Souhrn
Robotický sektor dosáhl v roce 2025 rekordního financování ve výši 40,7 miliardy dolarů, což je nárůst o 74 procent oproti roku 2024 a představuje 9 procent celkových venture investic. Tento růst pohání fyzická AI, která umožňuje robotům autonomní učení z reálných dat. Analýza identifikuje přes 70 společností v deseti kategoriích fyzických AI modelů, zaměřených na sběr dat, simulace a vývoj základních modelů.
Klíčové body
- Robotika získala 40,7 miliardy dolarů investic v roce 2025, což ji staví na úroveň AI softwaru.
- Fyzická AI vyžaduje reálná data z robotů, na rozdíl od jazykových modelů trénovaných na textu.
- Mapa trhu rozděluje 70+ firem do kategorií jako Data & simulation, Model approaches, Foundation models a Observability.
- Klíčovou konkurenční výhodou jsou proprietární tréninková data.
- Zahrnuje veřejné i soukromé firmy s vysokým Mosaic skóre, které predikuje úspěšnost.
Podrobnosti
Mapa trhu s fyzickými AI modely odhaluje strukturu závodu o dominanci v robotické inteligenci. Na rozdíl od velkých jazykových modelů (LLM), které se trénují na obrovských textových korpusech, fyzické AI modely potřebují data z reálného světa – videa, senzory a pohyby robotů. To vytváří ranou fázi, kdy firmy s přístupem k těmto datům mohou získat tržní kontrolu. CB Insights identifikovala přes 70 společností v deseti kategoriích.
První skupina, Data & simulation, zahrnuje generování syntetických dat, sběr demonstrací z reálných robotů a simulační platformy. Tyto nástroje umožňují robotům trénovat v virtuálních prostředích, což snižuje náklady na fyzické testy. Například simulační platformy jako ty od startupů umožňují testovat manipulaci s objekty bez rizika poškození hardware.
Druhá kategorie, Model approaches, pokrývá jádrové AI architektury: Vision-Language Models (VLM) pro porozumění okolí, Vision-Language-Action models (VLA) pro generování akcí a world models pro predikci výsledků. VLM slouží k rozpoznávání objektů a scén díky kombinaci vidění a jazyka, zatímco VLA přímo převádí vnímání na pohyby, což je klíčové pro úkoly jako uchopování.
Foundation models pak integrují tyto architektury do univerzálních systémů pro manipulaci, autonomní řízení vozidel nebo koordinaci více robotů. Tyto pre-trénované modely umožňují robotům generalizovat napříč úkoly, podobně jako GPT v textu. Observability platformy monitorují nasazené roboty, sbírají data z provozu a vracejí je do tréninku, čímž zlepšují výkon v reálném čase.
Mapa zahrnuje lídry jako veřejné korporace i soukromé firmy s Mosaic skóre nad 500, což je metrika predikující zdraví a úspěšnost. Firmy se mohou objevovat v více kategoriích a mapa není vyčerpávající. CB Insights nabízí detailní scouting reports pro zákazníky.
Proč je to důležité
Tento růst financování signalizuje přechod robotiky z niku do mainstreamu, kde fyzická AI může vést k průlomům v průmyslové automatizaci, logistice a domácích aplikacích. Kontrola nad proprietárními daty určuje vítěze, podobně jako u otevřených LLM, kde data byla klíčem k dominanci. Pro průmysl to znamená rychlejší nasazení autonomních systémů, ale i rizika koncentrace moci u několika firem. V širším kontextu posiluje to cestu k AGI, protože robotická inteligence vyžaduje integraci fyzického vnímání s rozhodováním, což testuje limity současných modelů.
Zdroj: 📰 Cbinsights.com
