Ha a generatív AI eddig főleg szöveget és képeket gyártott, itt egy ambíció, ami már a valós világ tárgyait célozza: hajtóművek, gyártósorok, akár gyógyszerhatóanyagok. A Prometheus nem „okosabb chatbotot” ígér, hanem egy digitális mérnököt, ami a fizikai világban is dolgozik.

Mi történt

A Prometheus, a Jeff Bezos és Vik Bajaj (a Google élet­tudományi egységéhez köthető Verily egyik társalapítója) által társalapított „physical AI” startup bejelentette, hogy 12 milliárd dollár friss tőkét vont be, 41 milliárd dolláros értékelés mellett. A finanszírozók között Bezos mellett nagy pénzügyi szereplők is megjelentek, köztük a JPMorgan Chase, a Goldman Sachs és a BlackRock.

Ez már a második nagy köre a cégnek: a vállalat tavaly év végén indult, és korábban egy 6,2 milliárd dolláros induló finanszírozást is összeszedett. A Prometheus jelenleg nagyjából 150 fős csapattal működik San Franciscóban, Londonban és Zürichben, miközben arról, hogy pontosan mit építettek eddig, kevés részletet árulnak el.

A termékcéljuk egy „artificial general engineer”, vagyis egy olyan szoftver, ami képes automatizálni komplex fizikai rendszerek tervezését és gyártását. Gondolj rá úgy, mint egy mérnöki „autopilótára”: nem csak ötletel vagy rajzol, hanem a tervezési döntéseket, szimulációkat, optimalizálást és a gyárthatósági szempontokat is egy folyamatba tudja szervezni. Bezos azt is jelezte, hogy a tőke jelentős része számítási kapacitásra (compute) megy el – ez az AI-modellek betanításához és futtatásához szükséges óriási szerver- és GPU-erőforrás.

Miért fontos

A „physical AI” azért külön kategória, mert a kimenete nem egy fájl vagy egy válasz, hanem valami, ami a valóságban működik vagy elbukik. Egy sugárhajtóműnél, egy gyártósori robotnál vagy egy gyógyszerjelöltnél a hibák drágák, lassan javíthatók, és szigorú tesztelést igényelnek. Cserébe, ha egy rendszer tényleg jól működik, az előnyt nehezebb lemásolni pusztán kóddal: a gyártás, az ellátási lánc, a minősítés, a mérési adatok és a fizikai integráció mind olyan „védőárkot” adhat, ami tartósabb, mint egy tisztán szoftveres termék.

A munkaerő kérdése itt nem mellékszál. Bezos egy interjúban azt az álláspontot képviselte, hogy a nagy termelékenység végül „munkaerőhiányhoz” vezethet: nő az életszínvonal, csökkenhet a túlóra, és akár az is elképzelhető, hogy kevesebb háztartásnak kell két keresőre támaszkodnia. Ez szembemegy több, AI miatti tömeges állásvesztéstől tartó technológiai narratívával – és különösen érdekes annak fényében, hogy az Amazon az elmúlt évben jelentős leépítéseket is végrehajtott az automatizáció felgyorsítása mellett.

Mire figyelj

  1. Mit jelent náluk a „general” a gyakorlatban? Egy dolog egy szűk feladatra jó mérnöki modell (például egyetlen alkatrészt optimalizálni), és más egy általános rendszer, ami különböző iparágakban is működik.
  2. Validáció és felelősség: a fizikai rendszereknél a tesztelés, minősítés és jogi felelősség kulcs. Érdemes figyelni, milyen iparági partnerekkel és milyen tanúsítási úttal próbálnak piacra lépni.
  3. Compute-éhség és költség: ha a sikerhez folyamatosan óriási számítási kapacitás kell, az nemcsak pénz-, hanem ellátási (GPU, adatközpont) és versenyelőny-kérdés is.
  4. Munka átalakulása, nem eltűnése: ha a tervezés egy része automatizálható, a mérnöki munka súlypontja eltolódhat a specifikáció, ellenőrzés, biztonság és rendszerintegráció felé – és ettől még a jó szakemberek értéke akár nőhet is.