L’intelligenza fisica, l’ultima scommessa del veterano di Stripe Lachy Groom, sta costruendo i cervelli robotici più vivaci della Silicon Valley

Dalla strada, l’unica indicazione che ho trovato del quartier generale della Bodily Intelligence a San Francisco è un simbolo pi greco di un colore leggermente diverso rispetto al resto della porta. Quando entro, mi trovo immediatamente confrontato con l’attività. Non c’è reception, né emblem scintillante sotto le luci fluorescenti.

All’interno, lo spazio è una gigantesca scatola di cemento resa leggermente meno austera da una distensione casuale di lunghi tavoli in legno chiaro. Alcuni sono chiaramente pensati per il pranzo, costellati di scatole di biscotti Woman Scout, barattoli di Vegemite (qualcuno qui è australiano) e piccoli cestini di filo metallico riempiti con troppi condimenti. Il resto delle tavole racconta una storia completamente diversa. Molti altri sono carichi di monitor, parti robotiche di ricambio, grovigli di filo nero e bracci robotici completamente assemblati in vari stati di tentativo di padroneggiare il banale.

Durante la mia visita, un braccio piega un paio di pantaloni neri, o ci prova. Non sta andando bene. Un altro sta tentando di rivoltare una maglietta con il tipo di determinazione che suggerisce che alla positive ci riuscirà, ma non oggi. Un terzo – questo sembra aver trovato la sua vocazione – sbuccia velocemente una zucchina, dopodiché dovrebbe depositare i trucioli in un contenitore separato. Almeno i trucioli stanno andando bene.

“Pensalo come ChatGPT, ma per i robotic”, mi cube Sergey Levine, indicando il balletto motorizzato che si svolge attraverso la stanza. Levine, professore associato alla UC Berkeley e uno dei cofondatori di Bodily Intelligence, ha il comportamento amabile e occhialuto di qualcuno che ha trascorso molto tempo a spiegare concetti complessi a persone che non li afferrano immediatamente.

Quello che sto guardando, spiega, è la fase di take a look at di un ciclo continuo: i dati vengono raccolti su stazioni robotiche qui e in altri luoghi (magazzini, case, ovunque il crew possa aprire un negozio) e quei dati addestrano modelli di fondamenta robotiche per scopi generali. Quando i ricercatori addestrano un nuovo modello, questo ritorna in stazioni come queste per la valutazione. La cartella dei pantaloni è l’esperimento di qualcuno. Anche il tornitore lo è. Il pelazucchine potrebbe testare se il modello può essere generalizzato a various verdure, imparando i movimenti fondamentali della sbucciatura abbastanza bene da gestire una mela o una patata mai incontrata.

L’azienda gestisce anche una cucina di prova in questo edificio e altrove utilizzando {hardware} customary per esporre i robotic a diversi ambienti e sfide. C’è una sofisticata macchina per l’espresso nelle vicinanze, e presumo che sia per lo employees finché Levine non chiarisce che no, è lì perché i robotic possano imparare. Qualsiasi latte schiumato è un dato, non un vantaggio per le dozzine di ingegneri sulla scena che per lo più sbirciano nei loro pc o indugiano sui loro esperimenti meccanizzati.

L'{hardware} in sé è volutamente poco affascinante. Queste armi vengono vendute per circa 3.500 dollari, e questo con quello che Levine descrive come “un enorme margine” da parte del venditore. Se li producessero internamente, il costo del materiale scenderebbe sotto i 1.000 dollari. Qualche anno fa, cube, un esperto di robotica sarebbe rimasto scioccato dal fatto che queste cose potessero fare qualsiasi cosa. Ma è proprio questo il punto: una buona intelligenza compensa un {hardware} scadente.

Mentre Levine si scusa, vengo avvicinato da Lachy Groom, che si muove attraverso lo spazio con la determinazione di qualcuno a cui stanno accadendo una mezza dozzina di cose contemporaneamente. A 31 anni, Groom ha ancora la qualità del volto fresco dei ragazzi prodigi della Silicon Valley, un titolo che si è guadagnato presto, dopo aver venduto la sua prima azienda nove mesi dopo averla fondata all’età di 13 anni nella sua nativa Australia (questo spiega la Vegemite).

