Jeder möchte wissen, was das nächste große Thema sein wird.
Ich hatte das Glück, frühzeitig im Optik-Superzyklus positioniert zu sein, und das hat mein Leben verändert.
Was wäre, wenn wir das nächste Thema dieser Größenordnung finden und uns frühzeitig positionieren könnten?
Ich glaube, das ist möglich.
Und genau darum geht es in diesem Report.
Nachdem ich mich wirklich intensiv damit beschäftigt habe, glaube ich, dass dies das Thema ist.
In diesem Report werde ich also das Thema darlegen, warum es jetzt investierbar ist, wo es investierbar ist, alle Ebenen + die Lieferkette, und wie mein Plan für die Zukunft aussieht.
Optik / Photonik ist immer noch mein Hauptthema, das ich auf dieser Seite ausführlich behandeln werde.
Aber da draußen wartet eine Gelegenheit auf uns.
Und dieses Thema, das ich hier vorstellen werde, wird im Laufe der Zeit das zweite Hauptthema in meinem Substack sein.
Wir sind noch früh dran und haben Zeit, uns zu positionieren.
Lass uns den besten Weg finden, das zu tun.
Physical AI
Ein großer Teil meines Portfolios war im letzten Jahr in KI-Infrastruktur investiert. Das war offensichtlich großartig.
Jetzt möchte ich zunehmend, dass frische Dollars, die ich habe, für neue Gelegenheiten im Bereich Physical AI ausgegeben werden.
Alle Infrastruktur-Unternehmen, in die ich investiere, ermöglichen dieses neue Thema.
Mein Ziel mit diesem Report ist es, dieses Thema auf einem sehr verständlichen Niveau einzuführen, damit wir alle auf einer soliden Grundlage starten können.
Wenn ich an Physical AI denke, denke ich an den Punkt, an dem Maschinen intelligent werden.
Wir sprechen also über Sehen, Bewegung, Erkennung, Kraft, Sicherheit, Rückmeldung. Nur um einige der Merkmale/Eigenschaften einiger Endprodukte zu nennen.
Der Ablauf sieht so aus: Die Welt sehen (durch Kameras und/oder Sensoren), diese Eingabe verstehen, entscheiden, welche Aktionen sinnvoll sind, Bewegung oder eine Art von Reaktion erzeugen, und dann überprüfen, was passiert ist, und anpassen.
Die Rückkopplungsschleife ist ein entscheidender Teil davon. Die Maschine muss aus dem Ergebnis lernen, und das ist ein großer Unterschied zu 'nicht intelligenten' Maschinen, die nur die gleiche vorprogrammierte Bewegung wiederholen.
Während du diesen Beitrag liest, möchte ich, dass du dir Notizen machst. Wann immer du über einen Bereich liest, von dem du denkst, dass er investierbar sein könnte, halte inne und schreibe ihn auf. Versuche, einen Zweig zu erstellen, wie viele verschiedene Wege du dir vorstellen kannst, dass diese Ebene investierbar sein könnte. Nicht Unternehmen, sondern verschiedene Möglichkeiten, entweder mit einem Produkt oder einer Dienstleistung Geld zu verdienen. Wenn du damit fertig bist, lies weiter. Wiederhole den Vorgang.
Der Wandel
Vom Bildschirm in die reale Welt.
Ein Großteil des Anwendungsfalls für KI liegt derzeit im Bereich der Generativen KI mit Text, Bild, Code, Video, Recherche, Analyse usw. Praktisch jeder, der das liest, hat sie genutzt, wenn nicht sogar täglich. ChatGPT, Claude, Gemini usw.
Die nächste Welle, die wir bereits sehen, ist die Agentische KI, bei der KI beginnt, Aufgaben auszuführen, anstatt nur Antworten zu geben. Ein Agent kann also Dateien durchsuchen, Tabellen aktualisieren, E-Mails entwerfen, an deinem Zeitplan arbeiten usw. Also vom 'Antworten' zum 'Handeln', aber ausschließlich im digitalen Bereich.
Dann gibt es Physical AI, bei dem du die Kontrolle über etwas in der realen Welt hast. Anstatt einem Maschinenbediener zu sagen, was falsch gelaufen ist, kann die Maschine sich selbst anpassen.
Ich denke, das visuelle Beispiel, das die meisten Leute verwenden, wenn sie von Physical AI hören, ist ein Humanoide. Wir haben gerade gesehen, wie Figure einen Live-Seitenvergleich zwischen einem Humanoiden und einem Menschen beim Sortieren von Paketen gezeigt hat.
