Todo el mundo quiere saber cuál será el próximo gran tema.
Tuve la suerte de posicionarme en el súper ciclo de la óptica antes que la mayoría y me cambió la vida.
¿Y si podemos encontrar el próximo tema de esta magnitud y posicionarnos temprano?
Creo que podemos.
Y de eso trata este informe.
Después de analizar esto a fondo, creo que este es el indicado.
Así que en este informe voy a exponer el tema, por qué es invertible ahora, dónde es invertible, todas las capas + la cadena de suministro, y cuál es mi plan a futuro.
Óptica / Fotónica sigue siendo mi tema principal, que cubriré en profundidad en esta página.
Pero hay oportunidades esperándonos ahí afuera.
Y este tema que voy a exponer aquí será el segundo universo de cobertura principal en mi Substack con el tiempo.
Todavía estamos temprano y tenemos tiempo para posicionarnos.
Encontrémos la mejor manera de hacerlo.
Physical AI
Gran parte de mi portafolio ha estado en Infraestructura de IA durante el último año. Lo cual, obviamente, ha sido excelente.
Ahora cada vez quiero más que el dinero fresco que tenga se gaste en nuevas oportunidades dentro del tema de Physical AI.
Todas las empresas de Infraestructura en las que invierto permiten este nuevo tema.
Mi objetivo con este informe es presentar este tema a un nivel muy digerible para que todos podamos empezar desde una base muy sólida.
Cuando pienso en Physical AI, pienso en ello como el punto donde las máquinas se vuelven inteligentes.
Así que estamos hablando de visión, movimiento, reconocimiento, fuerza, seguridad, retroalimentación. Solo por nombrar algunas de las características de algunos productos finales.
El flujo se ve así: ver el mundo (a través de cámaras y/o sensores), entender esta entrada, decidir qué acciones tienen sentido, crear movimiento o algún tipo de respuesta, y luego verificar qué pasó y ajustar.
El ciclo de retroalimentación es una pieza crítica aquí. La máquina tiene que aprender del resultado y esto es un gran diferenciador de las máquinas 'no inteligentes' que solo repiten el mismo movimiento preprogramado.
Mientras lees este artículo, quiero que tomes notas a medida que avanzas. Cada vez que leas sobre un área que creas que podría ser invertible, detente y escríbela. Intenta crear una rama de cuántas maneras diferentes crees que esta capa podría ser invertible. No empresas, solo diferentes formas de monetizar ya sea con un producto o un servicio. Una vez que termines eso, continúa leyendo. Repite.
El Cambio
De la pantalla al mundo real.
Una gran parte del caso de uso de la IA en este momento se encuentra en la IA Generativa con texto, imagen, código, video, investigación, análisis, etc. Prácticamente todos los que leen esto lo han usado, si no es que lo usan a diario. ChatGPT, Claude, Gemini, etc.
La siguiente ola que ya estamos viendo es la Agéntica, donde la IA comienza a ejecutar tareas en lugar de solo dar respuestas. Entonces un agente puede buscar archivos, actualizar hojas de cálculo, redactar correos electrónicos, trabajar en tu horario, etc. Es decir, de 'responder' a 'hacer', pero únicamente en el ámbito digital.
Luego está Physical AI, donde tienes control de algo en el mundo real. En lugar de decirle a un operador de máquina qué salió mal, puede ajustar la máquina.
Creo que el ejemplo visual al que la mayoría recurre cuando escuchan sobre Physical AI es un humanoide. Acabamos de ver a Figure hacer una comparación en vivo lado a lado de un humanoide y un humano clasificando paquetes.
Pero en mi opinión, esa es una de las formas menos prácticas de Physical AI hoy en día. Lo que es real son los drones, brazos robóticos, tractores autónomos, sistemas de almacén, sistemas quirúrgicos, sistemas de defensa, etc.
La idea más profunda es que la IA se está acercando al trabajo.
Relacionándolo, la IA Generativa ayuda con el conocimiento, la Agéntica ayuda con la oficina/software, y la Física ayuda con... bueno... el trabajo físico. Qué bueno que lo mantuvieron simple para nosotros.
Entonces, ¿cuál es el TAM aquí? ¿Cuánto dinero hay realmente en Physical AI?
La respuesta es: 'Sí'.
Todo. Absolutamente todo.
Ok, pero en serio, la economía física es masiva.
Estamos hablando de granjas, almacenes, minas, hospitales, sistemas de defensa, redes de transporte, infraestructura energética, construcción. Lo que sea.
Por Qué Esto Es Difícil
Anclemos este informe en el realismo.
Cuando aislamos la IA dentro de una pantalla, es mucho más fácil de manejar. Los errores no son tan críticos. Las ediciones son fáciles de hacer. El entorno está relativamente controlado.
Sal al mundo real y se vuelve complicado.
La colocación de objetos es impredecible. Los humanos somos caóticos (sin ofender). Tienes factores ambientales como la lluvia y el viento. La luz dentro de un almacén puede variar.
Así que estos sistemas tienen que ENTENDER la incertidumbre. De nuevo, esta es la parte de 'inteligencia'. Estos sistemas necesitan funcionar incluso cuando los objetos se mueven impredeciblemente, los sensores se ensucian, la iluminación cambia, las personas cruzan su camino, etc.
Luego está el aspecto de seguridad. Sí, hay preocupaciones de seguridad con el software, especialmente si dejamos que los agentes vaguen libremente en una empresa, pero estamos hablando de seguridad física aquí. El inventario puede dañarse, los humanos pueden lastimarse, el equipo podría romperse.
