ก้าวต่อไปที่ยิ่งใหญ่...

ทุกคนอยากรู้ว่าธีม ใหญ่ ถัดไปคืออะไร

ผมโชคดีที่ได้อยู่ในช่วงซูเปอร์ไซเคิลของออปติกส์ก่อนใคร และมันเปลี่ยนชีวิตไปเลย

ถ้าเกิดเราสามารถหาธีมถัดไปที่ยิ่งใหญ่ขนาดนี้ และวางตำแหน่งของเราให้เร็วล่ะ?

ผมเชื่อว่าเราทำได้

และนี่คือสิ่งที่รายงานฉบับนี้เกี่ยวกับ

หลังจากเจาะลึกเข้าไปจริงๆ ผม เชื่อว่านี่แหละคือคำตอบ

ดังนั้นในรายงานนี้ ผมจะวางเค้าโครงของธีม ว่าทำไมมันถึงน่าลงทุนตอนนี้ ลงทุนตรงไหนได้บ้าง เลเยอร์ต่างๆ + ซัพพลายเชนทั้งหมด รวมถึงแผนของผมจากนี้ไป

ออปติกส์ / โฟโตนิกส์ ยังคงเป็นธีมหลักของผมที่ผมจะลงลึกและครอบคลุมในเพจนี้ต่อไป

แต่ยังมีโอกาสอีกมากที่รอเราอยู่

และธีมที่ผมกำลังจะวางเค้าโครงตรงนี้ จะกลายเป็นจักรวาลความครอบคลุมหลักอันดับที่ 2 บน Substack ของผมในระยะยาว

เรายังมาเร็ว และเรายังมีเวลาที่จะวางตำแหน่งของเรา

มาหาทางที่ดีที่สุดในการทำสิ่งนั้นกัน

Physical AI

พอร์ตของผมส่วนใหญ่เน้นไปที่ AI Infrastructure ในปีที่ผ่านมา ซึ่งเห็นได้ชัดว่ามันยอดเยี่ยมมาก

ตอนนี้ผมต้องการเพิ่มเม็ดเงินใหม่ๆ ที่มีอยู่ให้กับโอกาสใหม่ๆ ในธีม Physical AI มากขึ้นเรื่อยๆ

บริษัท Infrastructure ทั้งหมดที่ผมลงทุนอยู่คือสิ่งที่ทำให้ธีมใหม่นี้เกิดขึ้นได้

เป้าหมายของผมในรายงานนี้คือการแนะนำธีมนี้ในระดับที่เข้าใจง่าย เพื่อให้เราทุกคนเริ่มต้นด้วยฐานความรู้ที่มั่นคง

เมื่อผมคิดถึง Physical AI ผมนึกถึงจุดที่เครื่องจักรเริ่มมีความชาญฉลาด

ดังนั้นเรากำลังพูดถึงการมองเห็น การเคลื่อนไหว การจดจำ แรง ความปลอดภัย การตอบสนอง แค่ยกตัวอย่างคุณสมบัติ/ลักษณะเด่นบางประการของผลิตภัณฑ์ขั้นสุดท้าย

โฟลว์จะมีลักษณะดังนี้ การมองเห็นโลก (ผ่านกล้องและ/หรือเซ็นเซอร์) ทำความเข้าใจอินพุตนี้ ตัดสินใจว่าควรดำเนินการใด สร้างการเคลื่อนไหวหรือการตอบสนองบางอย่าง จากนั้นตรวจสอบสิ่งที่เกิดขึ้นและปรับเปลี่ยน

ลูปการตอบรับเป็นส่วนสำคัญตรงนี้ เครื่องจักรต้องเรียนรู้จากผลลัพธ์ และนี่คือข้อแตกต่างที่สำคัญจากเครื่องจักรที่ 'ไม่ชาญฉลาด' ซึ่งแค่ทำซ้ำการเคลื่อนไหวที่ถูกโปรแกรมไว้ล่วงหน้าเท่านั้น

