ranije, dok je u zgradu dočekivao malu grupu posjetitelja obučenih znojem, njegov odgovor na moj zahtjev za vrijeme s njim bio je trenutni: “Apsolutno ne, imam sastanke.” Ima možda deset minuta.
Groom je pronašao ono što je tražio kada je počeo pratiti akademski rad koji je izlazio iz laboratorije Levinea i Chelsea Finn, Levineove bivše doktorande na Berkeleyu koja sada vodi vlastitu laboratoriju na Stanfordu fokusiranu na robotsko učenje. Njihova imena su se stalno pojavljivala u svemu zanimljivom što se dešavalo u robotici. Kada je čuo glasine da bi mogli nešto pokrenuti, ušao je u trag Karolu Hausmanu, istraživaču Google DeepMinda koji je također predavao na Stanfordu i za kojeg je Grum saznao da je umiješan. “To je bio samo jedan od onih sastanaka na kojima izađeš i kažeš, to je to.”
Mladoženja nikada nije namjeravao da postane stalni investitor, kaže mi, iako bi se neki mogli zapitati zašto ne s obzirom na njegov dosadašnji rad. Nakon što je napustio Stripe, gdje je bio prvi zaposlenik, proveo je oko pet godina kao anđeo investitor, rano se kladeći na kompanije kao što su Figma, Notion, Ramp i Lattice dok je tražio pravu kompaniju za osnivanje ili pridruživanje. Njegovo prvo ulaganje u robotiku, Standard Bots, došlo je 2021. godine i ponovo ga je uvelo u područje koje je volio kao dijete da pravi Lego Mindstorms. Kako se šali, bio je “na odmoru mnogo više kao investitor”. Ali ulaganje je bilo samo način da ostanete aktivni i upoznate ljude, a ne samo sebi cilj. „Tražio sam pet godina kompaniju koja bi počela da radi nakon Stripea“, kaže on. “Dobre ideje u dobrom vremenu sa dobrim timom – [that’s] izuzetno retko. Sve je to izvođenje, ali možete izvršiti lošu ideju, a ona je i dalje loša.”
Dve godine stara kompanija sada je prikupila više od milijardu dolara, a kada sam ga pitao za pistu, brzo je pojasnio da zapravo ne troši toliko. Najveći dio njegove potrošnje odlazi na kompjuterske usluge. Trenutak kasnije priznaje da bi pod pravim uslovima, uz prave partnere, skupio više. „Ne postoji ograničenje koliko novca zaista možemo uložiti u posao“, kaže on. “Uvijek postoji više računanja koje možete uložiti u rješavanje problema.”
Ono što ovaj dogovor čini posebno neobičnim je ono što Groom ne daje svojim pobornicima: vremenski okvir za pretvaranje fizičke inteligencije u poduhvat za zarađivanje novca. “Ne dajem investitorima odgovore o komercijalizaciji”, kaže on o sponzorima koji uključuju Khosla Ventures, Sequoia Capital i Thrive Capital između ostalih koji su procijenili kompaniju na 5,6 milijardi dolara. “Malo je čudna stvar da ljudi to tolerišu.” Ali oni to tolerišu, tolerišu, a možda i ne uvek, zbog čega kompanija sada mora da bude dobro kapitalizovana.
Dakle, šta je strategija, ako ne komercijalizacija? Quan Vuong, još jedan suosnivač koji dolazi iz Google DeepMind-a, objašnjava da se vrti oko učenja između utjelovljenja i različitih izvora podataka. Ako neko sutra napravi novu hardversku platformu, neće morati početi prikupljanje podataka od nule – može prenijeti svo znanje koje model već ima. „Granični trošak autonomije za uključivanje u novu platformu robota, kakva god ta platforma bila, je mnogo niži“, kaže on.
Kompanija već radi s malim brojem kompanija u različitim vertikalama – logistika, trgovina namirnicama, proizvođač čokolade preko puta – kako bi testirali da li su njihovi sistemi dovoljno dobri za automatizaciju u stvarnom svijetu. Vuong tvrdi da u nekim slučajevima već jesu. S njihovim pristupom “bilo koja platforma, bilo koji zadatak”, površina za uspjeh je dovoljno velika da počne provjeravati zadatke koji su danas zreli za automatizaciju.
Fizička inteligencija nije jedina u potrazi za ovom vizijom. Utrka za izgradnju robotske inteligencije opće namjene – temelja na kojem se mogu graditi specijalizirane aplikacije, poput LLM modela koji su osvojili svijet prije tri godine – se zahuktava. Skild AI sa sjedištem u Pittsburghu, osnovan 2023., prikupio je 1,4 milijarde dolara uz procjenu od 14 milijardi dolara samo ovog mjeseca i koristi značajno drugačiji pristup. Dok je Physical Intelligence i dalje fokusirana na čisto istraživanje, Skild AI je već komercijalno implementirao svoj “sve-tjelesni” Skild Brain, rekavši da je generirao 30 miliona dolara prihoda u samo nekoliko mjeseci prošle godine kroz sigurnost, skladišta i proizvodnju.
Skild je čak javno osudio konkurente, tvrdeći na svom blogu da su većina “temeljnih modela robotike” samo “prikriveni” modeli jezika vizije kojima nedostaje “pravi fizički zdrav razum” jer se previše oslanjaju na prethodnu obuku na nivou interneta, a ne na fizičku simulaciju i stvarne podatke robota.
To je prilično oštra filozofska podjela. Skild AI se kladi da komercijalna implementacija stvara zamajac podataka koji poboljšava model sa svakim slučajem upotrebe u stvarnom svijetu. Fizička inteligencija se kladi da će joj otpor na kratkoročnu komercijalizaciju omogućiti da proizvede superiornu opštu inteligenciju. Biće potrebne godine da se odluči ko je ‘više u pravu’.
U međuvremenu, fizička inteligencija radi sa onim što Groom opisuje kao neobičnu jasnoću. “To je tako čista kompanija. Istraživač ima potrebu, mi odemo i prikupimo podatke da podržimo tu potrebu – ili novi hardver ili bilo šta drugo – i onda to radimo. To nije eksterno vođeno.” Kompanija je imala plan za 5 do 10 godina onoga što je tim mislio da je moguće. U 18. mjesecu su to već savladali, kaže.
Kompanija ima oko 80 zaposlenih i planira da raste, iako Groom kaže da se nada “što je sporije moguće”. Najveći izazov, kaže, je hardver. “Hardver je zaista težak. Sve što radimo je mnogo teže od softverske kompanije.” Prekid u hardveru. Kasni, odlaže testove. Sigurnosni razlozi sve komplikuju.
Dok Groom uskače i juri na svoj sljedeći zadatak, ja ostajem gledati kako roboti nastavljaju vježbati. Pantalone još uvijek nisu u potpunosti sastavljene. Majica tvrdoglavo ostaje na desnoj strani. Strugotine od tikvica se lijepo skupljaju.
Očigledna su pitanja, uključujući i moje, o tome da li neko zaista želi robota za guljenje povrća u svojoj kuhinji, o sigurnosti, o psima koji luduju za mehaničkim uljezima u svojim domovima, o tome da li svo vrijeme i novac koji se ovdje ulaže rješava dovoljno velike probleme ili stvara nove. U međuvremenu, autsajderi dovode u pitanje napredak kompanije, da li je njena vizija ostvariva i da li ima smisla kladiti se na opštu inteligenciju, a ne na specifične aplikacije.
Ako Mladoženja sumnja, on to ne pokazuje. Radi sa ljudima koji se decenijama bave ovim problemom i koji vjeruju da je trenutak konačno došao, što je sve što treba znati.
Osim toga, Silicijumska dolina je podržala ljude poput Grooma i dala im puno užeta otkako je industrija počela, znajući da postoje dobre šanse da će čak i bez jasnog puta ka komercijalizaciji, čak i bez vremenskog okvira, čak i bez sigurnosti o tome kako će tržište izgledati kada stignu tamo, shvatiti. Ne radi uvijek. Ali kada se to dogodi, ima tendenciju da opravda mnogo puta kada nije.
Preuzeto sa: techcrunch.com