Aber meiner Meinung nach ist das heute eine der am wenigsten praktischen Formen von Physical AI. Was real ist, sind Drohnen, Roboterarme, selbstfahrende Traktoren, Lagersysteme, chirurgische Systeme, Verteidigungssysteme und so weiter.
Die tiefere Idee ist, dass KI sich der Arbeit annähert.
Zurück zur Verbindung: Generative KI hilft bei Wissen, Agentische KI hilft im Büro/Software, und Physical AI hilft bei... nun ja... physischer Arbeit. Gut, dass sie es einfach für uns gehalten haben.
Was ist also der TAM hier? Wie viel Geld steckt wirklich in Physical AI?
Die Antwort ist: 'Ja'.
Alles davon. Alles.
Aber im Ernst, die physische Wirtschaft ist riesig.
Wir sprechen über Bauernhöfe, Lagerhäuser, Minen, Krankenhäuser, Verteidigungssysteme, Transportnetze, Energieinfrastruktur, Bauwesen. Du nennst es.
Warum das schwierig ist
Lassen wir diesen Report auf dem Boden der Realität.
Wenn wir KI innerhalb eines Bildschirms isolieren, ist sie viel einfacher zu handhaben. Fehler sind nicht so kritisch. Korrekturen sind einfach. Die Umgebung ist relativ kontrolliert.
Betreten wir die reale Welt, wird es chaotisch.
Die Objektplatzierung ist unvorhersehbar. Menschen sind chaotisch (nichts für ungut). Du hast Umweltfaktoren wie Regen und Wind. Das Licht in einem Lagerhaus kann variieren.
Diese Systeme müssen also Unsicherheit VERSTEHEN. Auch das ist der 'Intelligenz'-Teil. Diese Systeme müssen funktionieren, auch wenn sich Objekte unvorhersehbar bewegen, Sensoren schmutzig werden, sich die Beleuchtung ändert, Menschen in ihren Weg treten usw.
Dann ist da der Sicherheitsaspekt. Ja, es gibt Sicherheitsbedenken bei Software, besonders wenn wir Agenten in einem Unternehmen frei herumlaufen lassen, aber wir sprechen hier über physische Sicherheit. Inventar kann beschädigt werden, Menschen können verletzt werden, Ausrüstung könnte kaputtgehen.
Diese Systeme müssen also gleichzeitig genau, zuverlässig, schnell und sicher sein.
Ich denke, Genauigkeit, Zuverlässigkeit und Sicherheit sind alle selbsterklärend.
Geschwindigkeit könnte für einige Leute überraschend klingen. Aber denk mal darüber nach. Das klarste Beispiel ist das autonome Fahren. Wenn ein Mensch unvorhersehbar vor ein Auto tritt, muss es fast augenblicklich reagieren, um eine Katastrophe zu vermeiden. Es muss eine minimale Latenz geben. Hier kommt Edge AI ins Spiel, da man in diesen Reaktionsfenstern nicht auf einen Cloud-Server warten kann.
Dann gibt es die Koordination zwischen den Teilen. Das Gehirn allein ist nicht ausreichend. Wir brauchen Sensoren zum Sehen, Chips zur Verarbeitung von Informationen, Software zum Treffen von Entscheidungen, Motoren zur Bewegung, Stromversorgungssysteme zur Energiebereitstellung, Steuerungssysteme zur Präzision und Sicherheitssysteme, um schlechte Ergebnisse zu verhindern.
Klingt nach einer Lieferkette... richtig?
Gut. Gut.
Wenn wir also Demos sehen, könnte die tatsächliche Bereitstellung ganz anders und weiter entfernt aussehen. Es ist eine Sache, eine Maschine isoliert arbeiten zu lassen. Es ist etwas ganz anderes, sie jeden Tag in realen Umgebungen einzusetzen. Zusätzlich zu all den Dingen, die diese Maschinen können müssen, müssen sie auch haltbar sein und lange halten.
Wenn sich das alles nach einer großen Herausforderung anhört... gut.
Das ist es.
Und darin liegt die Chance.
Denn die Unternehmen, die es KÖNNEN. Und die SKALIEREN können. Sind in der Position, echtes Geld zu verdienen.
Der Kernkreislauf
Praktisch jedes System, das wir hier besprechen, muss einen ähnlichen Kreislauf durchlaufen.
1 - Die Welt sehen
2 - Verstehen, was passiert
3 - Entscheiden, was zu tun ist
4 - Ergebnisse überprüfen
5 - Verbessern
Nehmen wir ein praktisches Beispiel.