Quando l’ho avvicinato per la prima volta, mentre accoglieva nell’edificio un piccolo gruppo di visitatori in felpa, la sua risposta alla mia richiesta di passare del tempo con lui è stata immediata: “Assolutamente no, ho delle riunioni”. Adesso ha dieci minuti, forse.

Groom ha trovato quello che stava cercando quando ha iniziato a seguire il lavoro accademico uscito dai laboratori di Levine e Chelsea Finn, un’ex studentessa di dottorato di Berkeley di Levine che ora gestisce il proprio laboratorio a Stanford focalizzato sull’apprendimento robotico. I loro nomi continuavano advert apparire in tutto ciò che accadeva di interessante nel campo della robotica. Quando ha sentito voci che avrebbero potuto iniziare qualcosa, ha rintracciato Karol Hausman, un ricercatore di Google DeepMind che insegnava anche a Stanford e che Groom aveva appreso period coinvolto. “Period solo uno di quegli incontri in cui esci ed è come, questo è tutto.”

Groom non ha mai avuto intenzione di diventare un investitore a tempo pieno, mi cube, anche se alcuni potrebbero chiedersi perché non farlo, visti i suoi trascorsi. Dopo aver lasciato Stripe, dove è stato uno dei primi dipendenti, ha trascorso circa cinque anni come angel investor, scommettendo presto su aziende come Figma, Notion, Ramp e Lattice mentre cercava l’azienda giusta per avviare o unirsi a lui. Il suo primo investimento nella robotica, Commonplace Bots, è arrivato nel 2021 e lo ha reintrodotto in un campo che amava da bambino costruendo Lego Mindstorms. Mentre scherza, period “in vacanza molto più come investitore”. Ma investire period solo un modo per rimanere attivi e incontrare persone, non il risultato finale. “Per cinque anni ho cercato che l’azienda iniziasse il post-Stripe”, afferma. “Buone idee in un buon momento con una buona squadra – [that’s] estremamente raro. È tutta esecuzione, ma puoi mettere in pratica una cattiva concept come un matto, ed è comunque una cattiva concept.

La società di due anni ora è cresciuta oltre 1 miliardo di dollarie quando gli chiedo della sua passerella, si affretta a chiarire che in realtà non brucia così tanto. La maggior parte della sua spesa è destinata all’informatica. Un attimo dopo, riconosce che con le giuste condizioni, con i giusti associate, avrebbe raccolto di più. “Non c’è limite alla quantità di denaro che possiamo effettivamente investire”, afferma. “C’è sempre più calcolo che puoi utilizzare per risolvere il problema.”

Ciò che rende questo accordo particolarmente insolito è ciò che Groom non dà ai suoi sostenitori: una sequenza temporale per trasformare l’intelligenza fisica in uno sforzo per fare soldi. “Non do risposte agli investitori sulla commercializzazione”, cube dei sostenitori che includono Khosla Ventures, Sequoia Capital e Thrive Capital, tra gli altri, che hanno valutato l’azienda a 5,6 miliardi di dollari. “È una cosa strana che la gente lo tolleri.” Ma lo tollerano, e forse non sempre, ed è per questo che ora è opportuno che l’azienda sia ben capitalizzata.

Allora qual è la strategia, se non la commercializzazione? Quan Vuong, un altro cofondatore proveniente da Google DeepMind, spiega che ruota attorno all’apprendimento incrociato e a various fonti di dati. Se domani qualcuno costruirà una nuova piattaforma {hardware}, non avrà bisogno di iniziare la raccolta dei dati da zero: potrà trasferire tutta la conoscenza che il modello già possiede. “Il costo marginale dell’integrazione dell’autonomia in una nuova piattaforma robotica, qualunque essa sia, è semplicemente molto più basso”, afferma.

L’azienda sta già lavorando con un piccolo numero di aziende in diversi settori verticali – logistica, generi alimentari, un produttore di cioccolato dall’altra parte della strada – per verificare se i loro sistemi sono abbastanza buoni per l’automazione nel mondo reale. Vuong sostiene che in alcuni casi lo sono già. Con il loro approccio “qualsiasi piattaforma, qualsiasi attività”, la superficie per il successo è abbastanza ampia da iniziare a selezionare le attività pronte per l’automazione oggi.

