تصور کنید در یک انبار عظیم، رباتهایی با دقت ۹۹٪، کالاهای مختلف را از کارخانههای گوناگون جمع کرده و پالتهای سفارشی برای هر فروشگاه میسازند. این دیگر یک طرح گرافیکی نیست، بلکه استراتژی عملیاتی Maven Robotics برای تسخیر بازار ۸۰ میلیارد دلاری پالتگذاری است.
به گزارش TechCrunch در ۱۰ سپتامبر ۲۰۲۶، این شرکت پس از یک دوره فعالیت پنهان، اکنون با جذب ۱۰۰ میلیون دلار سرمایه وارد بازار شده است. آنها از وضعیتی که تنها یک «طرح کارتونی از یک ربات» داشتند، به تولید ناوگانی از ماشینهای صنعتی با نرخ پایداری ۹۹ درصد رسیدهاند. Maven بهجای فروش یک ابزار ساده، «نتیجه» را میفروشند: انتقال خودکار کالاها از سامانه مدیریت انبار تا روی کامیونها.
این رویکرد دقیقاً همان تغییری است که در سایر بخشهای هوش مصنوعی فیزیکی میبینیم؛ جایی که هدف از «صرفاً حرکت کردن» به «کارآمدی» تغییر کرده است. همانطور که در تحلیلهای قبلی ما دربارهی رباتهای انساننما اشاره کردیم، در حالی که مدلهای دوپا تیتر خبرها را میگیرند، Maven روی پایههای چرخدار و بازوهای پرقدرت شرطبندی کرده است تا مسئله جابهجایی در مقیاس صنعتی را حل کند.
زمینه: از فعالیت پنهان تا مقیاس صنعتی
در سال ۲۰۲۴، شرکت Maven Robotics عملاً هیچ محصول فیزیکی نداشت. حمزه درباس، مدیرعامل و همبنیانگذار شرکت، دوران ابتدایی را به تیمی از افراد و یک نقاشی کارتونی از یک ربات تشبیه میکند. با این حال، آنها توانستند در رقابت با چهار شرکت رقیب که سختافزار آماده و موجود داشتند، پیروز شوند و یک قرارداد بزرگ را به دست آورند.
درباس برای این پیروزی، استراتژی متفاوتی به کار برد؛ او بهجای بحث درباره دیدگاههای فنیاش در مورد رباتها، مستقیماً درخواست بازدید از کارخانهها و انبارهای مشتری را کرد تا نحوه کار واقعی انسانها را از نزدیک ببیند. او با تمرکز بر جریانهای کاری خاصی که میتوانست ارزش فوری ایجاد کند، ثابت کرد رویکرد جامع — یعنی اتصال مستقیم به سیستمهای مدیریت انبار و پایان دادن به مسیر در کامیون — بر حل تکتک مشکلات رباتیک برتری دارد.
اکنون پس از دو سال همکاری نزدیک با آن مشتری اصلی و سایر شرکا، شرکت عملیات خود را گسترش داده است. آنها در حال حاضر تا هشت ربات فعال دارند که روزانه ۱۶ ساعت در محیطهای عملیاتی واقعی کار میکنند.
جزئیات فنی و استقرار
Maven Robotics از پلتفرمی در نسل سوم با مشخصات فنی زیر استفاده میکند:
- تحرک: پایههای چرخدار با قابلیت رسیدن به سرعت ۱۰ مایل در ساعت.
- ظرفیت بار: دو بازوی رباتیک با توان جابهجایی و بلند کردن تا ۳۰ کیلوگرم.
- وظیفه اصلی: پالتگذاری ترکیبی (Mixed Palletizing). این فرآیند شامل برداشتن پالتهای چوبی حاوی کالاهای جعبهبندی شده از کارخانههای مختلف در یک مرکز توزیع و ایجاد یک پالت جدید و ترکیبی برای یک فروشگاه خاص است.
- سازوکار: در مرکز عملیاتی آنها در سانتا کلارا، رباتها از مکندههای خلأ (Vacuum Suckers) برای برداشتن و چیدمان جعبهها با سرعتی مناسب استفاده میکنند.
- عملکرد: نرخ پایداری (Uptime) ۹۹ درصد یا بالاتر در شیفتهای ۱۶ ساعته.
برتری فنی این شرکت مدیون پیشینه رهبران آن است. حمزه درباس سالها در مهندسی خودروهای برقی فعالیت داشت. او پیش از تأسیس Maven، ۹ سال در گروه پروژههای خاص Apple کار کرده است؛ واحدی که بهطور گسترده باور بر این است که همان بخش متوقفشده خودروهای خودران اپل بوده است. او شرکت را با برادرش، خالد درباس، که متخصص سرمایهگذاری خصوصی است و اکنون به عنوان مدیر مالی (CFO) فعالیت میکند، بنیانگذاری کرد.
