Apakah perubahan yang dibawa model besar kepada robotik?

  • Model termaju generasi baharu sedang beralih daripada menyesuaikan diri dengan perubahan warna dan tekstur objek kepada melaksanakan tugas baharu dengan sifar atau sedikit contoh. Dalam persekitaran yang tidak dikenali dan situasi tidak berstruktur, kebergantungan pada penalaan halus bagi setiap tugas dijangka berkurang.
  • Goldman Sachs berpendapat perkara ini akan mempercepat pengkomersialan dalam bidang seperti bantuan di rumah dan logistik kompleks, tetapi tidak akan menjadikan industri matang dalam sekelip mata. Menurut perbandingan pakar yang ditemu bual, dari segi keselamatan dan kebolehpercayaan pengeluaran besar-besaran, manipulasi robot serba guna masih berada pada tahap awal yang setanding dengan perkembangan awal pemanduan autonomi, tetapi kadar kemajuan teknologinya dijangka mencapai 2 hingga 4 kali kadar sejarah pemanduan autonomi.
  • Masih terdapat pertukaran antara keupayaan generalisasi dan ketepatan: pembuatan industri menuntut kebolehpercayaan dan ketepatan ulangan yang amat tinggi, dan akan terus bergantung pada data khusus serta kawalan gerakan deterministik; model besar lebih sesuai untuk persekitaran perniagaan, logistik dan perkhidmatan rumah yang memerlukan tindak balas fleksibel terhadap perubahan.

Apakah langkah yang masih diperlukan antara memahami tugas dan melaksanakan tindakan?

  • Ketepatan persepsi tiga dimensi semasa masih tidak mencukupi untuk mengendalikan interaksi berskala milimeter secara stabil, dan kependaman inferens juga sukar memenuhi keperluan kestabilan dinamik, operasi berkelajuan tinggi dan pemulihan pantas. Penggunaan komersial juga memerlukan keupayaan model besar dimampatkan ke dalam model pinggir yang lebih cekap untuk mengurangkan kos operasi.
  • Pakar membahagikan kecerdasan robot kepada tiga lapisan: model aras tinggi memahami dan merancang tugas, lapisan pertengahan menukar niat kepada trajektori gerakan, dan lapisan aras rendah mengendalikan kawalan berkelajuan tinggi serta maklum balas daya. Makmal model termaju sukar mendalami lapisan aras rendah dalam jangka pendek kerana setiap mesin mempunyai ciri elektromekanikal yang berbeza dan juga perlu melalui ujian fizikal, kehausan dan pembaikan.
  • Oleh itu, Goldman Sachs berpendapat pembezaan jangka panjang pengeluar robot akan semakin banyak datang daripada kawalan masa nyata, seni bina keselamatan, penggunaan model pinggir dan penyepaduan perkakasan serta perisian. Walaupun model besar pihak ketiga digunakan sebagai “otak”, pengeluar yang mahir dalam elektromekanik tepat dan kawalan gerakan masih boleh melaksanakan tindakan fizikal.

Mengapa pengumpulan data dan penderiaan sentuhan mungkin mendapat manfaat terlebih dahulu?

  • Manipulasi cekap melibatkan pelbagai darjah kebebasan gerakan, sentuhan berterusan dan maklum balas sentuhan. Pakar menganggarkan bahawa mencapai ambang pengeluaran serba guna mungkin memerlukan kira-kira 10 juta jam data interaksi multimodal berkualiti tinggi, yang sukar digantikan oleh rakaman video pasif atau bising biasa.
  • Video sudut pandang orang pertama membantu memahami tugas tetapi tidak mengandungi maklumat seperti daya sentuhan; simulasi boleh menjana trajektori gerakan dengan pantas, tetapi butiran seperti geseran dan perubahan bentuk bahan berbeza daripada keadaan sebenar dan memerlukan penentukuran.
  • Pakar optimis terhadap antara muka manipulasi serba guna yang mengumpulkan data gerakan secara langsung pada titik sentuhan antara tangan dengan objek, digabungkan dengan penderiaan sentuhan beresolusi tinggi untuk menampung titik buta visual akibat halangan pada jarak dekat dan ralat kedalaman. Berdasarkan hal ini, Goldman Sachs optimis terhadap permintaan jangka pendek bagi perkakasan pengumpulan data seperti sensor ruang tiga dimensi dan tatasusunan sentuhan.

Bagaimanakah peluang industri dikaitkan dengan syarikat dan bidang penggunaan?

  • Goldman Sachs berpendapat gabungan model asas dengan robot kolaboratif dan automasi kilang sedia ada juga boleh menjadi penyelesaian praktikal. Sama ada pengeluar mendapat manfaat bergantung pada sama ada penderiaan, pengumpulan data, kawalan gerakan atau komponen utama mereka dapat digunakan dalam aplikasi sebenar.
  • Goldman Sachs memberikan penarafan beli kepada Inovance Technology, dengan menekankan keupayaannya dalam automasi industri dan kawalan gerakan serta portfolio perkakasan yang mempunyai keupayaan penderiaan dan pengumpulan data. Ia juga memberikan penarafan beli kepada Shuanghuan Driveline dan menjangkakan hasil robot AI syarikat itu mencapai 400 juta hingga 500 juta yuan pada 2027, lebih daripada dua kali ganda berbanding paras sebelumnya.
  • Peluang robotik Sanhua Intelligent Controls terletak terutamanya pada pemasangan penggerak. Goldman Sachs memberikan penarafan beli kepada saham H dan neutral kepada saham A syarikat itu, dengan memilih saham H yang dinilai lebih rendah; ia juga berpendapat jangkaan pasaran terhadap robot humanoid agak optimis berbanding kemajuan pengeluaran Optimus.