ขณะที่คุณกำลังอ่านโพสต์นี้ ผมอยากให้คุณจดบันทึกไปด้วย ทุกครั้งที่คุณอ่านเจอเกี่ยวกับพื้นที่ที่คุณคิดว่าอาจน่าลงทุน ให้หยุดและจดมันไว้ พยายามสร้างกิ่งก้านว่าคุณคิดว่าพื้นที่นี้สามารถนำมาลงทุนได้กี่วิธี ไม่ใช่บริษัท แต่เป็นวิธีต่างๆ ในการสร้างรายได้ด้วยผลิตภัณฑ์หรือบริการ เมื่อคุณทำเสร็จแล้ว ให้อ่านต่อ ทำซ้ำแล้วซ้ำเล่า

การเปลี่ยนแปลง

จากหน้าจอ สู่โลกแห่งความจริง

กรณีการใช้งานหลักของ AI ในตอนนี้อยู่ใน Generative AI ซึ่งเกี่ยวข้องกับข้อความ รูปภาพ โค้ด วิดีโอ งานวิจัย การวิเคราะห์ ฯลฯ แทบทุกคนที่อ่านบทความนี้เคยใช้ หรือบางคนใช้ทุกวันด้วยซ้ำ ChatGPT, Claude, Gemini ฯลฯ

คลื่นลูกถัดไปที่เราเริ่มเห็นแล้วคือ Agentic ซึ่ง AI เริ่มทำงานต่างๆ แทนที่จะให้แค่คำตอบ ดังนั้นเอเจนต์สามารถค้นหาไฟล์ อัปเดตสเปรดชีต ร่างอีเมล จัดการตารางเวลาของคุณได้ นั่นคือการเปลี่ยนจาก 'การตอบคำถาม' ไปสู่ 'การลงมือทำ' แต่ยังคงอยู่ในโลกดิจิทัลเท่านั้น

จากนั้นก็มาถึง Physical AI ซึ่งคุณสามารถควบคุมบางสิ่งบางอย่างในโลกแห่งความจริง แทนที่จะบอกผู้ควบคุมเครื่องจักรว่าเกิดอะไรผิดพลาด มันสามารถปรับเครื่องจักรได้ด้วยตัวเอง

ผมคิดว่าตัวอย่างที่เห็นภาพมากที่สุดที่หลายคนนึกถึงเมื่อได้ยินเกี่ยวกับ Physical AI คือหุ่นยนต์ฮิวแมนนอยด์ เราเพิ่งเห็น Figure จัดการเปรียบเทียบสดระหว่างมนุษย์กับฮิวแมนนอยด์ที่กำลังคัดแยกพัสดุ

แต่ในความเห็นของผม นั่นเป็นหนึ่งในรูปแบบของ Physical AI ที่ใช้งานได้จริงน้อยที่สุดในปัจจุบัน สิ่งที่ใช้งานได้จริงคือโดรน แขนกล รถแทรกเตอร์ไร้คนขับ ระบบคลังสินค้า ระบบผ่าตัด ระบบป้องกันประเทศ และอื่นๆ

แนวคิดที่ลึกซึ้งกว่านั้นคือ AI กำลังขยับเข้าใกล้แรงงานมากขึ้น

เชื่อมโยงกลับไป Gen AI ช่วยงานด้านความรู้ Agentic ช่วยงานออฟฟิศ/ซอฟต์แวร์ และ Physical ช่วยงาน...ก็...งานที่ใช้แรงกายนั่นแหละ ดีใจที่พวกเขาทำให้มันง่ายสำหรับเรา

แล้ว TAM (ตลาดที่สามารถเข้าถึงได้ทั้งหมด) ตรงนี้คืออะไร? มีเงินเท่าไหร่ใน Physical AI จริงๆ?

