Een kijkje in Physical Intelligence, de startup die het drukste robotbrein van Silicon Valley bouwt

Vanaf de straat is de enige indicatie die ik heb gevonden van het hoofdkantoor van Physical Intelligence in San Francisco een pi-symbool dat een iets andere kleur heeft dan de rest van de deur. Als ik binnenloop, word ik meteen geconfronteerd met bedrijvigheid. Er is geen receptie, geen glimmend logo in tl-licht.

Binnen is de ruimte een gigantische betonnen doos, iets minder strak gemaakt door een willekeurige verspreiding van lange, blonde houten tafels. Sommige zijn duidelijk bedoeld voor de lunch, bezaaid met Girl Scout-koekjesdozen, potjes Vegemite (iemand hier is Australisch) en kleine draadmandjes gevuld met iets teveel kruiden. De rest van de tabellen vertellen een heel ander verhaal. Veel meer ervan zijn gevuld met schermen, robotreserveonderdelen, een wirwar van zwarte draden en volledig geassembleerde robotarmen in verschillende staten van proberen het alledaagse onder de knie te krijgen.

Tijdens mijn bezoek vouwt één arm een ​​zwarte broek op, of probeert dat. Het gaat niet goed. Een ander probeert een shirt binnenstebuiten te keren met het soort vastberadenheid dat suggereert dat het uiteindelijk wel zal lukken, maar niet vandaag. Een derde – deze lijkt zijn roeping gevonden te hebben – is het snel schillen van een courgette, waarna hij het spaanders in een apart bakje moet doen. Met het spaanders gaat het in ieder geval goed.

“Zie het als ChatGPT, maar dan voor robots”, vertelt Sergey Levine, wijzend naar het gemotoriseerde ballet dat zich in de kamer ontvouwt. Levine, universitair hoofddocent aan UC Berkeley en een van de medeoprichters van Physical Intelligence, heeft de vriendelijke, bebrilde houding van iemand die veel tijd heeft besteed aan het uitleggen van complexe concepten aan mensen die ze niet meteen begrijpen.

Wat ik zie, legt hij uit, is de testfase van een continue lus: gegevens worden verzameld op robotstations hier en elders – magazijnen, huizen, waar het team zich ook kan vestigen – en die gegevens trainen robotachtige funderingsmodellen voor algemene doeleinden. Wanneer onderzoekers een nieuw model trainen, komt het terug naar dit soort stations voor evaluatie. De broekmap is iemands experiment. Dat geldt ook voor de overhemdendraaier. De courgetteschiller zou kunnen testen of het model kan worden gegeneraliseerd naar verschillende groenten, waarbij hij de basisbewegingen van het schillen goed genoeg leert om een ​​appel of aardappel aan te kunnen die hij nog nooit is tegengekomen.

De bedrijf exploiteert ook een testkeuken in dit gebouw en elders, waarbij gebruik wordt gemaakt van kant-en-klare producten om de robots bloot te stellen aan verschillende omgevingen en uitdagingen. Er staat een geavanceerde espressomachine in de buurt, en ik neem aan dat die voor het personeel is, totdat Levine duidelijk maakt dat nee, de robots het moeten leren. Elke schuimige latte is data, geen extraatje voor de tientallen ingenieurs op het podium, die meestal in hun computers turen of boven hun gemechaniseerde experimenten zweven.

De hardware zelf is opzettelijk niet glamoureus. Deze wapens worden verkocht voor ongeveer $ 3.500, en dat is wat Levine beschrijft als “een enorme winstmarge” van de verkoper. Als ze ze in eigen huis zouden vervaardigen, zouden de materiaalkosten onder de $ 1.000 dalen. Een paar jaar geleden, zegt hij, zou een roboticus geschokt zijn geweest dat deze dingen überhaupt iets konden doen. Maar dat is het punt: goede intelligentie compenseert slechte hardware.

Terwijl Levine zich verontschuldigt, word ik benaderd door Lachy Groom, die door de kamer loopt met het doel iemand te zijn die een zestal dingen tegelijk heeft. Op 31-jarige leeftijd heeft Groom nog steeds de frisse kwaliteit van Silicon Valley’s jongenswonder, een label dat hij al vroeg verdiende toen hij zijn eerste bedrijf negen maanden nadat hij het op 13-jarige leeftijd in zijn geboorteland Australië had opgericht, verkocht (Vegemite legt dit uit).

