Quando l'AI inizia ad avere un corpo: l'AI fisica diventerà la prossima linea principale della tecnologia?

Autore: Jim, MSX Maitong

Editore: Frank, MSX Maitong

Negli ultimi due anni, l'AI nel mercato dei capitali si è concentrata principalmente sul "cervello" dell'AI.

Dai modelli come ChatGPT, GPU, HBM, centri dati, comunicazione ottica e infrastrutture energetiche, quasi tutte le linee principali si sono concentrate su come rendere i modelli più grandi, più veloci nel training e meno costosi nel ragionamento.

Tuttavia, queste AI possono generare testi, immagini, codici e video, ma la maggior parte di esse opera ancora all'interno di schermi e mondi digitali.

Pertanto, quando le capacità dei grandi modelli e le infrastrutture di calcolo iniziano a maturare, il mercato comincia naturalmente a porsi la domanda successiva: questi modelli sempre più intelligenti, alla fine potranno uscire dallo schermo e entrare in automobili, fabbriche, magazzini, ospedali e nel mondo reale?

Questo è esattamente il motivo per cui l'AI fisica sta iniziando a emergere nel panorama industriale.

1. Da "pensare" a "agire": perché è importante l'AI fisica?

Secondo la definizione di NVIDIA, l'AI fisica è quella che consente all'AI di uscire dallo schermo, permettendo a robot, telecamere, automobili a guida autonoma e altri sistemi autonomi di percepire e comprendere l'ambiente circostante, completando ragionamenti, decisioni e azioni complesse.

In altre parole, se l'AI generativa si occupa di "come pensa la macchina", l'AI fisica cerca di risolvere come la macchina, dopo aver pensato, possa agire in modo corretto, sicuro e a basso costo, permettendo così alla macchina di interagire realmente con il mondo reale.

Dalle recenti dichiarazioni pubbliche di Jensen Huang, NVIDIA sta rafforzando continuamente le sue linee di prodotto come Isaac, GR00T, Cosmos, Omniverse e Jetson, il cui obiettivo non è semplicemente scommettere su un singolo robot, ma costruire una piattaforma di base completa che copra addestramento, simulazione, ragionamento e distribuzione per l'ingresso delle macchine nel mondo fisico.

Perché la vera AI fisica non è semplicemente collegare un grande modello a un robot, ma richiede anche la comprensione delle relazioni spaziali e delle leggi fisiche, necessitando di modelli del mondo, dati di addestramento, ambienti di simulazione, calcolo edge, visione artificiale, sensori e controllo del movimento, completando un gran numero di test di sicurezza prima della distribuzione.

Nel contesto di mercato, l'AI fisica si sovrappone fortemente all'"intelligenza incarnata", ma l'estensione della prima è più ampia, includendo non solo robot umanoidi, ma anche automobili a guida autonoma, robot industriali, droni, fabbriche intelligenti, sistemi di stoccaggio e spazi intelligenti guidati da telecamere e sensori.

Naturalmente, l'AI fisica non è un concetto nuovo che è apparso all'improvviso.

Le automobili a guida autonoma, i robot industriali, la visione artificiale e l'automazione dei magazzini si sono sviluppati per anni; ciò che è cambiato è che i grandi modelli, i modelli del mondo, le tecnologie di simulazione e il calcolo edge stanno collegando queste tecnologie precedentemente relativamente disgiunte.

Molti robot industriali tradizionali si basano su programmi pre-scritti per eseguire azioni standard in ambienti relativamente fissi; l'obiettivo dell'AI fisica è consentire alle macchine di adattare i loro giudizi e comportamenti in base a informazioni in tempo reale quando si trovano di fronte a oggetti diversi, ambienti sconosciuti e situazioni impreviste.

Ciò significa che la catena di approvvigionamento dell'AI si sta estendendo da "cervello" a "corpo".

Negli ultimi due anni, il mercato ha prima rivalutato le GPU, lo storage, i server, le reti e l'energia necessari per addestrare e far funzionare l'AI. Successivamente, i fondi potrebbero cercare ulteriormente di investire in veicoli in grado di sostenere questa potenza di calcolo e trasformare le capacità dei modelli in produttività reale: robot, automobili a guida autonoma, droni, attrezzature di automazione industriale e sistemi di visione e sensori distribuiti in fabbriche, magazzini e città.

Quindi, l'AI fisica non è un concetto semplice da equiparare a "robot umanoidi"; ciò che apre realmente è un'intera catena industriale che va dal calcolo all'azione.