คำตอบคือ: 'ใช่'

ทั้งหมดเลย ทุกอย่าง

โอเค แต่เอาจริงๆ เศรษฐกิจเชิงกายภาพนั้นใหญ่มาก

เรากำลังพูดถึงฟาร์ม คลังสินค้า เหมือง โรงพยาบาล ระบบป้องกันประเทศ เครือข่ายคมนาคม โครงสร้างพื้นฐานด้านพลังงาน การก่อสร้าง อะไรก็ได้ที่คุณนึกออก

ทำไมสิ่งนี้ถึงยาก

มาวางรายงานนี้บนพื้นฐานของความสมจริงกัน

เมื่อเราจำกัด AI ไว้ในหน้าจอ มันจัดการได้ง่ายกว่ามาก ข้อผิดพลาดไม่ร้ายแรงนัก การแก้ไขทำได้ง่าย สภาพแวดล้อมค่อนข้างควบคุมได้

ก้าวเข้าสู่โลกแห่งความจริง แล้วมันจะยุ่งเหยิง

ตำแหน่งของวัตถุคาดเดาไม่ได้ มนุษย์เรายุ่งเหยิง (ไม่ได้ว่าอะไรนะ) คุณมีปัจจัยแวดล้อมเช่นฝนและลม แสงในคลังสินค้าสามารถเปลี่ยนแปลงได้

ดังนั้นระบบเหล่านี้ต้องเข้าใจถึงความไม่แน่นอน ย้ำอีกครั้ง นี่คือส่วนของ 'ความชาญฉลาด' ระบบเหล่านี้ต้องทำงานได้แม้ว่าวัตถุจะเคลื่อนไหวอย่างคาดเดาไม่ได้ เซ็นเซอร์สกปรก แสงเปลี่ยน ผู้คนเดินเข้ามาขวางทาง ฯลฯ

แล้วก็มีเรื่องความปลอดภัย ใช่แล้ว มีความกังวลด้านความปลอดภัยเกี่ยวกับซอฟต์แวร์ โดยเฉพาะถ้าเราปล่อยให้เอเจนต์โลดแล่นในองค์กรอย่างอิสระ แต่เรากำลังพูดถึงความปลอดภัยทางกายภาพตรงนี้ สินค้าคงคลังอาจเสียหาย มนุษย์อาจได้รับบาดเจ็บ อุปกรณ์อาจพัง

ดังนั้นระบบเหล่านี้ต้องแม่นยำ เชื่อถือได้ รวดเร็ว และปลอดภัย พร้อมกันทั้งหมด

ผมคิดว่าความแม่นยำ ความน่าเชื่อถือ และความปลอดภัยเป็นเรื่องสามัญสำนึก

ความเร็วอาจฟังดูน่าแปลกใจสำหรับบางคน แต่ลองคิดดู ตัวอย่างที่ชัดเจนที่สุดคือรถยนต์ขับเคลื่อนอัตโนมัติ ถ้ามนุษย์ก้าวออกมาข้างหน้ารถอย่างไม่คาดคิด รถต้องตอบสนองแทบจะทันทีเพื่อหลีกเลี่ยงหายนะ ต้องมีความหน่วงต่ำที่สุด นี่คือจุดที่ Edge AI เข้ามามีบทบาท เพราะคุณไม่สามารถรอเซิร์ฟเวอร์คลาวด์ในช่วงเวลาตอบสนองเช่นนี้ได้

จากนั้นก็มีการประสานงานระหว่างส่วนต่างๆ สมองอย่างเดียวไม่เพียงพอ เราต้องการเซ็นเซอร์เพื่อมองเห็น ชิปเพื่อประมวลผลข้อมูล ซอฟต์แวร์เพื่อตัดสินใจ มอเตอร์เพื่อเคลื่อนที่ ระบบจ่ายพลังงานเพื่อส่งพลังงาน ระบบควบคุมเพื่อรักษาความแม่นยำ และระบบความปลอดภัยเพื่อป้องกันผลลัพธ์ที่ไม่ดี

ฟังดูเหมือนซัพพลายเชน...ใช่มั้ย?

