مقابله با غول‌ها: QA با استارت‌آپ خلاء روباتیک، مهول ناریاوالا، بنیانگذار Matic

آنها اکنون آنقدر رایج هستند که به سختی ارزش ذکر آنها را دارند، اما جاروبرقی های روباتیک در یک نقطه یک دستگاه جدید انقلابی بودند. ایده جارویی که بتواند به طور مستقل در اطراف خانه حرکت کند و گرد و غبار و زباله ها را بدون هدایت انسان به طور قابل اعتمادی بمکد، به نظر می رسد که در زمانی که محققان هوش مصنوعی MIT شرکت را تأسیس کردند، یک داستان علمی تخیلی به وجود آمد. iRobot در سال ۱۹۹۰، و دوباره زمانی که آنها Roomba را در سال ۲۰۰۲ معرفی کردند.

“Roomba” از آن زمان با Kleenex، Tylenol و Band-Aid به یک نام تجاری شناخته شده تبدیل شده است، و بسیاری از برندهای دیگر برای ارائه محصولات رقیب با قیمت های بالاتر و پایین تر، از جمله جاروبرقی ها، وارد عمل شده اند. دایسون و Anker با برند Eufy. با وجود این، برخی معتقدند که این فناوری آنطور که باید پیشرفت نکرده است، و جایی برای اختلال در سطح بالا وجود دارد.

“ما می خواستیم”رزی ربات‘ [from The Jetsons] مهول ناریاوالا، یکی از بنیانگذاران و مدیر عامل یک شرکت تازه وارد در این فضا، گفت: و تنها چیزی که به دست آوردیم این روبات های دیسکی بود که در حال چرخیدن هستند. ماتیککه همین هفته از مخفی کاری با تقریبا بودجه ۳۰ میلیون دلاری از ضربه گیرهای سنگین Nest، Stripe، و GitHub و محصول ترکیبی ربات جاروبرقی/مپ خود. برف میاد برای پیش‌سفارش در ایالات متحده با قیمت ۱۴۹۵ دلار موجود است تا پایان سال جاری (قیمت پس از آن به ۱۷۹۵ دلار جهش کرد) با چارچوب زمانی حمل و نقل اوایل سال ۲۰۲۴٫

Matic، که وعده می دهد نه تنها نظافت، بلکه کل فضای رباتیک داخلی را با بازگشت به اصول اولیه دوباره اختراع کند، از سال ۲۰۱۷، زمانی که ناریاوالا بخش Nest Google را ترک کرد، در حال انجام است، جایی که او مدیر محصول اصلی مجموعه Nest Cams بود. قبل از آن، او به عنوان مدیر محصول در گوگل کار می کرد و یکی از بنیانگذاران آن بود بال بال زدن.

در حالی که بازار وکیوم روبو بالغ‌تر است، اما هنوز نشانه‌هایی از کندی یا فلج شدن را نشان نمی‌دهد – محققان نرخ رشد سالانه ترکیبی بین ۱۲٫۳ تا ۱۷٫۸۷ درصد را پیشنهاد می‌کنند که منجر به اندازه‌ای متفاوت از ۹٫۱۲ میلیارد دلار به اندازه ۱۷٫۹ میلیارد دلار تا سال ۲۰۲۸. این رشد ناشی از تقاضای فزاینده برای راه‌حل‌های تمیزکننده خودکار و مزایای استفاده از لوازم هوشمند با صرفه‌جویی در زمان است.

بنابراین، پس از کار برای استارتاپ‌ها و غول‌های فناوری، چرا ناریاوالا فکر می‌کند که می‌تواند در بازار جاروبرقی روبات‌ها نفوذ کند و در نهایت یک ربات خانگی هوشمندتر بسازد که نزدیک‌تر به «رزی ربات“از رویاهای آینده نگر ما؟” پرسش و پاسخ ما را بخوانید تا متوجه شوید.

موارد زیر برای وضوح ویرایش و ویرایش شده است.

