Amulya Vishwanath, która przez siedem lat kierowała marketingiem produktowym platform robotycznych NVIDIA, ocenia, że robotyka znajduje się obecnie w erze Lego. Podstawowe części technologii wciąż są rozwijane i przebudowywane, dlatego jej zdaniem oczekiwanie na szybki moment porównywalny z premierą ChatGPT może być przedwczesne. Materiał TechCrunch opublikowany 16 października 2026 r. pokazuje też szersze znaczenie physical AI, wykraczające poza roboty.
Robotyka nadal składa swoje podstawowe elementy
Vishwanath odpowiadała w NVIDIA za marketing produktowy platform przeznaczonych dla robotyki. Obecnie jest founder and managing partner, czyli założycielką i partnerką zarządzającą Techable VC. Fundusz inwestuje na wczesnym etapie w przedsięwzięcia związane z physical AI, robotyką, materiałoznawstwem oraz life sciences, czyli naukami o życiu.
TechCrunch przedstawia Vishwanath jako jedną z pierwszych kobiet na stanowisku kierowniczym, które odeszły z NVIDIA, aby uruchomić własny fundusz wczesnego etapu. Jej doświadczenie w firmie jest ważne dla obecnej działalności, ponieważ zbudowana tam sieć kontaktów wspiera analizę inwestycji i docieranie do potencjalnych klientów spółek portfelowych.
Określenie era Lego odnosi się do stanu poszczególnych składników robotyki. Vishwanath wymienia siłowniki, robotyczne dłonie, oprogramowanie oraz standardy bezpieczeństwa. Według niej branża nadal przebudowuje te elementy, zamiast korzystać z jednego, ustalonego zestawu komponentów, który można łatwo połączyć w uniwersalny system.
Physical AI obejmuje także materiały, leki i cząsteczki
W ujęciu przedstawionym przez Vishwanath physical AI nie jest synonimem robota humanoidalnego ani ramienia pracującego w fabryce. Do tej kategorii zalicza ona również cząsteczki, materiały i leki, a także maszyny działające na liniach produkcyjnych. Tak szeroka definicja odpowiada zakresowi inwestycyjnemu Techable VC.
Rozmowa łączy zatem obszary, które często analizuje się osobno. Robotyka dotyczy maszyn i ich komponentów, materiałoznawstwo koncentruje się na właściwościach materiałów, a life sciences obejmuje między innymi rozwiązania związane z lekami. Vishwanath umieszcza je pod wspólnym pojęciem physical AI, choć wyciąg nie przedstawia formalnych kryteriów przynależności do tej kategorii.
W podcaście pojawia się również termin conscious automation, czyli świadoma automatyzacja. Dostarczony tekst nie zawiera jednak definicji tego pojęcia ani przykładu wdrożenia. Nie wiadomo więc, czy chodzi o konkretną architekturę techniczną, metodę projektowania procesów, czy szerszą zasadę inwestycyjną.
Jeden model bazowy może nie wystarczyć robotyce
Diagnoza Vishwanath różni się od przewidywań, według których robotyka wkrótce przeżyje swój moment ChatGPT. Takie porównanie odnosi się do uruchomienia pod koniec 2022 r. chatbota, którego możliwości szybko zwróciły uwagę użytkowników i branży technologicznej.
Pim de Witte, CEO General Intuition, mówił wcześniej w podcaście Equity, że jeden ogólny model bazowy może sprawić, iż znaczna część dzisiejszych wyspecjalizowanych prac nad robotyką stanie się zbędna. W takim scenariuszu wspólny model przejąłby zadania, dla których zespoły rozwijają obecnie odrębne rozwiązania.
Vishwanath stawia diagnozę wcześniejszego etapu rozwoju. Zwraca uwagę na siłowniki, dłonie robotyczne, oprogramowanie i bezpieczeństwo, a więc na elementy potrzebne do fizycznego działania systemu. Wyciąg nie wskazuje jednak, że odrzuca znaczenie modeli bazowych. Pokazuje jedynie, że jej ocena dojrzałości rynku jest ostrożniejsza niż wizja szybkiej unifikacji robotyki wokół jednego modelu.
Techable VC szuka dużych i konkretnych problemów
Vishwanath opisuje najlepsze okazje inwestycyjne przez pryzmat problemów, a nie wyłącznie możliwości technologii. W materiale pojawiają się rodzinne fabryki, które nie mogą znaleźć pracowników, oraz chirurdzy mierzący się z wypaleniem zawodowym. Techable VC szuka projektów odpowiadających na tego rodzaju potrzeby.
- Problem ma być duży i rozpoznawalny, przykładem jest brak pracowników w rodzinnych zakładach produkcyjnych.
- Rozwiązanie może wykraczać poza klasyczną robotykę, ponieważ obszar inwestycji obejmuje też materiały i life sciences.
- Technologia ma odpowiadać na potrzeby użytkowników, takich jak chirurdzy narażeni na wypalenie.
- Fundusz ma wnosić kontakty, które pomagają w due diligence oraz przedstawianiu startupów potencjalnym klientom.
Vishwanath chce, aby założyciele traktowali fundusz venture capital jako źródło przewagi trudnej do skopiowania. W jej przypadku podstawą tej przewagi ma być sieć zbudowana podczas siedmiu lat pracy w NVIDIA. Techable VC wykorzystuje ją zarówno przy sprawdzaniu projektów przed inwestycją, jak i przy organizowaniu kontaktów handlowych.
Źródło nie podaje jednak nazw spółek, do których trafiły pierwsze czeki Techable VC. Brakuje również wielkości funduszu, wartości inwestycji, udziałów obejmowanych przez fundusz oraz informacji o wynikach spółek portfelowych. Nie można więc ocenić skali działalności ani porównać strategii z innymi inwestorami.
Brakuje szczegółów o przewagach USA i Chin
Rozmowa dotyczy także pozycji Stanów Zjednoczonych i Chin w rozwoju physical AI. Vishwanath wskazuje, że każde z tych państw ma własne przewagi, ale wyciąg nie wyjaśnia, czego dokładnie dotyczą. Nie wiadomo, czy chodzi o modele, produkcję komponentów, dostęp do kapitału, zaplecze naukowe czy tempo wdrożeń.
Podobnie ogólnie przedstawiono temat humanoidów. Vishwanath uważa, że powinny oferować więcej niż efektowne pokazy tańca. Tekst nie wymienia jednak zadań, które uznaje za priorytetowe, ani parametrów pozwalających ocenić praktyczną przydatność takich maszyn.
Materiał jest zapowiedzią pełnego odcinka podcastu Equity, a nie szczegółowym opisem technologii lub strategii inwestycyjnej. Nie zawiera harmonogramu rozwoju rynku, porównania platform ani informacji o kosztach wdrażania physical AI. Nie pozwala też ustalić, kiedy robotyka mogłaby wyjść z opisywanej ery Lego.
Dla firm w Polsce z tej perspektywy wynika przede wszystkim potrzeba oceny całego systemu, w tym komponentów fizycznych, oprogramowania i bezpieczeństwa, zamiast zakładania, że jeden model rozwiąże każdy problem. Materiał sugeruje również, aby zaczynać od konkretnej potrzeby zakładu lub użytkownika, ale nie dostarcza metody wyboru dostawcy ani gotowego planu wdrożenia.