ดี ดี

ดังนั้นเมื่อเราเห็นการสาธิต การนำไปใช้จริงอาจดูแตกต่างออกไปและต้องใช้เวลามากขึ้นอีก เป็นเรื่องหนึ่งที่เครื่องจักรจะทำงานในสภาพแวดล้อมที่แยกตัว มันแตกต่างอย่างมากจากการถูกนำไปใช้งานทุกวันในสภาพแวดล้อมจริง ดังนั้นนอกจากทั้งหมดที่เราพูดไปว่าเครื่องจักรเหล่านี้ต้องทำได้ พวกมันยังต้องมีความทนทานและมีอายุการใช้งานยาวนาน

ถ้าทั้งหมดนี้ฟังดูเหมือนเป็นความสำเร็จที่ยิ่งใหญ่...ดี

มันเป็นเช่นนั้นจริง

และนั่นคือที่มาของโอกาส

เพราะบริษัทที่ทำได้ และสามารถปรับขนาดได้นั้น อยู่ในตำแหน่งที่จะทำเงินก้อนโตได้จริง

ลูปหลัก

แทบทุกระบบที่เรากำลังพูดถึงตรงนี้ต้องผ่านวงจรที่คล้ายกัน

1 - มองเห็นโลก

2 - เข้าใจสิ่งที่เกิดขึ้น

3 - ตัดสินใจว่าจะทำอะไร

4 - ตรวจสอบผลลัพธ์

5 - ปรับปรุง

มาดูตัวอย่างที่ใช้งานได้จริงกัน

หุ่นยนต์ในคลังสินค้า

อย่างแรก มันต้องมองเห็นทางเดิน มันอาจใช้กล้อง, lidar, เซ็นเซอร์วัดระยะลึก หรือเซ็นเซอร์อื่นๆ เพื่อทำความเข้าใจว่าชั้นวางอยู่ตรงไหน กล่องอยู่ตรงไหน และหุ่นยนต์ตัวอื่นหรือคนกำลังเคลื่อนที่อยู่ตรงไหน

จากนั้นมันต้องนำข้อมูลนี้มาทำความเข้าใจ มันต้องเข้าใจว่าวัตถุหนึ่งคือกล่อง อีกอันคือมนุษย์ เป็นต้น มันต้องเข้าใจระยะทาง ความเร็ว ทิศทาง และความเสี่ยง

แล้วก็มาถึงการตัดสินใจ มันควรเดินหน้าต่อไป? ชะลอความเร็วลง? เลี้ยวซ้าย? นี่คือจุดที่การรับรู้เริ่มเปลี่ยนไปสู่การกระทำ

ขั้นตอนต่อไปคือการเคลื่อนที่ มอเตอร์หมุน แขนกลปรับ ที่จับปิด อะไรก็ตามที่มันเป็น ตอนนี้เราอยู่ในโลกกายภาพแล้ว

จากนั้นมันตรวจสอบผลลัพธ์ มันไปถึงชั้นวางที่ถูกต้องหรือไม่? มันหยิบสิ่งของที่ถูกต้องหรือไม่? นี่คือขั้นตอนที่สำคัญมากเพราะโลกแห่งความจริงคาดเดาไม่ได้

สุดท้าย มันปรับปรุง มันใช้ผลตอบรับจากสิ่งที่เกิดขึ้นเพื่อตัดสินใจได้ดีขึ้นในครั้งถัดไป โดยพื้นฐานแล้วนั่นคือวิธีที่มนุษย์เราทำงานเช่นกัน บางทีมันอาจเรียนรู้ว่าวัตถุบางอย่างจับได้ยากกว่า หรือเส้นทางบางเส้นทางมีผู้คนพลุกพล่านในช่วงเวลาหนึ่ง

ลูปป้อนกลับนี้คือสิ่งที่แยก Physical AI ออกจากระบบอัตโนมัติพื้นฐาน ระบบอัตโนมัติแบบเก่าเป็นชุดคำสั่งที่ตายตัว Physical AI ปรับตัว สังเกตการณ์ ตอบสนอง และปรับเปลี่ยน