VentureBeat: در اصل اهل کجا هستید؟

مهول ناریاوالا: در اصل، من در هند بزرگ شدم، به دبیرستان در فلوریدا رفتم، در دانشگاه مریلند در مقطع کارشناسی رفتم و در اوج دوره اول فارغ التحصیل شدم. [tech] حباب [in the 2000s]. من مستقیماً به یک استارت‌آپ رفتم و این یک شکست چشمگیر بود – ما ۳۰ میلیون دلار را در ۱۱ ماه سوزاندیم.

در مورد محصول به من بگویید [Matic]?

پیدایش این ایده در واقع این بود که من یک رتریور طلایی بگیرم و موهای زیادی برای تمیز کردن داشته باشم. بنابراین، همسرم به من گفت که برو یک ربات بگیر.

می دانستم که رومبا بد است. من در نهایت یک جاروبرقی رباتیک Dyson 360 گرفتم که در سال ۲۰۱۶ راه اندازی شد.

معلوم شد که احتمالاً یکی از بدترین ربات‌هایی است که من استفاده کرده‌ام، زیرا این ربات از هر ۱۰ بار ۹ بار نتوانسته است حوض خود را پیدا کند. از نظر مکش، همه دایسون ها عالی هستند، اما از نظر ربات، واقعاً آنقدرها هم عالی نبود.

به طوری که کنجکاوی ما را برانگیخت. ما در آن زمان در Nest بودیم و فکر کردیم، “یک دقیقه صبر کنید، چرا کسی واقعاً در این فضا نوآوری نمی کند؟”

بیش از ۲۰۰ استارت آپ خودروی خودران و بیش از ۲۰۰ استارت آپ اتوماسیون صنعتی وجود دارد، اما هیچ کس در فضای خانه وجود ندارد. ما فقط از این نوع “ربات های دیسک” داریم و همین. چه خبر؟

در سطح بسیار بالایی، به این نتیجه رسیدیم که کل فضای رباتیک داخلی کمی وارونه ساخته شده است. مثل قرار دادن گاری جلوی اسب است. و منظور من از آن این است که سعی کنید بدون داشتن نقشه های گوگل یا GPS، ماشین های خودران بسازید. هر چقدر هم که ماشین هوشمند باشد، اگر نداند جاده کجا می رود یا در کجای جاده قرار دارد، بی فایده است، درست است؟

و آنچه ما بر اساس این تجربه دریافتیم این است که اینها [existing disc] روبات‌ها واقعاً نمی‌دانند که در سمت راست کاناپه هستند، سمت چپ یا بالای آن. چه در آشپزخانه باشند، چه در گوشه ای از ناهارخوری یا در اتاق غذاخوری. همه این چیزها اطلاعات مهمی هستند که شما می توانید به طور دقیق پیمایش کنید.

و نکته اینجاست: کل فضای رباتیک داخلی هنوز بر روی ساخت محرک ها و حسگرها و افزودن به آنها متمرکز است، در حالی که گلوگاه های واقعی واقعاً هستند. SLAM (محلی سازی و نقشه برداری همزمان) و ادراک

و این جایی است که پیشینه ما بود، ما از سال ۲۰۰۵ به بعد در زمینه بینایی کامپیوتر کار می کردیم. بنابراین احساس می‌کنیم که می‌توانیم با رویکرد اول الگوریتم به این موضوع نزدیک شویم و مغزها را به ربات اضافه کنیم.

اینجاست که فکر می‌کردیم تمیز کردن کف هنوز بهترین مکان برای شروع است. دلیل آن این است که طبق تعریف، اگر در حال تمیز کردن کف‌ها هستید، هر اینچ از سطح داخلی را کاوش می‌کنید و یک نقشه می‌سازید. اگر کف‌ها را تمیز می‌کنید، کف چاه‌ها چندین بار در روز کثیف می‌شوند، بنابراین باید بارها و بارها آن را مرور کنید و نقشه را خود به‌روزرسانی کنید. و ما می توانیم به روشی که انجام می دهیم به آن توانایی بدهیم [humans] داشته باشید که ما به یک فضای سرپوشیده می رویم، در اطراف قدم می زنیم و یک نقشه ذهنی می سازیم.

