సోలార్ నిర్మాణ రంగంలో AI-ఆధారిత రోబోటిక్స్‌ను వినియోగించడానికి Gritt $34M ని సేకరించింది

పునరుత్పాదక ఇంధనం కోసం జరుగుతున్న ప్రపంచ స్థాయి పోటీ ఒక భారీ అడ్డంకిని ఎదుర్కొంటోంది: సోలార్ ఇన్‌స్టాలేషన్ కోసం నైపుణ్యం కలిగిన కార్మికుల కొరత. కార్నెగీ మెల్లన్ (Carnegie Mellon) శిక్షణ పొందిన ఇంజనీర్లచే స్థాపించబడిన రోబోటిక్స్ స్టార్టప్ Gritt, బహిరంగ నిర్మాణ ప్రాంతాలలోని అస్తవ్యస్తమైన, క్రమబద్ధీకరించబడని వాతావరణంలో పనిచేయడానికి రూపొందించబడిన తెలివైన వ్యవస్థలను వినియోగించడం ద్వారా ఈ సమస్యను పరిష్కరించడానికి అడుగులు వేస్తోంది.

తెలివైన ఆటోమేషన్‌తో కార్మికుల కొరతను అధిగమించడం

ఇంధన స్వయం సమృద్ధి మరియు వాతావరణ లక్ష్యాల కోసం సోలార్ మరియు బ్యాటరీ మౌలిక సదుపాయాల వేగవంతమైన నిర్మాణం చాలా అవసరం, అయినప్పటికీ పరిశ్రమ కార్మికుల కొరతను ఎదుర్కొంటోంది. సాంప్రదాయ పారిశ్రామిక రోబోలు ఈ వాతావరణాల్లో విఫలమయ్యాయి, ఎందుకంటే అవి పనిచేయడానికి అత్యంత క్రమబద్ధీకరించబడిన వాతావరణం అవసరం. Gritt తన విధానంతో ఈ పరిస్థితిని మారుస్తోంది; ఇది AI మరియు మెషిన్ విజన్ (machine vision) రంగాల్లోని తాజా పురోగతిని ఉపయోగించుకుంటూ, క్షేత్రస్థాయి పనుల్లోని "అపరిశుభ్రమైన, విసుగు పుట్టించే మరియు ప్రమాదకరమైన" వాస్తవాలను ఎదుర్కొంటుంది.

సొంతంగా హార్డ్‌వేర్‌ను మొదటి నుండి తయారు చేయడం కంటే, Gritt మరింత సరళమైన మరియు స్కేలబుల్ (scalable) నమూనాను ఉపయోగిస్తుంది. వారు మార్కెట్లో అందుబాటులో ఉన్న హార్డ్‌వేర్‌ను—ఉదాహరణకు అద్దెకు తీసుకున్న స్కిడ్డర్లు (skidders) మరియు Kawasaki వంటి తయారీదారుల రోబోటిక్ ఆర్మ్స్‌ను—ఏకీకృతం చేసి, వాటిని తమ సొంత AI మోడల్స్‌తో నియంత్రిస్తారు. దీనివల్ల కంపెనీ భారీ తయారీపై కాకుండా, "ఇంటెలిజెన్స్ లేయర్" (intelligence layer) పై తన మూలధనాన్ని కేంద్రీకరించగలుగుతుంది.

క్షేత్రస్థాయిలో భారీ సామర్థ్య వృద్ధి

ఉత్పాదకతపై Gritt సాంకేతికత ప్రభావం ఇప్పటికే కొలవదగినదిగా ఉంది. ప్రస్తుత వినియోగంలో, కంపెనీ ఇన్‌స్టాలేషన్ వేగంలో గణనీయమైన వృద్ధిని కనబరిచింది:

  • మాన్యువల్ క్రూ అవుట్‌పుట్: సాధారణ ఎనిమిది మంది సిబ్బంది రోజుకు సుమారు 800 సోలార్ ప్యానెళ్లను ఇన్‌స్టాల్ చేయగలరు.
  • Gritt-ఆధారిత అవుట్‌పుట్: Gritt వ్యవస్థలను ఉపయోగించే అదే ఎనిమిది మంది సిబ్బంది, రోజుకు 3,000 నుండి 4,000 ప్యానెళ్ల వరకు ఇన్‌స్టాల్ చేయగలరు.