ขั้นตอนทั้งหมดนี้คือสาเหตุที่โครงสร้างการลงทุนนั้นใหญ่โตมาก เรากำลังพูดถึงเซ็นเซอร์ ชิป ซอฟต์แวร์ มอเตอร์ ระบบจ่ายพลังงาน ระบบควบคุม ระบบความปลอดภัย ข้อมูล ร่างหุ่นยนต์เพียงอย่างเดียวนั้นไร้ค่าหากไม่มีลูปนี้

โครงสร้างการลงทุน

ตอนนี้เราสามารถลงรายละเอียดเพิ่มเติมเกี่ยวกับสิ่งที่แต่ละเลเยอร์ประกอบด้วยได้

เรายังไม่ลงไปถึงรายชื่อบริษัท เราต้องวางรากฐานก่อน

ผมชอบแนวคิดในการเปรียบเทียบ Physical AI กับมนุษย์ ไม่ใช่ในแง่รูปลักษณ์ของฮิวแมนนอยด์ แต่ในแง่หน้าที่การทำงานและประสาทสัมผัส

มนุษย์ต้องการสมอง ดวงตา กล้ามเนื้อ เส้นประสาท พลังงาน การทรงตัว ความทรงจำ และการฝึกฝน ระบบ Physical AI ต้องการสิ่งที่เป็นเครื่องจักรของทุกสิ่งเหล่านั้น ไม่รูปแบบใดก็รูปแบบหนึ่ง

หุ่นยนต์/เครื่องจักรที่คุณเห็นเป็นเพียงส่วนหนึ่งของระบบเท่านั้น สิ่งที่อยู่เบื้องหลังเครื่องจักรนั้นใหญ่กว่าและลึกซึ้งกว่ามาก และนั่นคือจุดที่การเปิดรับบริษัทมหาชนอยู่จริง

ก่อนที่โครงสร้างจะเริ่มต้น เรามี การฝึกฝน (Training) ก่อนที่เครื่องจักรจะทำงานในโลกแห่งความจริง AI ต้องเรียนรู้ก่อน ดังนั้นเราจึงต้องการข้อมูล โมเดล ตัวอย่างว่าการกระทำที่ดีเป็นอย่างไร มันอาจฝึกฝนด้วยข้อมูลโลกแห่งความจริง ข้อมูลสังเคราะห์ ข้อมูลจำลอง หรือการสาธิตของมนุษย์ มันเหมือนกับพนักงานใหม่ที่เรียนรู้วิธีการทำงานก่อนเริ่มงาน

ถัดมาคือ การจำลองสถานการณ์ (Simulation) นี่คือจุดที่เครื่องจักรฝึกฝนในโลก เสมือน ดังนั้นหุ่นยนต์ในคลังสินค้าสามารถฝึกเคลื่อนที่ผ่านทางเดินดิจิทัล โดรนสามารถฝึกบินผ่านสนามรบดิจิทัล เป็นต้น สิ่งนี้สำคัญเพราะการฝึกฝนในโลกจริงมีค่าใช้จ่ายสูง ช้ากว่า และบางครั้งก็เสี่ยง

ถัดมาคือ การรับรู้ (Perception)

หากต้องการอ่านรายงานนี้ต่อ คลิกที่นี่:

https://open.substack.com/pub/cruxcapitalgroup/p/the-next-major-theme-youll-want-to?r=6so16n&utm_campaign=post-expanded-share&utm_medium=web

ผมจะลงลึกในเลเยอร์การลงทุนอื่นๆ ที่เหลือ ว่าผมมองเห็นธีมนี้จะไปทางไหน และกระบวนการของผมจะเป็นอย่างไร

พร้อมกับออปติกส์ ตอนนี้ Physical AI คือธีมหลักอันดับที่ 2 ที่ผมกำลังลงลึกครอบคลุม

การสร้างพอร์ตโฟลิโอแบบเต็มรูปแบบ

การแยกแยะทุกเลเยอร์

การนำเสนอบริษัทที่เฉพาะเจาะจง

การวิเคราะห์ผลประกอบการ ฯลฯ