اگر یک بار از آن عبور کنید، همه چیز را به یاد نمی آورید. اما اگر ۱۰ بار از آن عبور کنید، واقعاً به یاد می‌آورید که اوضاع کجاست.

بنابراین دقیقاً به همین روش، این ربات می تواند در طول زمان خود یاد بگیرد و با هر محیط خانه دقیق تر و دقیق تر شود. اگر بتوانیم این کار را انجام دهیم، ارزش پیشنهادی زیادی دارد.

تمیز کردن کف نیز مکان بسیار خوبی برای شروع بود زیرا این ربات ها هنوز تنها ربات هایی هستند که در خانه های ما پذیرفته می شوند. از همه مهمتر، مشتریان زیادی مثل من بودند که جاروبرقی رباتیک را امتحان کرده بودند و آن را دوست نداشتند. وقتی به دسته نگاه کردیم، امتیاز خالص پروموتر یک منفی است، برای خانم ها منفی ۱۸ است. آنها بدتر از Comcast هستند که منفی ۱۰ است، که من فکر می کنم شرکت مورد علاقه همه افراد در ایالات متحده است.

بنابراین برای ما، این ایده بود که اینجا مشکل شدیدی است که هیچ کس به آن توجه نمی کند.

من کاملاً متوجه شدم و ناراحتی شما را با روبات های دیسک تقسیم می کنم. شما بچه ها از نقطه شروع کاملاً متفاوتی با نگاه به بینایی رایانه و SLAM به این موضوع می پردازید – تا آنجا که می دانید، این کاری نیست که رقبا انجام می دهند؟

اولین نسل ربات‌های دیسکی فقط این الگوریتم بودند که در آن راه خود را از طریق خانه رد می‌کردند. بعد، چند نسخه آمد که فقط از LIDAR تک پیکسلی استفاده می کرد که فقط یک نشانگر لیزری دارد و اگر زیاد یا کم باشد، چیزی نمی بیند. بنابراین فقط دیوارها را می بیند، و فراتر از آن، مبارزه می کند. و اخیراً آنها شروع به اضافه کردن دوربین‌ها کرده‌اند و برخی SLAM بصری اولیه در آنجا وجود دارد. اما بهترین راه برای توصیف این موضوع مانند رابط لمسی قبل و بعد از آیفون است. بله، آنها در اطراف بودند، اما وفاداری آنقدر بد بود که مجبور شدید انگشت خود را تا انتها در آن بکوبید تا کار کند.

در ابتدا، وقتی کار را شروع کردیم، صادقانه بگویم، فکر نمی‌کردیم SLAM بزرگترین مانعی باشد که باید از آن عبور کنیم. اما چیزی که با شروع به کاوش در آن متوجه شدیم این است که اگرچه از نظر تئوریک از اواسط دهه ۱۹۸۰ به عنوان یک مشکل حل شده در نظر گرفته شده است، اما در عمل هیچ کس آن را به شیوه ای دقیق اجرا نکرده است. این فقط وجود ندارد.

و اگر می خواهید ربات های داخلی کاملاً مستقل را به عنوان یک دسته حل کنید، این مهمترین چیز است زیرا روبات ها باید بدانند کجا هستند. اگر ندانند کجا هستند، اگر مکان دقیق را نفهمند، همه چیز بی فایده است. و این شامل انواع ربات‌ها می‌شود، چه ربات‌های صنعتی، انبارها، کارخانه‌ها، انسان‌نماها – شما باید بدانید کجا هستید. اگر این کار را نکنی، مثل ماست که چشم بند داریم. اگر چشم بند داشته باشیم، چندان مفید نخواهیم بود.

بچه ها چه کاری متفاوت انجام می دهید؟ شما گفتید که یک رویکرد الگوریتمی دارید – این ایده یادگیری ربات است. فکر می‌کنم من، خودم و بسیاری از افراد دیگر، امیدواریم این کاری باشد که روبات‌های ما قبلاً انجام می‌دهند. در حال حاضر این کار را صد بار انجام داده است، هر بار که آن را اجرا می کنم، باید هر بار که آن را اجرا می کنم تجربه کسب کند.

