Ai cũng muốn biết chủ đề lớn tiếp theo sẽ là gì.
Tôi đã may mắn có mặt trong siêu chu kỳ quang học trước hầu hết mọi người và điều đó đã thay đổi cuộc đời tôi.
Sẽ thế nào nếu chúng ta có thể tìm ra chủ đề tiếp theo có tầm cỡ này và định vị bản thân sớm?
Tôi tin rằng chúng ta có thể.
Và đó là nội dung của báo cáo này.
Sau khi thực sự đào sâu vào chủ đề này, tôi tin rằng đây chính là nó.
Vì vậy, trong báo cáo này, tôi sẽ trình bày chủ đề, lý do tại sao nó đáng đầu tư ngay bây giờ, nơi nào có thể đầu tư, tất cả các lớp + chuỗi cung ứng, và kế hoạch của tôi trong thời gian tới.
Quang học / Quang tử vẫn là chủ đề chính của tôi và tôi sẽ tiếp tục đề cập sâu trên trang này.
Nhưng vẫn còn những cơ hội ngoài kia đang chờ chúng ta.
Và chủ đề tôi sắp trình bày ở đây sẽ là vũ trụ bao phủ chính thứ 2 trên Substack của tôi theo thời gian.
Chúng ta vẫn còn sớm và vẫn còn thời gian để định vị bản thân.
Hãy cùng tìm ra cách tốt nhất để làm điều đó.
Physical AI (AI Vật Lý)
Phần lớn danh mục đầu tư của tôi trong năm qua tập trung vào Cơ sở hạ tầng AI. Điều này rõ ràng là rất tốt.
Giờ đây, tôi ngày càng muốn dành nguồn vốn mới cho những cơ hội mới trong chủ đề Physical AI.
Tất cả các công ty Cơ sở hạ tầng mà tôi đầu tư đều cho phép chủ đề mới này phát triển.
Mục tiêu của tôi với báo cáo này là giới thiệu chủ đề này ở một mức độ dễ tiếp thu để tất cả chúng ta có thể bắt đầu từ một nền tảng vững chắc.
Khi tôi nghĩ về Physical AI, tôi nghĩ về nó như thời điểm máy móc trở nên thông minh.
Vì vậy, chúng ta đang nói về thị giác, chuyển động, nhận dạng, lực, an toàn, phản hồi. Chỉ là một vài trong số các tính năng/đặc điểm của một số sản phẩm cuối cùng.
Luồng hoạt động trông giống như: nhìn thế giới (qua camera và/hoặc cảm biến), hiểu đầu vào này, quyết định hành động nào là hợp lý, tạo ra chuyển động hoặc một số loại phản ứng, sau đó kiểm tra những gì đã xảy ra và điều chỉnh.
Vòng phản hồi là một phần quan trọng ở đây. Máy móc phải học từ kết quả và đây là điểm khác biệt lớn so với máy móc 'không thông minh' chỉ lặp lại cùng một chuyển động đã được lập trình sẵn.
Khi bạn đang đọc bài viết này, tôi muốn bạn ghi chú lại trong khi đọc. Bất cứ khi nào bạn đọc về một lĩnh vực mà bạn nghĩ có thể đầu tư được, hãy dừng lại và viết nó ra. Cố gắng tạo ra một nhánh về bao nhiêu cách khác nhau mà bạn nghĩ lớp này có thể đầu tư. Không phải công ty, chỉ là những cách khác nhau để kiếm tiền bằng sản phẩm hoặc dịch vụ. Sau khi hoàn thành, hãy tiếp tục đọc. Lặp lại quy trình này.
Sự Chuyển Dịch
Từ màn hình đến thế giới thực.
Một phần lớn trường hợp sử dụng AI hiện tại thuộc về AI Tạo sinh với văn bản, hình ảnh, mã, video, nghiên cứu, phân tích, v.v. Thực tế, tất cả mọi người đọc bài này đều đã sử dụng nó, nếu không muốn nói là sử dụng hàng ngày. ChatGPT, Claude, Gemini, v.v.
Làn sóng tiếp theo mà chúng ta đã thấy là Agentic, nơi AI bắt đầu chạy các tác vụ thay vì chỉ đưa ra phản hồi. Vì vậy, một tác nhân có thể tìm kiếm tệp, cập nhật bảng tính, soạn thảo email, làm việc theo lịch trình của bạn, v.v. Từ 'trả lời' sang 'làm', nhưng chỉ trong lĩnh vực kỹ thuật số.
Sau đó là Physical AI, nơi bạn kiểm soát một thứ gì đó trong thế giới thực. Thay vì nói cho người vận hành máy biết điều gì sai, nó có thể tự điều chỉnh máy.
Tôi nghĩ rằng ví dụ trực quan mà hầu hết mọi người nghĩ đến khi nghe về Physical AI là một robot hình người. Chúng ta vừa thấy Figure trình diễn so sánh trực tiếp giữa robot hình người và con người phân loại các gói hàng.