Ein Lagerhausroboter.
Zuerst muss er den Gang sehen. Er könnte Kameras, Lidar, Tiefensensoren oder andere Sensoren verwenden, um zu verstehen, wo die Regale sind, wo die Kisten sind und wo sich andere Roboter oder Menschen bewegen.
Dann muss er diese Informationen aufnehmen und verstehen. Er muss verstehen, dass ein Objekt eine Kiste ist, ein anderes ein Mensch usw. Er muss Entfernung, Geschwindigkeit, Richtung und Risiko verstehen.
Dann kommt die Entscheidung. Soll er sich weiterbewegen? Langsamer werden? Nach links abbiegen? Hier beginnt die Wahrnehmung, in Aktion überzugehen.
Als Nächstes kommt die Bewegung. Motoren drehen sich, Roboterarme passen sich an, Greifer schließen sich. Was auch immer es sein mag. Wir sind jetzt im Physischen angekommen.
Dann überprüft er das Ergebnis. Ist er am richtigen Regal angekommen? Hat er den richtigen Gegenstand gegriffen? Dies ist ein entscheidender Schritt, weil die reale Welt unvorhersehbar ist.
Schließlich verbessert er sich. Er nutzt Rückmeldungen, um beim nächsten Mal eine bessere Entscheidung zu treffen. So funktionieren wir im Grunde auch als Menschen. Vielleicht lernt er, dass ein bestimmtes Objekt schwieriger zu greifen ist oder dass eine bestimmte Route zu einer bestimmten Zeit überlastet ist.
Diese Rückkopplungsschleife unterscheidet Physical AI von grundlegender Automatisierung. Alte Automatisierung ist ein fester Anweisungssatz. Physical AI passt sich an, beobachtet, reagiert, passt an.
All diese Schritte sind der Grund, warum der investierbare Stack so groß ist. Wir sprechen über Sensoren, Chips, Software, Motoren, Strom, Steuerung, Sicherheitssysteme, Daten. Ein Roboter-Körper allein ist ohne den Kreislauf nutzlos.
Der investierbare Stack
Jetzt können wir zu genaueren Details übergehen, was jede Ebene enthält.
Wir tauchen noch nicht in Unternehmen ein. Wir müssen das Fundament legen.
Mir gefällt die Idee, Physical AI mit einem Menschen zu vergleichen. Nicht im humanoiden/ästhetischen Aspekt. Sondern in den Funktionen und Sinnen.
Menschen brauchen ein Gehirn, Augen, Muskeln, Nerven, Energie, Gleichgewicht, Gedächtnis und Übung. Ein Physical-AI-System braucht die maschinelle Version all dieser Dinge in der einen oder anderen Form.
Der eigentliche Roboter/die eigentliche Maschine, die du siehst, ist nur ein Teil des Systems. Was hinter der Maschine steckt, ist viel größer und tiefgründiger. Und dort liegt auch die eigentliche Beteiligung von börsennotierten Unternehmen.
Noch bevor der Stack beginnt, haben wir Training. Bevor eine Maschine in der realen Welt arbeiten kann, muss die KI lernen. Also brauchen wir Daten, Modelle, Beispiele dafür, wie gute Aktionen aussehen. Sie könnte also mit realen Daten, synthetischen Daten, Simulationsdaten oder menschlichen Demonstrationen trainieren. Es ist wie ein neuer Mitarbeiter, der lernt, wie man einen Job ausführt, bevor er ihn beginnt.
Als nächstes kommt die Simulation. Hier übt die Maschine in einer virtuellen Welt. Ein Lagerhausroboter kann also üben, sich durch digitale Gänge zu bewegen. Eine Drohne kann üben, über ein digitales Schlachtfeld zu fliegen usw. Das ist wichtig, weil Übung in der realen Welt teuer, langsamer und manchmal riskant ist.
Als nächstes kommt die Wahrnehmung.
Um den Rest dieses Reports zu lesen, klicke hier:
Ich tauche in die restlichen investierbaren Ebenen ein, wohin sich dieses Thema meiner Meinung nach entwickeln kann und wie mein Prozess aussehen wird.
Zusammen mit Optik ist Physical AI jetzt das zweite große Thema, das ich ausführlich behandle.
Vollständiger Portfolioaufbau
Alle Ebenen entschlüsseln
Spezifische Unternehmen vorstellen
Berichterstattung über Gewinne usw.