2. Dalla potenza di calcolo ai robot: i cinque livelli della catena industriale dell'AI fisica

Per facilitare la comprensione, il MSX Research Institute ha suddiviso la catena industriale dell'AI fisica in cinque fasi chiave.

1. Primo livello: livello di calcolo

Che si tratti di addestrare modelli di robot, costruire ambienti virtuali o completare ragionamenti in tempo reale su automobili e robot, non si può prescindere dalla potenza di calcolo.

Essa comprende GPU nei centri dati, chip AI edge, piattaforme di calcolo a bordo e processori a bassa potenza, con i seguenti principali soggetti:

• NVIDIA (NVDA.M): copre la potenza di calcolo per l'addestramento, la piattaforma di calcolo edge Jetson e l'ecosistema di sviluppo per robot;
• TSMC (TSM.M): base di produzione per chip AI, chip per automobili e chip per calcolo edge;
• Arm (ARM.M): architettura di calcolo a bassa potenza ampiamente utilizzata in automobili, robot e dispositivi intelligenti;
• Qualcomm (QCOM.M): investimenti nell'AI per automobili, ragionamento edge e terminali intelligenti;
• AMD (AMD.M): potenziali beneficiari della potenza di calcolo AI e del calcolo embedded;

La logica di questo livello è simile a quella del mercato dell'AI generativa degli ultimi due anni, seguendo la logica del "vendere pale"; indipendentemente da quale azienda robotica alla fine avrà successo, la base avrà bisogno di chip, potenza di calcolo e architettura di calcolo.

2. Secondo livello: livello dei modelli

Non è difficile capire che l'AI fisica non ha bisogno solo di modelli linguistici, ma anche di modelli di base per robot, modelli del mondo e modelli visivi-linguistici-azioni.

I modelli linguistici possono comprendere le istruzioni umane, i modelli visivi aiutano le macchine a riconoscere l'ambiente, mentre i modelli di azione si occupano di tradurre i giudizi in azioni concrete; il modello del mondo va oltre, cercando di far comprendere all'AI le relazioni tra gli oggetti, prevedere cosa potrebbe accadere successivamente e simulare prima di agire.

Attualmente, questo livello è principalmente guidato da grandi aziende tecnologiche e piattaforme, tra cui NVIDIA, Tesla, Google e alcune startup nel settore della robotica.

Rispetto ai grandi modelli linguistici, il problema principale che affrontano i modelli di robot è la mancanza di dati; sebbene ci siano enormi quantità di testi, immagini e video su Internet, i dati di operazione di robot di alta qualità sono piuttosto scarsi, e generare un numero sufficiente di dati di addestramento diventerà un ostacolo chiave nello sviluppo dell'AI fisica.

3. Terzo livello: livello di simulazione

Poiché i costi di addestramento nella realtà sono elevati, lenti e rischiosi, i robot devono prima imparare nel mondo virtuale; quindi, il gemello digitale, i dati sintetici e gli ambienti di addestramento virtuali costituiscono un livello molto importante per l'AI fisica.

NVIDIA ha costruito una catena di strumenti relativamente completa in questo livello: Omniverse è utilizzato per costruire gemelli digitali e ambienti di simulazione, Isaac Sim e Isaac Lab supportano l'addestramento, il test e la verifica dei robot, mentre Cosmos fornisce modelli del mondo e capacità di generazione dati.

Il valore di questo livello risiede nel fatto che può trasferire i costosi, pericolosi e lenti tentativi ed errori del mondo reale in un ambiente virtuale, consentendo agli sviluppatori di eseguire simultaneamente numerosi scenari, testando diverse condizioni di luce, meteo, terreno e eventi imprevisti, per poi distribuire i modelli verificati su dispositivi reali.

In fin dei conti, un robot potrebbe aver bisogno di alcuni minuti per addestrarsi nella realtà, mentre in un ambiente di simulazione può essere eseguito parallelamente migliaia di volte.

4. Quarto livello: livello di percezione

Quando un robot entra nel mondo reale, il primo passo non è necessariamente avere mani agili, ma essere in grado di "vedere" e comprendere stabilmente l'ambiente circostante.

Deve riconoscere oggetti, valutare distanze, comprendere i cambiamenti ambientali e completare il posizionamento in spazi complessi; dopo aver preso una decisione, deve anche tradurre le decisioni in azioni reali attraverso controller, motori, bracci meccanici e moduli articolari.