Nhưng theo tôi, đó là một trong những dạng Physical AI kém thực tế nhất hiện nay. Những thứ thực sự là máy bay không người lái, cánh tay robot, máy kéo tự lái, hệ thống nhà kho, hệ thống phẫu thuật, hệ thống quốc phòng, v.v.
Ý tưởng sâu xa hơn là AI đang tiến gần hơn đến lao động.
Kết nối lại, AI Tạo sinh giúp ích cho kiến thức, Agentic giúp ích cho văn phòng/phần mềm, và Physical giúp ích cho... công việc Vật lý. May quá, họ giữ nó đơn giản cho chúng ta.
Vậy, TAM (Tổng thị trường khả dụng) ở đây là gì? Có bao nhiêu tiền thực sự trong Physical AI?
Câu trả lời là: 'Có'.
Tất cả. Mọi thứ.
Đùa thôi, nhưng nghiêm túc mà nói, nền kinh tế vật lý là rất lớn.
Chúng ta đang nói về trang trại, nhà kho, mỏ, bệnh viện, hệ thống quốc phòng, mạng lưới giao thông, cơ sở hạ tầng năng lượng, xây dựng. Bất cứ thứ gì bạn có thể nghĩ đến.
Tại Sao Điều Này Lại Khó
Hãy đặt báo cáo này trên nền tảng thực tế.
Khi chúng ta cô lập AI bên trong màn hình, việc quản lý dễ dàng hơn nhiều. Sai lầm không quá nghiêm trọng. Việc chỉnh sửa dễ dàng. Môi trường tương đối được kiểm soát.
Bước vào thế giới thực và mọi thứ trở nên lộn xộn.
Vị trí đồ vật không thể đoán trước. Con người hỗn loạn (không có ý xúc phạm). Bạn có các yếu tố môi trường như mưa và gió. Ánh sáng bên trong nhà kho có thể thay đổi.
Vì vậy, các hệ thống này phải HIỂU được sự không chắc chắn. Một lần nữa, đây là phần 'thông minh'. Các hệ thống này cần hoạt động ngay cả khi các vật thể di chuyển không thể đoán trước, cảm biến bị bẩn, ánh sáng thay đổi, người đi vào đường đi của chúng, v.v.
Sau đó là khía cạnh an toàn. Có, có những lo ngại về an toàn với phần mềm, đặc biệt nếu chúng ta để các tác nhân tự do trong doanh nghiệp, nhưng chúng ta đang nói về an toàn vật lý ở đây. Hàng tồn kho có thể bị hư hỏng, con người có thể bị thương, thiết bị có thể hỏng.
Vì vậy, các hệ thống này phải chính xác, đáng tin cậy, nhanh chóng và an toàn cùng một lúc.
Tôi nghĩ độ chính xác, độ tin cậy và sự an toàn đều là điều hiển nhiên.
Tốc độ có thể gây ngạc nhiên cho một số người. Nhưng hãy nghĩ về nó. Ví dụ rõ ràng nhất là xe tự lái. Nếu một người bước ra trước xe một cách không thể đoán trước, nó phải phản ứng gần như ngay lập tức để tránh thảm họa. Phải có độ trễ tối thiểu. Đây là lúc Edge AI (AI biên) phát huy tác dụng vì bạn không thể đợi máy chủ đám mây trong những khoảng thời gian phản hồi này.
Sau đó là sự phối hợp giữa các bộ phận. Chỉ riêng bộ não là không đủ. Chúng ta cần cảm biến để nhìn, chip để xử lý thông tin, phần mềm để đưa ra quyết định, động cơ để di chuyển, hệ thống năng lượng để cung cấp năng lượng, hệ thống điều khiển để giữ chính xác và hệ thống an toàn để ngăn chặn kết quả xấu.
Nghe có vẻ giống như một chuỗi cung ứng... phải không?
Tốt. Tốt.
Vì vậy, khi chúng ta thấy các bản demo, việc triển khai thực tế có thể trông rất khác và xa hơn nữa. Một chuyện là có một cỗ máy hoạt động trong sự cô lập. Một chuyện khác là nó được triển khai hàng ngày trong môi trường thực tế. Vì vậy, ngoài tất cả những thứ chúng ta vừa nói những cỗ máy này cần phải làm, chúng cũng cần phải bền và tồn tại lâu dài.
Nếu tất cả điều này nghe có vẻ là một kỳ công lớn... tốt.
Đúng vậy.
Và đó là nơi cơ hội nằm.
Bởi vì các công ty CÓ thể làm được điều đó. Và CÓ thể mở rộng quy mô. Họ có vị thế để kiếm được nhiều tiền thật.
Vòng Lặp Cốt Lõi
Thực tế, mọi hệ thống chúng ta đang thảo luận ở đây đều phải trải qua một chu kỳ tương tự.