Así que estos sistemas tienen que ser precisos, confiables, rápidos y seguros al mismo tiempo.
Creo que la precisión, la confiabilidad y la seguridad son de sentido común.
La velocidad podría sorprender a algunas personas. Pero piénsalo. El ejemplo más claro es la conducción autónoma. Si un humano se cruza frente a un coche de manera impredecible, tiene que reaccionar casi instantáneamente para evitar una catástrofe. Tiene que haber una latencia mínima. Aquí es donde entra Edge AI, ya que no puedes esperar a un servidor en la nube en estas ventanas de respuesta.
Luego está la coordinación entre las partes. El cerebro solo es insuficiente. Necesitamos sensores para ver, chips para procesar información, software para tomar decisiones, motores para moverse, sistemas de energía para suministrar energía, sistemas de control para mantenerse precisos y sistemas de seguridad para prevenir malos resultados.
Suena como una cadena de suministro... ¿verdad?
Bien. Bien.
Así que cuando vemos demostraciones, la implementación real podría verse muy diferente y estar más lejos. Una cosa es que una máquina funcione de forma aislada. Es muy diferente a que esté desplegada todos los días en entornos reales. Así que además de todas esas cosas que acabamos de decir que estas máquinas necesitan poder hacer, también necesitan ser duraderas y durar.
Si todo esto suena como que es una hazaña importante... bien.
Lo es.
Y ahí es donde reside la oportunidad.
Porque las empresas que PUEDEN hacerlo. Y PUEDEN escalar. Están posicionadas para ganar dinero de verdad.
El Ciclo Central
Prácticamente todos los sistemas que estamos discutiendo aquí tienen que pasar por un ciclo similar.
1 - Ver el mundo
2 - Entender lo que está pasando
3 - Decidir qué hacer
4 - Verificar los resultados
5 - Mejorar
Tomemos un ejemplo práctico.
Un robot de almacén.
Primero tiene que ver el pasillo. Puede usar cámara, LiDAR, sensores de profundidad u otros sensores para entender dónde están los estantes, dónde están las cajas y dónde se están moviendo otros robots o personas.
Luego necesita tomar esto y entenderlo. Necesita entender que un objeto es una caja, otro es un humano, etc. Necesita entender distancia, velocidad, dirección y riesgo.
Luego viene la decisión. ¿Debería seguir moviéndose? ¿Reducir la velocidad? ¿Girar a la izquierda? Aquí es donde la percepción comienza a convertirse en acción.
Lo siguiente es el movimiento. Los motores giran, los brazos robóticos se ajustan, el gripper se cierra. Lo que sea. Ahora estamos en lo físico.
Luego verifica el resultado. ¿Llegó al estante correcto? ¿Agarró el artículo correcto? Este es un paso crucial porque el mundo real es impredecible.
Por último, mejora. Usa la retroalimentación de lo que sucedió para tomar una mejor decisión la próxima vez. Eso es básicamente como operamos nosotros como humanos también. Quizás aprende que cierto objeto es más difícil de agarrar o que cierta ruta se congestiona a cierta hora.
Este ciclo de retroalimentación es lo que separa a Physical AI de la automatización básica. La automatización antigua es un conjunto de instrucciones fijas. Physical AI se adapta, observa, reacciona, ajusta.
Todos estos pasos son la razón por la que el stack invertible es tan grande. Estamos hablando de sensores, chips, software, motores, energía, controles, sistemas de seguridad, datos. Un cuerpo robótico solo es inútil sin el ciclo.
El Stack Invertible
Ahora podemos pasar a más detalles sobre lo que contiene cada capa.
Todavía no estamos hablando de empresas. Necesitamos sentar las bases.
Me gusta la idea de comparar Physical AI con una persona. No en el aspecto humanoide/estético. Sino en las funciones y sentidos.
Los humanos necesitan un cerebro, ojos, músculos, nervios, energía, equilibrio, memoria y práctica. Un sistema de Physical AI necesita la versión mecánica de todas esas cosas de una forma u otra.
El robot/máquina literal que ves es solo una parte del sistema. Lo que hay detrás de la máquina es mucho más grande y profundo. Y ahí es donde realmente reside la exposición a empresas públicas.
Incluso antes de que comience el stack, tenemos el entrenamiento. Antes de que una máquina pueda funcionar en el mundo real, la IA tiene que aprender. Así que necesitamos datos, modelos, ejemplos de cómo se ven las buenas acciones. Puede entrenarse con datos del mundo real, datos sintéticos, datos de simulación o demostraciones humanas. Es como un nuevo empleado aprendiendo a hacer un trabajo antes de empezarlo.
Lo siguiente es la simulación. Aquí es donde la máquina practica en un mundo virtual. Así que un robot de almacén puede practicar moviéndose por pasillos digitales. Un dron puede practicar volando por un campo de batalla digital, etc. Esto es importante porque la práctica en el mundo real es costosa, más lenta y a veces riesgosa.
Lo siguiente es la percepción.
Para leer el resto de este informe, haz clic aquí:
Ahí profundizo en el resto de las capas invertibles, hacia dónde veo que se dirige este tema y cómo será mi proceso.
Junto con Óptica, Physical AI es ahora el segundo tema principal que estoy cubriendo en profundidad.
- Construcción completa de portafolio
- Desglose de todas las capas
- Presentación de empresas específicas
- Cobertura de resultados financieros, etc.