Toen ik hem eerder voor het eerst benaderde, toen hij een kleine groep in sweatshirts geklede bezoekers verwelkomde in het gebouw, reageerde hij onmiddellijk op mijn verzoek om tijd met hem door te brengen: “Absoluut niet, ik heb vergaderingen.” Nu heeft hij misschien 10 minuten.

Groom vond wat hij zocht toen hij het academische werk begon te volgen dat uit de laboratoria van Levine en Chelsea Finn kwam, een voormalige Berkeley-promovendus van Levine die nu haar eigen laboratorium op Stanford runt, gericht op het leren van robots. Hun namen bleven opduiken in alle interessante dingen die op het gebied van de robotica gebeurden. Toen hij geruchten hoorde dat ze misschien iets van plan waren, spoorde hij Karol Hausman op, een Google DeepMind-onderzoeker die ook lesgaf aan Stanford en van wie Groom had vernomen dat hij erbij betrokken was. “Het was gewoon een van die bijeenkomsten waarbij je naar buiten loopt en denkt: dit is het.”

Het was nooit de bedoeling van Groom om fulltime belegger te worden, zegt hij, hoewel sommigen zich misschien afvragen waarom hij zijn trackrecord niet heeft verstrekt. Nadat hij Stripe had verlaten, waar hij vroeg werd aangenomen, bracht hij ongeveer vijf jaar door als engelinvesteerder, waarbij hij al vroeg gokte op bedrijven als Figma, Notion, Ramp en Lattice terwijl hij op zoek was naar het juiste bedrijf om te starten of zich bij aan te sluiten. Zijn eerste investering in robotica, Standard Bots, kwam in 2021 en introduceerde hem opnieuw in een veld waar hij als kind van hield bij het bouwen van Lego Mindstorms. Zoals hij grapt, was hij ‘als investeerder veel meer op vakantie’. Maar beleggen was slechts een manier om actief te blijven en mensen te ontmoeten, niet het eindspel. “Ik heb er vijf jaar naar gezocht voordat het bedrijf na Stripe zou kunnen starten”, zegt hij. “Goede ideeën op een goed moment met een goed team – (het is) uiterst zeldzaam. Het is allemaal uitvoering, maar je kunt een slecht idee enorm uitvoeren en het is nog steeds een slecht idee.”

Het twee jaar oude bedrijf is inmiddels vertrokken ruim $ 1 miljarden als ik vraag naar de landingsbaan, maakt hij snel duidelijk dat deze eigenlijk niet zo veel brandt. Het grootste deel van de uitgaven gaat naar de computer. Even later geeft hij toe dat hij onder de juiste omstandigheden, met de juiste partners, meer zou reizen. “Er is geen limiet aan hoeveel geld we echt aan het werk kunnen zetten”, zegt hij. “Er zijn altijd meer computers die je op het probleem kunt gooien.”

Wat deze regeling bijzonder ongebruikelijk maakt, is wat Groom niet biedt: een tijdlijn voor het omzetten van fysieke intelligentie in een poging om inkomsten te genereren. “Ik geef de investeerders geen antwoorden over de commercialisering”, zegt hij over onder meer Khosla Ventures, Sequoia Capital en Thrive Capital, die het bedrijf op 5,6 miljard dollar hebben gewaardeerd. “Het is een beetje raar dat mensen het tolereren.” Maar ze tolereren het, en misschien niet altijd, en daarom is het nu aan het bedrijf om goed gekapitaliseerd te zijn.

Dus wat is de strategie, zo niet commercialisering? Quan Vuong, een andere medeoprichter van Google DeepMind, legt uit dat het gaat om het leren van de belichaming en verschillende gegevensbronnen. Als iemand morgen een nieuw hardwareplatform bouwt, hoeft hij de gegevensverzameling niet helemaal opnieuw te beginnen; hij kan alle kennis die het model al heeft, overdragen. “De marginale kosten van het inbouwen van autonomie in een nieuw robotplatform, wat het platform ook mag zijn, zijn gewoon veel lager”, zegt hij.

Het bedrijf werkt al samen met een klein aantal bedrijven in verschillende branches – logistiek, supermarkten, een chocolatier aan de overkant van de straat – om te testen of hun systemen goed genoeg zijn voor echte automatisering. Vuong stelt dat dit in sommige gevallen al het geval is. Met hun ‘elk platform, elke taak’-aanpak is het oppervlak voor succes groot genoeg om vandaag de dag taken te signaleren die klaar zijn voor automatisering.