بهترین راه برای فکر کردن در مورد آن این است که برای ربات‌های داخلی کاملاً مستقل، سخت‌افزار مشکلی نیست – محرک‌های پیچیده مدت‌هاست که وجود داشته‌اند. این واقعاً درک سه بعدی و SLAM است، اینها تنگناها هستند.

در ادراک سه بعدی و SLAM، رویکردی که صنعت گاهی اوقات اتخاذ کرده است بسیار شبیه به بحث خودروهای خودران است: آیا شما با یک دسته از سنسورها شروع می کنید یا فقط از دوربین استفاده می کنید؟

چیزی که در مورد ما متفاوت است این است که تصمیم گرفتیم رویکردی بسیار شبیه به تسلا داشته باشیم به این معنا که فقط از دوربین ها و نرم افزار استفاده می کنیم، همین. [۵ RGB cameras, to be specific.]

دلیل آن این است که ما فقط احساس کردیم فضای داخلی به طور خاص توسط انسان برای انسان ساخته شده است و از سیستم ادراک انسانی استفاده می کند.

بنابراین، اگر قرار است رباتی را وارد کنیم که همان کار ما را انجام دهد، [vacuuming and mopping] از طرف ما در یک فضای داخلی، آنها به یک سیستم مشابه با ما نیاز دارند.

نکته دوم این است که ما انسان ها برای تصمیم گیری نیازی به رفتن به ابر نداریم، درست است؟ ما فکر کندویی یا هیچ چیز دیگری نداریم. ما در واقع فقط در حال تصمیم گیری و یادگیری چیزهایی هستیم که هر یک از ما به تنهایی، در آن فضا، در آن زمان، در آن موقعیت.

ما به این نتیجه رسیدیم که اگر می‌خواهید دوربین‌ها را به یک فضای داخلی بیاورید، حریم خصوصی به یک مسئله تبدیل می‌شود. تأخیر به یک مسئله تبدیل می شود. شما می خواهید روی دستگاه یاد بگیرید زیرا دنیای داخلی کاملاً پویا است.

در سال ۲۰۱۷، آشکار بود که دستگاه‌های لبه‌ای در حال آمدن هستند و محاسبات لبه‌ای به سرعت بالا می‌روند. و همه این الگوریتم های یادگیری خود نظارتی در حال ظهور بودند و تأثیر زیادی حتی در فضای بینایی خواهند داشت. بنابراین ما شرط گذاشتیم که این دو روند واقعاً به ما کمک کنند. بنابراین هر کاری که ما انجام می‌دهیم روی دستگاه است و زمانی که در دستگاه هستید، می‌توانید بدون به خطر انداختن حریم خصوصی کاربران پیش‌بینی کنید.

بنابراین اکنون که این ربات را داریم که دارای الگوریتم خودآموز است. و خوبی ربات ما این است که حداقل هشت ساعت در روز روی اسکله می نشیند. و در آن زمان، مانند یک سرور است، می تواند داده ها را بدون ارسال آن به ابر جمع آوری کند. در دستگاه، فقط می تواند به یادگیری ادامه دهد و بهتر شود. بنابراین در زمینه یک ربات تمیزکننده کف، ما در واقع هوش مصنوعی را فعال می‌کنیم. این رویکرد است: این رویکرد صرفاً مبتنی بر دید است، ببینید چه اتفاقی می‌افتد، پیش‌بینی کنید، آزمون و خطا کنید. ربات می‌گوید: «سعی می‌کنم پیش‌بینی کنم، اجازه دهید سعی کنم خودم را اینجا به خدا معرفی کنم، ببینم کار می‌کند یا خیر».

