Humanoidni roboti ne bodo postali uporabni zgolj zato, ker bodo imeli boljše motorje, kamere in jezikovne modele. Naučiti se morajo tudi nečesa bistveno bolj vsakdanjega: kako človek prime skodelico, odpre omaro, zategne vijak ali se v nepredvidljivem prostoru varno umakne mimo druge osebe. Prav zbiranje takšnih podatkov iz resničnega sveta je v središču nove investicijske zgodbe podjetja Mecka AI.
Zagonsko podjetje Mecka AI, ustanovljeno leta 2024, naj bi bilo po poročanju TechCruncha blizu novi investicijski rundi, ki jo vodi Sequoia Capital. Vrednotenje podjetja naj bi znašalo približno 500 milijonov dolarjev, dokončni pogoji posla pa še niso potrjeni. Podjetje in Sequoia komentarja nista podala.
Gre za izjemno hitro rast: Mecka je le tri mesece pred tem razkrila 60-milijonsko investicijsko rundo pod vodstvom Framework Ventures, v kateri so sodelovali Menlo Ventures, SV Angel in Kindred Ventures.
Robot ne potrebuje le inteligence, temveč izkušnje
Mecka AI zbira in analizira podatke o človeškem gibanju, ki naj bi jih robotska podjetja uporabljala za učenje humanoidov in drugih fizičnih sistemov. Posameznike plačuje, da z uporabo telesnih senzorjev in pametnih telefonov snemajo izvajanje vsakdanjih opravil, denimo pripravo kave ali popravilo avtomobila.
Ta pristop se pogosto imenuje egocentrično zbiranje podatkov: sistem ne vidi samo končnega rezultata, temveč perspektivo človeka, ki opravilo izvaja. Za robota je to pomembno, ker mora razumeti zaporedje gibov, položaj rok, uporabo predmetov, napake in prilagoditve, ki jih človek naredi spontano.
Simulacije lahko pri razvoju robotov bistveno pomagajo, vendar imajo omejitve. Digitalno okolje težko povsem posnema trenje, neurejenost domače kuhinje, različno oblikovane predmete, slabo osvetlitev, nepredvidljive premike ljudi in druge podrobnosti fizičnega sveta. Robot, ki se v simulaciji nauči pobrati popolnoma enako skodelico z mize, lahko v resničnem okolju odpove že zaradi drugačnega ročaja, odboja svetlobe ali predmeta, ki mu ovira pot.
Prav zato so kakovostni podatki iz resničnega sveta postali ena ključnih konkurenčnih prednosti v robotiki. Mecka želi za fizično umetno inteligenco narediti nekaj podobnega, kot so Scale AI, Mercor in Surge naredili pri velikih jezikovnih modelih: organizirati množično zbiranje podatkov, potrebnih za učenje modelov.
Podjetje brez robotske dediščine stavi na podatkovni problem
Mecko so ustanovili Josh Gao, Mogen Cheng, Jason Chong in Duy Nguyen. Ustanovitelji po navedbah TechCruncha niso prihajali iz klasične robotike, vendar so prepoznali, da je pomanjkanje podatkov o fizičnih interakcijah velika ovira za razvoj splošnonamenskih robotov.
To je tudi pomemben signal za širši trg. Pri razvoju umetne inteligence se vrednost ne ustvarja le v laboratorijih, ki gradijo modele, temveč vse bolj tudi pri podjetjih, ki zagotavljajo podatke, infrastrukturo in postopke za njihovo označevanje, preverjanje ter uporabo.
Josh Gao je junija za Fortune povedal, da je podjetje takrat pričakovalo 100 milijonov dolarjev letne stopnje prihodkov do konca leta 2026. Gre za projekcijo podjetja, ne za potrjen poslovni rezultat, vendar pojasnjuje, zakaj vlagatelji področje spremljajo z velikim zanimanjem.
Priložnost tudi za Slovenijo, vendar ne brez vprašanj
Za Slovenijo zgodba ni nepomembna. Država ima močno industrijsko osnovo v proizvodnji, logistiki, avtomobilski dobavni verigi, zdravstvu in specializirani avtomatizaciji — torej v okoljih, kjer bi roboti lahko prevzemali ponavljajoča se, fizično zahtevna ali nevarna opravila.
Slovenske raziskovalne skupine, med drugim na Institutu »Jožef Stefan«, Univerzi v Ljubljani in drugih tehniških ustanovah, že razvijajo znanja s področij robotike, računalniškega vida, strojnega učenja in avtomatizacije. Za manjšo državo je težko tekmovati z ameriškimi podatkovnimi platformami pri obsegu, lahko pa ima prednost pri kakovostnih, industrijsko specifičnih podatkih: denimo pri montaži, nadzoru kakovosti, delu v skladiščih ali sodelovanju človeka in stroja.
Ob tem se odpira tudi vrsta etičnih in pravnih vprašanj. Posnetki človeškega dela lahko razkrivajo domove, delovna okolja, obraze drugih ljudi, občutljive navade ali poslovne postopke. Ključno je, kdo je lastnik teh podatkov, kako dolgo se hranijo, ali so ustrezno anonimizirani in ali posamezniki res razumejo, za kakšne modele se bodo uporabljali.
Pomembno je tudi, da zbirke podatkov zajamejo dovolj različnih ljudi, okolij in načinov dela. Če so podatki preveč omejeni na določeno demografijo ali tip prostora, se lahko robot slabše znajde pri drugih uporabnikih. Pri fizičnih sistemih pristranskost ni le vprašanje kakovosti odgovora, ampak lahko postane tudi varnostno vprašanje.
Tekma za robotske podatke zato ni zgolj investicijska zgodba. Je tekma za to, kdo bo določil, kako se bodo roboti učili človeškega sveta — in pod kakšnimi pogoji bodo nekoč delali ob ljudeh.