Fysieke intelligentie is niet de enige die deze visie najaagt. De race om robotintelligentie voor algemene doeleinden te bouwen – de basis waarop meer gespecialiseerde toepassingen kunnen worden gebouwd, zoals de LLM-modellen die de wereld drie jaar geleden fascineerden – is aan het opwarmen. Het in Pittsburgh gevestigde Skild AI, opgericht in 2023, haalde deze maand $1,4 miljard op in een jaar tijd Waardering van $14 miljard en heeft een duidelijk andere aanpak. Hoewel Physical Intelligence zich blijft richten op puur onderzoek, heeft Shield AI zijn ‘omni-body’ Shield Brain al commercieel ingezet en naar eigen zeggen vorig jaar in slechts een paar maanden $30 miljoen aan inkomsten genereerd op het gebied van beveiliging, opslag en productie.

Skild heeft zelfs openbare foto’s van concurrenten gemaakt, ruzie op zijn blog dat de meeste ‘basismodellen voor robotica’ slechts ‘vermomde’ visietaalmodellen zijn die ‘echt fysiek gezond verstand’ missen, omdat ze te sterk leunen op voortraining op internetschaal in plaats van op fysica gebaseerde simulatie en echte robotgegevens.

Het is een nogal scherp filosofisch onderscheid. Skild AI gokt erop dat commerciële inzet een datavliegwiel creëert dat het model bij elke praktijksituatie verbetert. Physical Intelligence gokt erop dat het weerstaan ​​van de verleiding van commercialisering op de korte termijn het in staat zal stellen superieure algemene intelligentie te produceren. Wie ‘meer gelijk’ heeft, zal jaren nodig hebben om tot een oplossing te komen.

Ondertussen werkt Physical Intelligence met wat Groom beschrijft als ongebruikelijke helderheid. “Het is zo’n schoon bedrijf. Een onderzoeker heeft een behoefte, we gaan gegevens verzamelen om die behoefte te ondersteunen – of nieuwe hardware of wat dan ook – en dan doen we het. Het wordt niet extern aangestuurd.” Het bedrijf had een routekaart voor vijf tot tien jaar van wat het team dacht dat mogelijk zou zijn. Tegen de 18e maand waren ze er doorheen geblazen, zegt hij.

Het bedrijf heeft zo’n 80 medewerkers en is van plan te groeien, al zegt Groom hopelijk ‘zo langzaam mogelijk’. Wat volgens hem het meest uitdagend is, is de hardware. “Hardware is gewoon heel moeilijk. Alles wat we doen is zoveel moeilijker dan een softwarebedrijf.” Hardware-breuken. Het komt langzaam en vertraagt ​​tests. Beveiligingsproblemen maken alles ingewikkeld.

Terwijl Bruidegom tevoorschijn komt om me naar zijn volgende verloving te haasten, doe ik een stap achteruit en kijk hoe de robots doorgaan met oefenen. De broek is nog steeds niet volledig opgevouwen. Het shirt blijft koppig met de goede kant naar buiten. Het courgetteschaafsel stapelt zich mooi op.

Er zijn voor de hand liggende vragen, waaronder de mijne, over de vraag of iemand eigenlijk een robot in zijn keuken zou willen hebben die groenten schilt, over veiligheid, over honden die zich uitleven op mechanische indringers in hun huis, of al de tijd en het geld dat hier wordt geïnvesteerd problemen oplost die groot genoeg zijn of nieuwe problemen creëert. Ondertussen twijfelen buitenstaanders aan de vooruitgang van het bedrijf, of zijn visie haalbaar is en of het zinvol is om te wedden op algemene intelligentie in plaats van op specifieke toepassingen.

Als de Bruidegom twijfels heeft, laat hij dat niet blijken. Hij werkt met mensen die al tientallen jaren aan dit probleem werken en die geloven dat de timing eindelijk goed is, en dat is alles wat hij hoeft te weten.

Bovendien heeft Silicon Valley mensen als Groom gesteund en hen veel touw gegeven sinds het begin van de industrie, wetende dat de kans groot is dat ze er zelfs zonder een duidelijk pad naar commercialisering, zelfs zonder tijdlijn, zelfs zonder zekerheid over hoe de markt eruit zal zien als ze daar aankomen, er achter zullen komen. Het lukt niet altijd. Maar als dat wel het geval is, rechtvaardigt dat vaak de keren dat dit niet het geval was.