1 - Nhìn thế giới
2 - Hiểu chuyện gì đang xảy ra
3 - Quyết định phải làm gì
4 - Kiểm tra kết quả
5 - Cải thiện
Hãy lấy một ví dụ thực tế.
Một robot trong nhà kho.
Đầu tiên, nó phải nhìn thấy lối đi. Nó có thể sử dụng camera, lidar, cảm biến độ sâu hoặc các cảm biến khác để hiểu vị trí của kệ, hộp và vị trí của các robot hoặc người khác đang di chuyển.
Sau đó, nó cần tiếp nhận và hiểu điều này. Nó cần hiểu rằng một vật thể là cái hộp, một vật thể là con người, v.v. Nó cần hiểu khoảng cách, tốc độ, hướng và rủi ro.
Sau đó đến quyết định. Nó nên tiếp tục di chuyển? Giảm tốc độ? Rẽ trái? Đây là lúc nhận thức bắt đầu chuyển thành hành động.
Tiếp theo là chuyển động. Động cơ quay, cánh tay robot điều chỉnh, bộ kẹp đóng lại. Dù là gì đi nữa. Bây giờ chúng ta đang ở trong thế giới vật lý.
Sau đó, nó kiểm tra kết quả. Nó có đến đúng kệ không? Nó có lấy đúng món hàng không? Đây là một bước quan trọng vì thế giới thực là không thể đoán trước.
Cuối cùng, nó cải thiện. Nó sử dụng phản hồi từ những gì đã xảy ra để đưa ra quyết định tốt hơn vào lần sau. Về cơ bản, đó là cách chúng ta hoạt động như con người. Có thể nó học được rằng một vật thể nhất định khó cầm nắm hơn hoặc một tuyến đường nhất định bị tắc nghẽn vào một thời điểm nhất định.
Vòng phản hồi này là thứ phân biệt Physical AI với tự động hóa cơ bản. Tự động hóa cũ là một tập hợp hướng dẫn cố định. Physical AI thích ứng, quan sát, phản ứng, điều chỉnh.
Tất cả các bước này là lý do tại sao ngăn xếp đầu tư lại lớn như vậy. Chúng ta đang nói về cảm biến, chip, phần mềm, động cơ, năng lượng, bộ điều khiển, hệ thống an toàn, dữ liệu. Một cơ thể robot đơn thuần là vô dụng nếu không có vòng lặp này.
Ngăn Xếp Đầu Tư
Bây giờ chúng ta có thể đi vào chi tiết cụ thể hơn về những gì mỗi lớp chứa đựng.
Chúng ta chưa đi sâu vào các công ty. Chúng ta cần đặt nền móng.
Tôi thích ý tưởng so sánh Physical AI với một con người. Không phải ở khía cạnh hình người/thẩm mỹ. Mà là các chức năng & giác quan.
Con người cần một bộ não, đôi mắt, cơ bắp, dây thần kinh, năng lượng, sự cân bằng, trí nhớ và luyện tập. Một hệ thống Physical AI cần phiên bản máy móc của tất cả những thứ đó dưới dạng này hay dạng khác.
Robot/máy móc thực tế bạn nhìn thấy chỉ là một phần của hệ thống. Những gì ẩn sau cỗ máy lớn hơn và sâu sắc hơn nhiều. Và đó là nơi tập trung sự tiếp xúc của các công ty đại chúng.
Ngay cả trước khi ngăn xếp bắt đầu, chúng ta có đào tạo (training). Trước khi một cỗ máy có thể hoạt động trong thế giới thực, AI phải học. Vì vậy, chúng ta cần dữ liệu, mô hình, ví dụ về các hành động tốt trông như thế nào. Vì vậy, nó có thể được đào tạo trên dữ liệu thế giới thực, dữ liệu tổng hợp, dữ liệu mô phỏng hoặc bản demo của con người. Nó giống như một nhân viên mới học cách thực hiện một công việc trước khi bắt đầu làm.
Tiếp theo là mô phỏng (simulation). Đây là nơi máy móc thực hành trong một thế giới ảo. Vì vậy, một robot trong nhà kho có thể thực hành di chuyển qua các lối đi kỹ thuật số. Một máy bay không người lái có thể thực hành bay qua một chiến trường kỹ thuật số, v.v. Điều này quan trọng vì thực hành trong thế giới thực rất tốn kém, chậm hơn và đôi khi rủi ro.
Tiếp theo là nhận thức (perception).
Để đọc phần còn lại của báo cáo này, hãy nhấp vào đây:
Tôi đi sâu vào phần còn lại của các lớp đầu tư, nơi tôi thấy chủ đề này có thể đi đến, và quy trình của tôi sẽ như thế nào.
Cùng với Quang học, Physical AI hiện là chủ đề chính thứ 2 mà tôi đang đề cập sâu.
Xây dựng danh mục đầu tư đầy đủ
Phân tích tất cả các lớp
Trình bày các công ty cụ thể
Bao gồm phân tích thu nhập, v.v.