سازوکار حلقه داده (Data Loop)
این شرکت با رباتیک صنعتی مانند مسئله خودروهای خودران برخورد میکند. آنها از متخصصان باسابقه در حوزه خودروهای خودران برای ساخت خط لولههای داده (Data Pipelines) پیچیده استفاده میکنند. این رویکرد یادگیری از دادههای واقعی، مشابه استراتژیهایی است که در پروژههای جاهطلبانه تاکسیهای رباتیک برای مدیریت محیطهای پیچیده شهری به کار میرود. این خط لولهها به گونهای طراحی شدهاند که اطلاعات رباتهای در حال کار را در عرض چند دقیقه یا چند ساعت بازگردانند.
این بازخورد سریع اجازه میدهد تا یک چرخه تکرار کوتاه و متراکم اجرا شود: بازآموزی مدلها، ارزیابی عملکرد، اجرای مطالعات حذف (Ablation Studies) برای یافتن بهترین وزنها (Weights) — یعنی تنظیمات عددی که تعیین میکنند مدل به هر ورودی چه واکنشی نشان دهد — و استقرار مجدد.
برای سرعت بخشیدن به این روند، تیم آنها دستکشهایی شبیه به انبر ساخته است. این ابزار به اپراتورهای انسانی اجازه میدهد تا فرم و ساختار گیرههای ربات را شبیهسازی کنند. این کار دادههای بسیار دقیقی (High-fidelity) برای آموزش قابلیتهای جابهجایی فراهم میکند که هنوز در مدلهای استاندارد وجود ندارد و برای حرکت Maven به سمت اتوماسیون و ساخت (Fabrication) حیاتی است.
تحلیل استراتژیک
از منظر استراتژیک، Maven با تمرکز بر «پالتگذاری ترکیبی»، یکی از نقاط با اصطکاک بالا در زنجیره تأمین را هدف قرار داده است. خردهفروشان اغلب میخواهند ترکیب کالاهای روی قفسهها را هر ۴۸ ساعت بر اساس تقاضای لحظهای تغییر دهند. در حال حاضر، این کار توسط نیروی انسانی انجام میشود و کارگران باید برای جمعآوری تکتک اقلام در انبارها بدوند. خودکارسازی این وظیفه خاص و باارزش، بازگشت سرمایه (ROI) شفافی ایجاد میکند که هزینه استقرار را توجیه میکند.
این استراتژی آنها را در تضاد مستقیم با شرکتهایی مثل Agility قرار میدهد که قرار است پاییز امسال در یک معامله SPAC به ارزش ۲.۴ میلیارد دلار عمومی شود. Agility از رباتهای دوپا استفاده میکند. درباس استدلال میکند که طراحیهای دوپا برای کار در انبار «اصلاً منطقی نیست» و آنها را پیچیده، غیرقابل اعتماد و هزینهای غیرضروری میداند.
جک پیرسون، سرمایهگذار RoboStrategy، معتقد است Maven بهدلیل ریشه در سیستمهای صنعتی متمایز است. برخلاف شرکتهایی که فرهنگ پژوهشی دارند و برای یادگیری یا معماریهای خاص بهینه شدهاند، Maven بر اساس واقعیتهای محیطهای صنعتی، مانند سالنهای گرم و شرایط سخت عملیاتی طراحی شده است. این تمرکز بر سختافزارهای مقاوم در محیطهای سخت، یادآور سرمایهگذاریهای اخیر در حوزه اتوماسیون ماشینآلات سنگین است که هدفشان انتقال رباتیک از آزمایشگاه به محیطهای عملیاتی خشن است.
با این حال، یک ریسک بلندمدت جدی وجود دارد. در حالی که Maven امروز با پراگماتیسم صنعتی پیروز میشود، اما در حال ساخت یک مدل بنیادی (Foundation Model) نیست. آنها مسائل را مورد به مورد و وظیفه به وظیفه حل میکنند. درباس اعتراف میکند که اگرچه این مسیری viable برای تسخیر بازارهای چند میلیارد دلاری است، اما ممکن است توسط یک مدل هوش مصنوعی فیزیکی قدرتمند از یک آزمایشگاه پیشرو، با یک ضربه (One-shotted) از رده خارج شوند.
در حال حاضر، سرمایه ۱۰۰ میلیون دلاری از سوی RoboStrategy، LocalGlobe، Vine Ventures و XTX Markets Ventures صرف تولید ۲۵۰ ربات نسل سوم و طراحی پلتفرم نسل چهارم خواهد شد.
باید منتظر گسترش فعالیتهای Maven به حوزههای ساخت و جابهجایی مواد بود، زیرا این مراحل تعیین خواهند کرد که آیا رویکرد «وظیفه به وظیفه» آنها واقعاً میتواند به یک پلتفرم رباتیک چندمنظوره تبدیل شود یا خیر.
گام بعدی شما
- اگر در حوزه لجستیک فعال هستید، مدل «نتیجهمحور» Maven را بهجای خرید سختافزار تکمنظوره بررسی کنید.
- پیشرفتهای مدلهای فیزیکی در جابهجایی اشیاء (Manipulation) را دنبال کنید تا متوجه شوید چه زمانی مدلهای بنیادی جایگزین رویکردهای تکوظیفهای میشوند.
- بررسی کنید که آیا سیستم مدیریت انبار (WMS) شما قابلیت اتصال به APIهای رباتیک را دارد یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو