The AI Welding Model

00:00:04: Robotik in der Industrie, der Podcast mit Helmut Schmidt und Robert Weber.

00:00:11: Hallo und willkommen zu einer neuen Folge unseres Podcastes Robotik in der Industrie.

00:00:15: Mein Name ist Robert Weber und in dieser Folge geht alles ums Schweißen und die Robotik.

00:00:21: Wir haben uns vor den Kollegen von AI Ein Volker ausgeliehen, und zwar eine Weldingfolge mit den Kollegen von PASS Robotics aus den USA.

00:00:30: Die Kollegen haben ziemlich viel Kohle eingesammelt in den letzten Monaten, um haben ein Welding Model, ein AI Welding Model gebaut.

00:00:39: Was das kann, wie das funktioniert, hört ihr in dieser Ausgabe.

00:00:42: Viel Spaß beim Zuhören.

00:00:43: Ciao.

00:00:46: Hallo everybody and welcome to a new episode of our Industrial AI Podcast.

00:00:49: My name is Robert Weber and my guest today is Andy from the USA, one of the founders of Path Robotics.

00:00:55: Welcome to the podcast.

00:00:56: Hey, thank you guys so much.

00:00:58: Really excited to be here.

00:00:59: Yeah, you are welcome.

00:01:01: Please, Andy, before we start, please introduce yourself briefly to the listeners.

00:01:06: Of course.

00:01:08: Yeah, I'm Andy, I'm the co-founder and CEO of Path Robotics.

00:01:11: Ich starte dieses Unternehmen, als ich mein PhD fahre.

00:01:14: Mein PhD fokussiert auf deep reinforcement learning für humanoid Robotics.

00:01:19: Und ich habe das über zehn Jahre ago gearbeitet.

00:01:21: Und du bist in Ohio, oder?

00:01:24: Ja, wir sind in Columbus, Ohio.

00:01:25: Also

00:01:26: es ist nicht westkostisch oder etwas Trends, sondern es ist das Mainland.

00:01:31: Ja, wir sind in Hartland.

00:01:33: Wir wollen, dass wir sehr nahe zu unserem Kundenbasis sind.

00:01:38: In der Mitte des Landes wird es in der Mitte des Landes

00:01:42: gemacht.

00:01:43: Du hast in den letzten Monat viel Geld gemacht, das ist ein Jahrhundert Millionen in Serie D. Was haben die Investoren gesehen?

00:01:52: Ja, wir haben viel Geld gemacht.

00:01:56: Vieles von diesem Geld wird in unseren R&D-Effort weitergehen.

00:02:01: Was unsere Investoren denken, ist, wie wir dieses AI, wie wir das physische Intelligenz für die Produktion bauen können.

00:02:10: Es ist noch eine große Bedeutung im Markt.

00:02:13: Wir haben zwei Dichotomies.

00:02:15: Wir haben traditionelle Robotik, die PLCs und Handprogrammen benutzen.

00:02:20: Und dann haben wir Akademiker, die wirklich nur auf die Blutung der Technologie fokussieren.

00:02:26: Wir wollen inzwischen sitzen, wo wir wirklich das Kapital nutzen, um die Blutung zu füllen, aber mit dem, was wir vor einigen Jahren vor einigen Jahren waren, dass wir wirklich starten, um die Modelle zu sehen und die Veränderungen und die Veränderungen für unsere

00:02:41: Kunden zu sehen.

00:02:42: Aber du fokussierst den Wäldermarkt, oder?

00:02:43: Ja, heute sind

00:02:44: wir fokussiert auf Welting.

00:02:47: So, die meisten unserer Kunden, sie machen eine Menge schweren Deposition-Welding.

00:02:52: Es gibt drei große Vertikler für uns.

00:02:54: Es gibt Energie, es gibt Datacentren und AI, und es gibt Defens.

00:02:59: Das sind die drei großen Vertikler, die wir nachgehen.

00:03:01: Und wieder, die meisten sind Welting.

00:03:03: Aber das ist nur, wo wir starten.

00:03:05: Das ist nicht, wo wir enden können.

00:03:06: Wir

00:03:08: sind called Industrial AI.

00:03:10: Lass uns ein bisschen mehr über Deine AI-deriven Art, als es um Welting und Deine Robote kommt.

00:03:18: Ich informiere mich ein bisschen, dass der Roboter die Arbeitsplätze schenkt und die Modelle der freeD kreiert.

00:03:24: Und dann wird das System automatisch die Form und Position der Welten und Weltenseam-Area erkannt.

00:03:30: Wie soll man das tun?

00:03:32: Kannst du bitte ein bisschen

00:03:33: bremer gehen?

00:03:34: Ja, so, das ist genau was passiert.

00:03:37: Wir bauen einen custom Sensor, der am Ende des Robots lebt.

00:03:41: Das Sensor nimmt in die drei D-Date...

00:03:44: Ist das eine Vision?

00:03:45: Was ist das für ein Sensor?

00:03:47: Ja, so, das Sensor hat die Vision-Kapazität.

00:03:50: Es nimmt in die drei D-Date, es nimmt in die zwei D-Date, also aus den Kameras.

00:03:54: Es kann auch ein Sound nehmen und ein paar weitere Inputs auch.

00:03:59: Und wir nehmen alle diese Daten und passen sie einfach durch unsere große Neuralnetwerke, unsere Neuralnetwerke, die wir nennen Obsidian One.

00:04:08: Das ist ein Modell, das wir seit über sieben Jahren arbeiten.

00:04:11: Das ist ein Modell, das dann, wenn du alle diese Inputen gibst, und du die Bündnis sagst, hier ist mein WPS, oder die Bündnisbox von dem, was ich an der actualen Weltingseite brauche.

00:04:22: Es nimmt dann all diese Informationen, und es hat alles vorhanden, wie und wo, was die Parameters zu benutzen, um die idealen Form zu bekommen.

00:04:33: Aber man kann das auch mit den Inputen ständig verändern.

00:04:37: So eine der größten Probleme in Welting für die lange Zeit ist, dass es eine Menge Variabilität gibt und man muss in einem Plus- oder Minus ein Millimeter sein.

00:04:47: Man muss auch mit der Variabilität adjusten und die Hege adapten, based auf welchen Varianten man hat.

00:04:52: Und so können wir alle those parameters on anything that it sees.

00:04:58: So it could have wild variation, not just in location, but also in gaps and tax and other things that cause a lot of heat changes.

00:05:06: But how do you do that with a model?

00:05:08: What kind of model is that?

00:05:10: Yes, I mean, the model overall, I mean, the best way to say it would be we kind of do imitation learning to get a policy network.

00:05:20: Und dann haben wir etwa sieben Jahre von Daten, die wir verabschiedet haben.

00:05:24: Und wir haben ein Weltmodel gemacht.

00:05:26: Wenn Sie wissen, was die Weltmodel sind, sind sie basically Neurosimulators.

00:05:30: Wir haben eine Neurosimulator, die die Physik der Weldingen betrifft, besser als jede analytische Algorithm auf dem Planeten.

00:05:38: Das ist das, weil wir wiederum Tenden von Millionen Welden haben, in denen wir die Daten direkt auf die Welde verabschieden.

00:05:46: Wir benutzen das Datum, um das Neurosimulator zu kreieren.

00:05:48: Wir benutzen das Immutation-Learning, um eine erste Politik zu bekommen, aber dann haben wir das Problem mit der Reinforcement-Learning in den Neurosimulator

00:05:58: zu refinementieren.

00:05:58: Ah,

00:05:59: okay.

00:05:59: Das war meine nächste Frage.

00:06:01: Ja, wir haben eine große Neuro-Network.

00:06:03: Das ist eigentlich das, was es anbietet.

00:06:05: Die Netzwerke-Inputs können drei D, zwei D und ein paar andere Features nehmen.

00:06:09: Und dann ist es wirklich die Outputs, die eigentlich Wettbewerbs-, Trajectorien und Weltenparameter für alle sind.

00:06:17: Ich möchte zurück zu deinem Zentrum, weil du gesagt hast, dass es eine Kapazität für die Vision ist, aber auch für den Sound.

00:06:24: Warum den Sound?

00:06:26: Ja, der Sound ist ein interessantes Metric.

00:06:30: Aber es ist

00:06:33: ein bisschen unestimated,

00:06:35: oder?

00:06:35: Und das ist nicht etwas, was viele Leute denken, in unserem Raum, in dem robotischen Raum.

00:06:40: Viele Leute denken, ich brauche eine Kamera, ich brauche eine CD-Map.

00:06:45: Ich brauche sehr logisch diese ganze Sache zu bauen, damit das System es sieht.

00:06:51: Aber nein, das Geräusch ist eine große... Es ist ein unerwarteter Input, aber es ist ein Input, das wirklich für das Verständnis ist, nicht nur... Potentially, where you should weld, but really how you are welding in the moment.

00:07:07: And it gives good key insight if we think we are starting to weld inaccurately, if we think we are starting to potentially have a bad weld.

00:07:15: It's a really key input.

00:07:16: An diesem

00:07:17: Punkt werden wir ein briefes Kommentar machen, als Andi's Kollege uns mit weiterer Information verabschiedet hat.

00:07:35: Quote.

00:07:36: Diese sind discreet Token oder Embeddingen, die die essentiellen Featuren holen.

00:07:48: Dies ervoiert unvergessliche Daten, wie Rohrpixels oder Audio-Waveforms direkt in die Backbone.

00:07:54: Obsidian kann Sound, Vision, wie auch Robots-State, und Welter Power-Supply nehmen.

00:08:00: Adapter-Layers für Alignment.

00:08:01: Einmal tokenisiert, jede Modelle passet durch ein Lichtweight-Adapter-Layer.

00:08:06: Man kann sich davon denken, dass diese kleinen neuralen Netzwerke entgegelt worden sind.

00:08:11: Diese Adapters brennen die Entdeckung zwischen raueren Modelle-Featuren und der Modelle, die die Rettung der Rettung betrachtet.

00:08:18: In Obsidian, diese Layers entschliessen hohe Latenung, die es für real-time Robotik gut ist.

00:08:24: Fusion und Joint Processing.

00:08:26: Durch diese Tokenisation und Adapter-Steps sind alle Modelle in einem kommunen, embeddingen Raum projekten.

00:08:33: Die Core-Transformer-Modelle präsentiert sie gemeinsam.

00:08:39: Sie haben sieben Jahre trainiert.

00:08:41: Wie war das Modell trainiert?

00:08:44: Wer hat diese große Menge von Daten gegeben?

00:08:47: Ist es das Scientistische oder das Real-World-Applikation-Data?

00:08:53: Es ist all Real-World-Application-Data.

00:08:55: Es ist alle von den Systemen, die im Feld sind.

00:08:59: Wir haben data von jedem einzelnen Roboter, der jeden Tag im Feld wälzt.

00:09:04: Aber wer hat dir das

00:09:05: Data gegeben?

00:09:06: Denn aus europäischen Perspektiven sind die Firmen sehr skeptisch, wenn es um Data mit einigen AI-Kampern, die große Modelle bilden.

00:09:16: Wer hat dir das Data

00:09:17: gegeben?

00:09:18: Ja, so all of our customers today have signed over and signed that they allow us to collect data at their site every single day.

00:09:26: It is data, so why are our customers okay with it?

00:09:30: They're okay with it because it's data that's really just critical to our neural network learning.

00:09:35: It doesn't actually, it's not data.

00:09:37: that's, they're collecting anything proprietary about their Produkte oder Reitere über ihren Design oder was, dass sie wirklich konzert sind, um ihre Kompetenzen zu verstehen.

00:09:50: Es ist literally all die Daten, die wir talked about, die wir geredet haben.

00:09:54: Das sind die Daten, die wir collecten.

00:09:58: Und wir collecten die, die wir auf unserem Kunden-Sitz, jeden Tag, während wir wälden.

00:10:04: Und ich möchte zurück zu dem Prozess, als es zu wäldern kommt.

00:10:08: Ich habe es schon erwähnt, dass sich das System automatisch automatisch die Form und so aufgenommen hat.

00:10:14: Wie bekommen wir dann eine reale Zeitadaption zu diesem

00:10:19: System?

00:10:19: Ja, wir machen einen Initial-Scan, wir nehmen das Informationen, wir bringen es durch unsere Netzwerke, wir bekommen unsere Ausgleichen und die Wälderparameter, dann eigentlich, während wir wäldern, Wir drehen unsere Kamera zurück.

00:10:33: Und das ist wirklich, wo der Sound ist.

00:10:35: Der Sound ist eigentlich nur auf Real-Time-Exekution, nicht auf Initial-Exekution.

00:10:41: Wir benutzen wieder Kameras, Lasern, Sound in Real-Time-Exekution, um die Anleitung auf dem Fly zu machen.

00:10:49: Und das ist eine ca.

00:10:49: eine Hälfte von ca.

00:10:50: eine

00:10:51: Hälfte.

00:10:52: Wow.

00:10:52: Wie handelst du das?

00:10:53: Ist es handelt von einem Industrie-PC oder von einem Edge-Device oder von einer GPU oder welchen Hardware

00:11:00: die Kunden brauchen?

00:11:00: Ja, es ist definitiv eine industrielle PC.

00:11:02: Die PC lebt mit dem System, wie unsere Räume.

00:11:05: Und es ist eine Stacke, dependen auf, wie viele Arme wir laufen.

00:11:09: Es ist eine Stacke von zwei bis vier GPUs, die das eigentlich wirklich powerieren, damit wir edge Computing machen

00:11:15: können.

00:11:16: Aber wenn es um Welting kommt, gibt es verschiedene Materialien.

00:11:20: Wie generalisieren Sie das Modell zu verschiedenen Materialien am Ende?

00:11:26: Das ist eine gute Frage.

00:11:29: Es ist definitiv eine der größten Probleme, um zu normalisieren, um durch die Bord zu kommen, damit man durch vier, fünf Wäder, fünf, zwei Wäder, stehlos, z.B.

00:11:44: und so weiter gehen kann.

00:11:46: Es ist wirklich eine der größten Herausforderungen, um eine generelle Netzwerke, die über alle Materialen funktioniert.

00:11:55: Für uns Nicht nur kann man das, was wir natürlich machen, wenn es notwendig ist, durch die feine Tuning, also um die Netzwerke zu nehmen und die feine Tuning auf einem Kundenmaterial zu finden.

00:12:08: Und wir haben, was wir nennen, ein Datafarm.

00:12:10: Wir haben also Kundendata, die wir in dem Spiel begonnen haben, basically jeden Tag.

00:12:13: Aber dann machen wir auch die Datafarm-Kollektion auf unserem Kundenmaterial.

00:12:19: um uns zu bekommen, einen Initial Seed-Settung von Daten zu erzielen oder die Network von dort

00:12:27: zu finden.

00:12:28: So, der Feintuning-Kode ist dein secret Source am Ende?

00:12:31: Ja, ich würde sagen das, aber auch das Bild und das Kollekt von dieser Daten.

00:12:37: Es ist eine Art Journey.

00:12:38: Und es ist wirklich, ich meine, das ist eine der wichtigsten Dinge, wie du Daten aus der Quantität bekommen und dann wirklich, wie du die richtige Daten haben, um etwas zu... Ich meine, es gibt nicht viele Leute in der Welt, da sind wahrscheinlich sehr wenige Unternehmen wirklich in der Welt, die mit der Erweiterung der Erweiterung eine Ausflugpolizei-Netwurke zu betreiben, eine gesamte Robotschaffung zu betreiben.

00:13:01: So, das, aber dann, ja, so wie man von Material, Material, Material, Material, Material bewegen kann, das ist auch ein kritischer Teil des, wie man es acceleriert und das wirklich etwas, das live gehen kann, gegen pure imitation.

00:13:16: learning and fine tuning on a pure customer basis is still like in its infancy and hasn't really been able to be figured out how to be scaled to actual customers yet.

00:13:27: Absolutely.

00:13:28: And when it comes to materials, that's one thing.

00:13:30: And the next step is now different robots.

00:13:33: But I think that's not the big problem, right?

00:13:35: So you can work with any robot in the market.

00:13:38: or how do you handle this?

00:13:40: Yes, we're robot agnostic.

00:13:41: There's two robot brands that Wir verabschieden das, was Jaskal in der Universität ist.

00:13:48: Aber es gibt keine Limitation für uns.

00:13:50: Wir haben große Partnern in diesen beiden Firmen.

00:13:52: Wir haben nicht wirklich den Grund, warum wir die Veränderung brauchen.

00:13:56: Aber ja, die Stacke ist auf jeden Fall ähnliche.

00:14:00: Es gibt einen Fahrer, den wir kreieren, der die Robot-Package anbietet.

00:14:04: Und wir können das für ABB und KUKA in Fanik machen, auch wenn wir

00:14:08: es brauchen.

00:14:11: Ist das Modell oder bittest du ein Operating-System für Weltingrobots?

00:14:16: Was ist dein Ziel?

00:14:17: Der große

00:14:19: Fokus ist das Modell.

00:14:20: Okay.

00:14:21: Du willst das Modell als Teil des Operating-Systems, oder bittest du das Modell für Welting-Kustomer von Jascava?

00:14:31: Was ist das Geschäftsmodell hinter dem

00:14:33: Modell?

00:14:34: Ja, die Core-Technologie, die wir bauen, ist wirklich auf der Modellseite.

00:14:38: oder Modellen.

00:14:39: Das ist das Sensor und das Modell zusammen.

00:14:41: Das ist die Perception und das Modell.

00:14:43: Das ist wirklich die Kortechnologie, die eine große Differenzierung gibt.

00:14:47: Das eigentliche Business-Modell ist Robots as a Service.

00:14:50: So, sogar wenn die zwei Piste die Korte-Differenzierung und das Produkt für unser Kustner geben, Wir haben noch ein Operating System, das wir für Robotics gebaut haben, das heißt PathOS.

00:15:01: Okay,

00:15:02: das ist ein Operating System,

00:15:03: das wirklich die gesamte Systeme bietet, damit wir unsere Kunden noch künftige Produkte geben können.

00:15:09: Wir haben heute eigentlich eine Vollstacke, aber wenn du wirklich denkst, was wir wollen, um einen langen Termin zu bauen, das sind die key differenzierten Elemente.

00:15:19: Das ist die Perception und Modell im

00:15:23: Endeffekt.

00:15:24: So sex of a model depends on how reliable the model is.

00:15:27: What about the reliability of the model?

00:15:30: How accurate is the model?

00:15:31: How robust is the model?

00:15:34: Yeah, it kind of again in any situation, it's as robust as the data you have to some extent.

00:15:40: So again, it's taken us a while.

00:15:43: Das ist nicht ein Jahr in der Datakollektion.

00:15:45: Wir haben es schon seit über sieben Jahren gemacht, um die Daten zu bekommen, die wir brauchen und die Daten zu erhöhen, um die Bounds der Daten zu erhöhen.

00:15:53: Die meisten Dinge, die wir in realen Leben sehen, sind in unserem Datasett oder etwas neuer.

00:15:58: Aber die große Unterschiede hier für uns ist, dass wir, wenn wir die Weltmodelle annehmen, die wir jetzt verwenden, um die Weltmodelle zu kreieren, und dann die Erleichterung der Erleichterung in der Weltmodelle zu verwenden, erlaubt uns, nicht necessarily Edge-Cases, die ausgestattet sind, sondern die gesamte Network-Response, um mehr dänzlich in deinem Distribution zu sein.

00:16:27: Das hat wirklich auf der Beliebungsseite geholfen, auf der Konsistenzseite geholfen.

00:16:32: So, wie wir jetzt die gesamte System-Utility definieren, wird von der ersten Passgule geholfen.

00:16:39: Das ist der Ende des Spiels.

00:16:42: Nicht nur, wie das Modell responnt, sondern wie das Modell responnt zu dem gesamten Stack, und was ist das Ende des Outputs für unsere Kunden?

00:16:49: Wie wir sehen ist, dass wir über ein neunundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundundund und das betrifft hohe Deposition, strukturelle Welting.

00:17:06: Das ist so, wie wir das gesamte Prozess und den Prozess vergleichen.

00:17:09: Das Ziel für uns ist für uns natürlich, zu gehen, von der Geist zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist,

00:17:18: zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, zu der Geist, Company und he wants or she wants to deploy now the model to his or her welding solution.

00:17:30: How difficult is it to run the model at the end?

00:17:35: So nobody can run the model at the end.

00:17:36: So we only give turn key solutions today.

00:17:40: Okay, is it not an option to sell the model by itself?

00:17:43: No, we do not sell the model by itself.

00:17:45: No, yeah, it's robots as a service.

00:17:47: You have to buy the welding robot.

00:17:50: Okay, so, but it's not an option to do that to sell the model.

00:17:54: Yeah, it's correct.

00:17:55: It's not an option to do that today.

00:17:56: So it's a combination of hardware and the model.

00:17:59: at the end you sell.

00:18:01: Yep, exactly.

00:18:01: Yeah, we sell the whole thing.

00:18:03: Okay, that's great.

00:18:04: Where are your markets now?

00:18:05: We are based in Europe.

00:18:07: We are originally we are from Germany.

00:18:09: Siemens is our partner.

00:18:11: And it's funny because we got a lot of Interesse von US-Kampern, um uns zu sprechen.

00:18:17: Und wir haben die gleiche Situation, dass alle unsere deutschen oder europäische Kampagnen mit US-Podcast oder US-Media kommen, weil sie sehen, dass das neue große Markt in den US-Kampern ist.

00:18:30: Wo ist dein Markt?

00:18:32: Ja, wir sind currently in all of North America.

00:18:35: Wir sind in Kanada, wir sind in den US, und wir sind in Mexiko.

00:18:39: Und wieder, die drei großen für uns, und vielleicht vier, Energie ... Infrastructure, AI-Datacentren, Defense, und dann natürlich Automatik und Transpiration.

00:18:51: So, das sind die vier große Verträge.

00:18:52: Wir sind jetzt alle in Nordamerika.

00:18:55: Meistlich für uns.

00:18:56: nächste Woche werden wir global expandieren.

00:18:58: Wir schauen es mehr intensiv und speziell in den nächsten Jahr.

00:19:04: Wir schauen Japan und Asia, und wir schauen, dass wir in Deutschland und Europa starten.

00:19:11: Oh, das ist interessant, weil die Defensive ist ein größer Markt in Deutschland im Moment.

00:19:15: Also, alle sind auf die Defensive im Moment

00:19:18: konzentriert.

00:19:19: Ja, da gibt es eine große Spotlightung in der Defensive.

00:19:21: Es fühlt sich wie in Deutschland, in den US und in vielen anderen Plätzen.

00:19:25: Also, ja, da gibt es viele Möglichkeiten in diesem Raum.

00:19:27: Was ist

00:19:28: mit der Kompetition?

00:19:30: Was setzt ihr von Kompetenzen in den Welten?

00:19:35: mit Weltingrobots.

00:19:36: Wir haben ABB, Turnkey-Solution für Welting.

00:19:39: Was setzt ihr apart?

00:19:40: Ist es nur die AI?

00:19:42: Oder was ist dein unique Sellingpunkt im Endeffekt?

00:19:45: Ja, das große unique Sellingpunkt im Endeffekt ist die Adaptabilität.

00:19:50: Weltingrobots sind seit ca.

00:19:51: fünf Jahren hier.

00:19:53: Ich bin jetzt in einem Tradeshow und es ist ein See des Weltingrobots.

00:19:57: Da sind hier wahrscheinlich ein paar Tausend Unternehmen mit Weltingrobots.

00:20:01: Aber wenn man wirklich auf die Utilisation und die Adoption für Robots sieht, besonders für Robots, über fünf Jahre, ist es ziemlich hoch.

00:20:11: Es ist wirklich nur eine über fünf Jahre langen Markenpenetration.

00:20:15: Und das ist nicht der Fall, weil die Hardware nicht existiert oder die Hardware breitzt oder nicht robust ist.

00:20:23: Das ist immer der Fall, dass die Systeme nicht intelligent genug sind.

00:20:28: was die actuale Menschwälder macht.

00:20:30: Und sie können nicht auf Konsistenz, Speed und Belieblichkeit machen.

00:20:35: Und das ist eine große Delta.

00:20:37: Für uns sind diejenigen, die die true Adaptive Wälder sind.

00:20:43: Wälder, wo es nicht egal, was der Fittup ist, es nicht egal, was der Part ist.

00:20:48: Wir können es sehen und verstehen, und wir können die Veränderungen wirklich wäldern.

00:20:52: Das ist wirklich die große Differenzierung.

00:20:55: Und es geht wieder zurück ... Du willst, dass ein Roboter wie ein Menschwälder arbeitet.

00:21:03: Das ist das Ende des Staates.

00:21:04: Und das ist das Ziel, das viele dieser Produzenten nicht.

00:21:08: Sie sind so etwas wie das, und dann bekommen sie normalerweise etwas ganz anders, als wenn sie ein industrielles Roboter von den Gruppen sind.

00:21:15: Wir sind diejenigen, die wirklich den Roboter geben können, dass sie den Roboter hier sind, den Partner in die Front, den Hitz gehen lassen und die Arbeit gehen lassen.

00:21:25: Und das ist ein enormes, enormes Delta.

00:21:26: Und dann für uns, wenn wir das auf Welding machen, sind wir überwältigt.

00:21:34: Welding ist das Herzblatt der Firma.

00:21:35: Es ist das Core Company der Firma, aber wir gehen in verschiedene Embodimenten auf den Hardware-Schein, und wir gehen in verschiedene Tests durch den Manufacturing-Prozess.

00:21:47: Du hast zu Beginn gesagt, du willst die meisten von den Hundert Millionen Euro in R&D-Topik spenden.

00:21:53: Was ist hier in deinem Tech-Agenten?

00:21:54: Weil du ein existierter Modell hast.

00:21:57: Du musst ein größeres Modell trainieren, ein mehr spezialiser Modell.

00:22:01: Was ist die Idee?

00:22:01: Ja, also

00:22:02: wir trainieren immer, also wir müssen immer dazugehören.

00:22:04: Wir sind in der ersten Hälfte, wir wollen weitermachen.

00:22:05: Wir wollen in der ersten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir wollen in der zweiten Hälfte, wir.

00:22:20: Wir wollen, dass wir eine neue Netzwerke haben, die ein Jahrzehnte oder zehnzehntausend Jahre von der humanen Erfahrung betrifft.

00:22:25: Wir wollen, dass wir das erste Pass auf die Tatsache bekommen, das sehr perfekt ist.

00:22:28: Das ist das, was wir in Waulding tun werden.

00:22:29: Wir wollen, dass wir noch mehr Daten machen, wie wir unsere neue Netzwerke trainieren.

00:22:32: continue to refine and try different practices and try different models to try to continue to increase and improve the overall output.

00:22:38: So we're always going to invest in that.

00:22:40: That will be an always and forever thing that we invest in to keep moving that.

00:22:44: But the other, where the other money is going into is then again, like the two areas, the two axes that you can think about is embodiments.

00:22:52: So different ways that we embody the intelligence and robots and then other tasks.

00:22:58: So welding is just one task done in manufacturing.

00:23:01: Die nächste große Tatsache, die wir nachgehen, ist...

00:23:03: Also du trainierst schon einen anderen Modell, wenn es um Robotik kommt.

00:23:07: Bist du auf das gearbeitet?

00:23:09: Ja, ja.

00:23:10: Wir haben Obsidian für Welding.

00:23:12: Das ist unser Modell, unser Brand für Welding.

00:23:15: Und jetzt arbeiten wir auf, was wir Epsilon nennen, das ist unser Modell für Dekstrasse, Assembly und Manipulation.

00:23:22: Oh, das ist interessant.

00:23:23: Wie weit bist du jetzt, von Publischen oder mit diesem Modell?

00:23:27: Das ist eine gute Frage.

00:23:32: Ja, so, das ist wirklich eine gute Frage.

00:23:34: Das Ziel für uns ist, wir wollen mit diesem Modell und mit dieser Technologie in den Jahr twenty-twentysch.

00:23:41: Wir arbeiten tirelessly rund um die Uhr.

00:23:44: Und es ist das gleiche Paradigm von dem, wie wir es gut gemacht haben.

00:23:48: Ich beginne mit imitieren und lernen.

00:23:51: Ideal, wenn du ein Weltmodell oder einen höheren Resolutionen oder Wir machen sehr kontakt-rich, fein-grain Manipulation-Werk, und dann benutzen wir Reinforcement Learning inside of that to really get to a global minimum that's actually usable in the real world.

00:24:12: So, we want to take the exact same paradigm that we've done on welding, and we want to do that on manipulation as well.

00:24:18: So, that's what we're working towards currently.

00:24:20: Andy, thanks a lot.

00:24:21: I keep my fingers crossed for your ambitious plans when it comes to the welding model, when it comes to the Absalon Model.

00:24:29: It was fascinating to talk to you.

00:24:32: You need to add your head of AI to the podcast because we have one more question, how the model works.

00:24:37: And I'm really looking forward to hear more in the next year.

00:24:41: Thanks a lot and greetings to the US.

00:24:43: Great.

00:24:44: Thank you so much for the time.

00:24:45: Very much appreciate it.

00:24:50: Robotik in der Industrie.

00:24:52: Der Podcast mit Helmut Schmidt und Robert Weber.