L’intelligenza fisica non è la sola a perseguire questa visione. La corsa per costruire un’intelligenza robotica generica – la base su cui costruire applicazioni più specializzate, proprio come i modelli LLM che hanno affascinato il mondo tre anni fa – si sta surriscaldando. Skild AI, con sede a Pittsburgh, fondata nel 2023, proprio questo mese ha raccolto 1,4 miliardi di dollari con una valutazione di 14 miliardi di dollari e sta adottando un approccio notevolmente diverso. Mentre Bodily Intelligence rimane focalizzata sulla ricerca pura, Skild AI ha già implementato commercialmente il suo Skild Mind “omnicorposo”, affermando di aver generato 30 milioni di dollari di entrate in pochi mesi lo scorso anno tra sicurezza, magazzini e produzione.

Skild ha persino scattato foto pubbliche ai concorrenti, litigando sul suo blog che la maggior parte dei “modelli di base della robotica” sono solo modelli di linguaggio visivo “sotto mentite spoglie” privi di “vero buon senso fisico” perché si basano troppo sulla formazione preliminare su scala Web piuttosto che sulla simulazione basata sulla fisica e sui dati robotici reali.

È una divisione filosofica piuttosto netta. Skild AI scommette che l’implementazione commerciale crea un volano di dati che migliora il modello con ogni caso d’uso nel mondo reale. L’intelligenza fisica scommette che resistere alla spinta della commercializzazione a breve termine le consentirà di produrre un’intelligenza generale superiore. Ci vorranno anni per decidere chi ha “più ragione”.

Nel frattempo, l’Intelligenza Fisica opera con ciò che Groom descrive come insolita chiarezza. “È un’azienda davvero pura. Un ricercatore ha un bisogno, noi andiamo a raccogliere dati per supportare quel bisogno – o nuovo {hardware} o qualunque cosa sia – e poi lo facciamo. Non è guidato dall’esterno.” L’azienda aveva una tabella di marcia da 5 a ten anni su ciò che il crew pensava sarebbe stato possibile. Entro il mese 18, ce l’avevano fatta, cube.

L’azienda ha circa 80 dipendenti e prevede di crescere, anche se Groom spera “il più lentamente possibile”. La cosa più impegnativa, cube, è l'{hardware}. “L'{hardware} è davvero difficile. Tutto ciò che facciamo è molto più difficile di una società di software program. ” Rotture {hardware}. Arriva lentamente, ritardando i take a look at. Le considerazioni sulla sicurezza complicano tutto.

Mentre lo sposo si alza per correre al suo prossimo impegno, rimango a guardare i robotic continuare la loro pratica. I pantaloni non sono ancora del tutto piegati. La maglietta rimane ostinatamente rovesciata. I trucioli di zucchine si accumulano bene.

Ci sono ovvie domande, inclusa la mia, sul fatto che qualcuno voglia davvero un robotic in cucina per sbucciare le verdure, sulla sicurezza, sui cani che impazziscono per gli intrusi meccanici nelle loro case, sul fatto che tutto il tempo e il denaro investiti qui risolva problemi abbastanza grandi o ne crei di nuovi. Nel frattempo, gli esterni mettono in dubbio i progressi dell’azienda, se la sua visione è realizzabile e se ha senso scommettere sull’intelligenza generale piuttosto che su applicazioni specifiche.

Se lo Sposo ha qualche dubbio, non lo mostra. Sta lavorando con persone che lavorano su questo problema da decenni e che credono che finalmente sia arrivato il momento giusto, e questo è tutto ciò che gli serve sapere.

Inoltre, la Silicon Valley ha sostenuto persone come Groom e ha dato loro molta corda fin dall’inizio del settore, sapendo che ci sono buone probabilità che anche senza un percorso chiaro verso la commercializzazione, anche senza una tempistica, anche senza la certezza su come sarà il mercato una volta arrivati ​​lì, riusciranno a capirlo. Non sempre funziona. Ma quando lo fa, tende a giustificare molte volte in cui non lo fa.