Danu Robotics، شرکتی شش‌ساله مستقر در ادینبورگ اسکاتلند، ربات تفکیک زباله‌ی خود با نام H.E.R.O را به بازار عرضه می‌کند. این شرکت اخیراً ۵ میلیون دلار سرمایه در مرحله‌ی late-seed جذب کرده است.

امی ما، بنیان‌گذار Danu Robotics، پیش از تأسیس این شرکت سال‌ها به‌عنوان توسعه‌دهنده‌ی نرم‌افزار در یک بانک در لندن کار می‌کرد. او می‌گوید متوجه شد سطل‌های بازیافت ساختمان با وجود همه‌ی امکانات، در نهایت به همان زباله‌ی معمولی می‌روند. این تجربه او را به سمت حل مسئله‌ی تفکیک زباله هدایت کرد.

تفاوت فنی و اقتصادی با رقبا#

رقبای اصلی این حوزه، شرکت‌های Glacier و RecycleEye، بازوهای رباتیک مبتنی بر مکش را عرضه می‌کنند. H.E.R.O به‌جای مکش از پنجه‌ی مکانیکی (pincer claw) استفاده می‌کند. اما تفاوت بزرگ‌تر در مدل کسب‌وکار است: Danu از هوش مصنوعی برای بهبود مستمر نرم‌افزار ربات بهره می‌برد.

ما برآورد می‌کند که یک سایت فعال با اضافه کردن این ربات به خط تفکیک، سالانه ۴۸۵ هزار دلار درآمد اضافی کسب می‌کند، در حالی که سرمایه‌گذاری اولیه ۱۶۰ هزار دلار و هزینه‌ی نگهداری سالانه ۲۴ هزار دلار است. به گفته‌ی او، این ارقام به‌طور محسوسی از رقبا ارزان‌تر است.

وضعیت تجاری#

  • دو مشتری بزرگ، نامه‌ی علاقه‌مندی امضا کرده‌اند.
  • قراردادهای قطعی به ارزش ۵۰۰ هزار دلار بسته شده است.
  • بیش از ۲۰۰ مشتری در خط فروش (pipeline) قرار دارند.
  • بازار هدف: تفکیک بازیافت در اروپا و آمریکای شمالی با ارزش تقریبی ۲۰ میلیارد دلار.

برنامه‌ی بعدی: کوچک‌تر و قابل‌حمل#

ما می‌گوید هدف بعدی، مقاوم‌تر، کوچک‌تر و چندمنظوره‌تر کردن ربات است. وقتی ربات قابل حمل شد، می‌تواند خارج از مراکز تخصصی زباله هم استفاده شود — مثلاً در رویدادها، مراکز خرید، بیمارستان‌ها و فرودگاه‌ها، به‌عنوان یک راه‌حل بازیافت در مبدأ.

خوانش تحریریه#

این خبر از دو جهت برای کسی که روی اتوماسیون فیزیکی کار می‌کند قابل تأمل است. اول، الگوی «هوش مصنوعی به‌عنوان لایه‌ی بهبود مستمر» نه «هوش مصنوعی به‌عنوان محصول». ربات H.E.R.O یک سیستم فیزیکی است که AI فقط باعث می‌شود نرم‌افزارش هر روز بهتر شود؛ این تمایز با بسیاری از پروژه‌هایی که AI را خودِ محصول می‌دانند، مهم است. دوم، مدل اقتصادی شفاف (۱۶۰ هزار دلار ورود، ۴۸۵ هزار دلار بازگشت) نشان می‌دهد که در حوزه‌ی اتوماسیون فیزیکی، مشتری عملاً ROI را از روز اول می‌فهمد و نیازی به توجیه انتزاعی ندارد. اما احتیاط لازم است: ارقام را خود بنیان‌گذار شرکت داده و هنوز در مقیاس صنعتی تست نشده‌اند. همچنین «۲۰۰ مشتری در pipeline» لزوماً به معنای درآمد نیست.

منبع: TechCrunch AI