Questo livello include visione artificiale, telecamere, lidar, sensori, chip di controllo, controllo del movimento e vari componenti esecutivi:

• Cognex (CGNX.M): sistemi di visione industriale e riconoscimento;
• Ouster (OUST.M): lidar e piattaforme di percezione;
• Qualcomm, NVIDIA: forniscono piattaforme di calcolo visivo per automobili e edge;

Ouster ha già integrato la nuova generazione di lidar digitale nell'ecosistema NVIDIA Jetson e Isaac, promuovendo applicazioni in robot industriali, ispezioni e sistemi autonomi; Cognex continua a implementare sistemi di visione AI in scenari di automazione e ispezione industriale.

Rispetto ai robot umanoidi, lo spazio di immaginazione per la visione artificiale e i sensori potrebbe non essere così ampio, ma è più vicino agli ordini reali e ai clienti esistenti.

Per quanto riguarda i motori, gli ingranaggi e i moduli articolari, i soggetti puri nel mercato azionario statunitense sono relativamente limitati, mentre le opportunità correlate sono più disperse tra automazione industriale, chip simulativi e aziende di componenti specializzati.

5. Quinto livello: livello delle applicazioni

Come il livello più alto della catena industriale, questo è anche il mercato più familiare, comprendente robot, automobili a guida autonoma, droni e attrezzature di automazione industriale, con i seguenti soggetti:

• Tesla (TSLA.M): Optimus, FSD e Robotaxi;
• Alphabet (GOOGL.M): investimenti nell'automazione tramite Waymo;
• Amazon (AMZN.M): robot di magazzino, automazione logistica e Zoox;
• Teradyne (TER.M): robot collaborativi e robot mobili;
• AeroVironment (AVAV.M), Kratos (KTOS.M), Ondas (ONDS.M): droni e sistemi autonomi;
• Palantir (PLTR.M): piattaforma software che collega dati, decisioni e dispositivi autonomi;

Tra questi, Palantir non è un produttore di robot, ma è più orientato verso la connessione di dati, decisioni e dispositivi autonomi; Uber potrebbe diventare un punto di accesso per diverse flotte di Robotaxi per acquisire utenti, gestire ordini e completare transazioni, entrambi appartenenti a direzioni di benefici indiretti.

Questo è anche il segmento in cui l'AI fisica ha maggiori probabilità di generare alta elasticità; una volta che un robot, un Robotaxi o un drone entra in produzione su larga scala, il mercato rapidamente rivedrà le sue entrate e il suo valore.

Ma allo stesso tempo, il livello delle applicazioni è anche la parte più competitiva e difficile da realizzare.

3. Chi guadagnerà per primo: vendere pale o costruire robot?

Dal punto di vista dell'ordine di realizzazione industriale, le entrate incrementali e i profitti portati dall'AI fisica non appariranno necessariamente per primi nei robot umanoidi più fantascientifici.

Piuttosto, il percorso più probabile è vendere prima piattaforme di base, poi entrare in scenari chiusi; risolvere prima compiti standardizzati, poi affrontare mondi aperti; in breve, la certezza di "vendere pale" rimane la più alta.

Quindi, se si dice che i maggiori beneficiari della prima fase dell'AI generativa siano stati NVIDIA, lo sviluppo precoce dell'AI fisica sarà comunque difficile da prescindere da NVIDIA. Indipendentemente da chi alla fine avrà successo tra Tesla, Amazon o qualche startup robotica, tutte necessitano di addestramento dei modelli, test di simulazione, ragionamento in tempo reale e distribuzione edge.

Il vantaggio di NVIDIA non è solo nelle GPU, ma sta integrando chip, modelli, software di simulazione e piattaforme di calcolo edge in un sistema di sviluppo completo, il che significa che non deve necessariamente produrre ogni singolo robot, ma deve semplicemente consentire a un numero crescente di robot di utilizzare la sua potenza di calcolo e il suo ecosistema software.

Da questo punto di vista, la direzione di beneficio più chiara nella prima fase dell'AI fisica potrebbe ancora essere quella di fornire potenza di calcolo, simulazione, chip e strumenti di sviluppo per i "venditori di pale"; ma "una direzione di beneficio chiara" non significa che il prezzo delle azioni non abbia rischi, e se il mercato ha già anticipato le aspettative di crescita, se l'ecosistema software può formare entrate sostenibili e se i concorrenti possono fornire alternative, rimane da osservare.

In secondo luogo, le fabbriche e i magazzini potrebbero chiudere più rapidamente il ciclo commerciale, il che significa che gli scenari in cui l'AI fisica entrerà per primi nei bilanci potrebbero apparire nei settori della produzione, dello stoccaggio e della logistica.

Questi scenari hanno ambienti relativamente chiusi, percorsi e compiti più standardizzati, e le aziende possono calcolare più facilmente il ritorno sugli investimenti: una volta investito in un robot, quanto lavoro può ridurre, quanto può aumentare l'efficienza e quanto può ridurre gli sprechi possono essere direttamente quantificati.

Amazon ha già utilizzato robot su larga scala nella sua rete di magazzini, ottimizzando la programmazione e i percorsi tra i dispositivi tramite modelli AI; Universal Robots e MiR di Teradyne coprono rispettivamente bracci meccanici collaborativi e robot mobili, già entrati in ambienti di produzione reali come la manifattura, la logistica e i semiconduttori.

Queste aziende hanno in comune il fatto di non limitarsi a mostrare quali azioni possono compiere i robot, ma hanno già iniziato a inserire i robot in fabbriche e magazzini per risolvere problemi di produzione reali. Al contrario, far entrare i robot nelle case per cucinare, pulire e prendersi cura degli anziani richiede di affrontare ambienti e responsabilità di sicurezza più complessi, e il ciclo di commercializzazione potrebbe essere significativamente più lungo.

Infine, i robot umanoidi hanno senza dubbio la maggiore immaginazione di mercato; teoricamente, possono entrare in fabbriche, magazzini, ospedali e case progettati dagli esseri umani, utilizzando direttamente strade, strumenti e tavoli da lavoro esistenti.

Tesla Optimus è quindi diventato uno dei punti focali più seguiti nell'andamento dell'AI fisica, ma ciò non significa che la commercializzazione su larga scala sia già arrivata; per i robot umanoidi, ciò che deve essere realmente osservato non è se i movimenti durante le presentazioni siano fluidi, ma se il costo per unità, il tempo di lavoro continuo e il valore creato possano coprire i costi di acquisto e manutenzione.

Al contrario, i Robotaxi sono già in una posizione più avanzata. Le automobili a guida autonoma sono essenzialmente "AI fisica su ruote"------i veicoli percepiscono l'ambiente tramite telecamere, radar e lidar, il modello prende decisioni e l'auto compie azioni reali.

Tesla, Waymo e Zoox rappresentano rispettivamente l'integrazione di hardware e software del veicolo, i sistemi di guida autonoma e le rotte dedicate per Robotaxi; Uber cerca di diventare il punto di accesso che collega diverse flotte di veicoli a guida autonoma con i passeggeri; Waymo ha iniziato a promuovere l'operazione completamente autonoma del suo sesto sistema di guida autonoma, rivelando che ha completato oltre 20 milioni di viaggi completamente autonomi, dimostrando che i Robotaxi sono chiaramente in anticipo rispetto ai robot umanoidi generali nella verifica commerciale.

Inoltre, droni e robot per la difesa possono ottenere più facilmente la verifica degli ordini. Dopotutto, i clienti della difesa hanno esigenze più chiare per sistemi autonomi a basso costo e dispositivi anti-drone, e le attività autonome e senza pilota di AeroVironment e Kratos hanno già mostrato crescita di entrate e ordini, mentre Ondas continua a ricevere ordini per sistemi di difesa autonomi, droni e missili.

Tuttavia, queste piccole aziende sono solitamente associate a una maggiore concentrazione di progetti, rischi di finanziamento e di esecuzione.

Pertanto, per valutare se un'azienda di AI fisica meriti di essere seguita nel tempo, bisogna tornare a tre domande:

• È un anello centrale difficile da sostituire nella catena industriale?
• Ha clienti reali, ordini e scenari di applicazione?
• I progressi tecnologici possono riflettersi in entrate, profitti e flussi di cassa?

Conclusione

L'AI fisica non si realizzerà da un giorno all'altro.

Secondo le leggi industriali, è più probabile che segua un percorso che va dalla certezza all'alta elasticità: prima potenza di calcolo, simulazione e piattaforme edge, poi magazzini, fabbriche e robot specializzati, fino a Robotaxi, droni e robot umanoidi generali.

E ciò che realmente determinerà quanto lontano può arrivare questa linea principale non è quante azioni i robot completano durante le presentazioni, ma se possono entrare in fabbriche, magazzini, strade e attività reali, creando valore che può essere verificato dai bilanci.

Solo quando ciò accade, l'AI può dirsi veramente passata dallo schermo alla realtà.