آیا هوش مصنوعی زیربنایی و یادگیری ماشینی (ML) مبتنی بر چارچوب‌های موجود است، آیا مجبور بودید خودتان کدهای زیادی بنویسید، آیا چیزهای متن‌باز زیادی را جمع‌آوری می‌کنید، یا ترکیبی از پشت صحنه چیزهایی که دارید چیست؟ آیا برای قرار دادن همه آن در کنار هم استفاده می کنید؟

فکر می‌کنم در کل، هیچ‌کس به روشی کاملاً تسلا محور به ربات‌های داخلی کاملاً خودمختار نزدیک نشده بود. بنابراین ما مجبور شدیم که سوزن را فراتر از وضعیت هنر فشار دهیم و کد جدید خود را بنویسیم.

دلیل آن این است که بین ساختن چیزی در آزمایشگاه و انتشار مقالات و اجرای واقعی آن به طوری که صدها هزار کاربر بتوانند به آن دسترسی داشته باشند، تفاوت زیادی وجود دارد.

شما می توانید یک دارو را در آزمایشگاه داشته باشید، اما ساخت آن برای میلیون ها کاربر چیز کاملاً متفاوتی است.

راهی که ما برای انجام این کار انجام می دهیم تقریباً همیشه، و این جایی است که شریک زندگی من است نونت دلالدیدگاه بنیادین همیشه این بوده است که “در مقابل طبیعت شرط نبند”. طبیعت چهار میلیارد سال داشته است و دو چشم و یک سری الگوریتم به ما می دهند و برای جنون روشی وجود دارد. بیایید از آن برای شروع با محصول و کار به عقب استفاده کنیم.

این محصول چه نیازی دارد؟ این نیاز به دقت دارد، به یک حریم خصوصی نیاز دارد، و مهمتر از آن، به مقرون به صرفه بودن نیاز دارد. اگر شما فقط تعداد زیادی از سیستم های منبع باز را ترکیب کنید، آنقدرها کارآمد نیستند. این ما را مجبور کرد تا خودمان کدی بنویسیم. ما مجبور شدیم آن را طوری مهندسی کنیم که فقط با قیمتی مقرون به صرفه کار کند. شما می توانید یک ربات ۳۰۰۰۰ دلاری بسازید که کاملاً مستقل باشد اما کسی آن را خریداری نمی کند.

آیا می بینید که رقابت در این فضای رباتیک خانگی با مشاهده چنین چیزهایی تشدید می شود؟ بهترین تسلا (ربات انسان نما، در حال حاضر در حال توسعه)؟ شما خودتان را به خوبی با تسلا مقایسه کردید – آیا فکر می کنید مجبور خواهید بود در مقطعی با آنها روبه رو شوید؟

رویکردهای بسیار، بسیار، بسیار متفاوتی برای این مشکل وجود دارد. ما اساساً معتقدیم که مسدود کننده سخت افزار نیست، بلکه بیشتر یک مشکل نرم افزاری و SLAM و ادراک است. بنابراین رویکرد ما این است که “بیایید ابتدا SLAM و ادراک را حل کنیم و سپس شاید مشکلات دیگر را حل کنیم.”

از نظر مصرف‌کننده در مقابل شرکت، مقرون به صرفه بودن یا نبودن این روبات‌ها خلاصه می‌شود. پس آیا می‌توانیم به نقطه‌ای برسیم که واقعاً به روشی که یک ماشین می‌خریم، یک ربات ۲۰۰۰۰ دلاری بخریم؟ من جواب این سوال را نمی دانم. فرض من در حال حاضر خیر است. بنابراین مقرون به صرفه بودن به بخش بزرگی از پازل تبدیل می شود.

و نکته سوم من واقعاً در مورد راحتی است. حداقل در خانه خود چیزی می خواهید که دوستانه باشد، رباتی می خواهید که مردم را بترساند، سگ ها، بچه ها و حیوانات خانگی از آن نترسند. ما همیشه تصور می کنیم که اگر یک ربات خانگی وجود داشته باشد، کمی بیشتر شبیه آن خواهد بود قهرمان بزرگ ۶ فرم و نوازش – چیزی که بیشتر از یک انسان نمای ترسناک بزرگ می خواهید در آغوش بگیرید.