వచ్చే 18 నెలల్లో 2.8 గిగావాట్ల సోలార్ ప్యానెళ్లను ఇన్‌స్టాల్ చేయడంలో సహాయపడాలనే కంపెనీ లక్ష్యంతో, సామర్థ్యంలో ఈ ఐదు రెట్లు పెరుగుదల చాలా కీలకం. దీని కోసం, Gritt రాబోయే ఆరు నెలల్లో తన కార్యకలాపాలను 48 క్రియాశీల వ్యవస్థల వరకు విస్తరించాలని యోచిస్తోంది; ఇది ఇప్పటికే అమెరికాలోని టాప్ 10 పవర్ కన్స్ట్రక్షన్ కంపెనీలలో మూడు కంపెనీలకు సేవలు అందిస్తోంది.

సోలార్‌కు మించి: ఫిజికల్ AI భవిష్యత్తు

సోలార్ ప్యానెల్ పొజిషనింగ్—మౌంటింగ్ కోసం సబ్-మిలిమీటర్ ఖచ్చితత్వాన్ని సాధించడం—ప్రస్తుత ప్రాధాన్యత అయినప్పటికీ, Gritt యొక్క దీర్ఘకాలిక విజన్ చాలా విస్తృతమైనది. కంపెనీ పనులను వేగంగా మార్చుకోగలిగేలా ఒక జనరలైజబుల్ AI పైప్‌లైన్‌ను నిర్మిస్తోంది. ఉదాహరణకు, సిండర్ బ్లాక్‌లను (cinder blocks) పేర్చడానికి వ్యవస్థకు శిక్షణ ఇవ్వడానికి వారాలు పట్టినప్పటికీ, రీబార్ టైయింగ్ (rebar tying) వంటి కొత్త పనిని నేర్పించడానికి కేవలం ఒక రోజు మాత్రమే పట్టింది.

Gritt యొక్క రోడ్‌మ్యాప్‌లో కొన్ని కీలక విస్తరణ రంగాలు ఉన్నాయి:

  • అడ్వాన్స్‌డ్ మానిప్యులేషన్: పోస్ట్‌లను డ్రిల్లింగ్ చేయడం, ప్యానెళ్లను బిగించడం మరియు రాక్‌లను నిర్మించడం వంటి పనుల్లోకి ప్రవేశించడం.
  • జనరల్ కన్స్ట్రక్షన్: కాంక్రీట్ పోసే ముందు రీబార్లను కట్టడం వంటి పనులకు విస్తరించడం.
  • సైట్ ఇంటెలిజెన్స్: సెన్సార్లను మేనేజ్‌మెంట్ లేయర్‌గా ఉపయోగించడం—తుఫానుల కంటే ముందే తెరిచిన కందకాలను (trenches) గుర్తించడం లేదా తక్కువగా ఉన్న ఇన్వెంటరీని గుర్తించడం.

ఒకే పని చేసే సాధనం నుండి "ఫిజికల్ AI లేయర్"గా పరిణామం చెందడం ద్వారా, నిర్మాణ ప్రాంతాలను మాన్యువల్ లేబర్ కేంద్రాల నుండి అత్యంత ఆటోమేటెడ్, డేటా-డ్రివెన్ వాతావరణాలుగా మార్చాలని Gritt లక్ష్యంగా పెట్టుకుంది.

ముఖ్య అంశాలు

  • హార్డ్‌వేర్-అగ్నోస్టిక్ వ్యూహం: Gritt తన సొంత AI ద్వారా నియంత్రించబడే మార్కెట్లో అందుబాటులో ఉన్న హార్డ్‌వేర్‌ను (Kawasaki ఆర్మ్స్ వంటివి) ఉపయోగిస్తుంది. ఇది కస్టమ్ రోబోట్‌లను తయారు చేసే పోటీదారులతో పోలిస్తే మరింత సరళమైన మరియు వేగంగా విస్తరించగలిగే బిజినెస్ మోడల్‌ను అందిస్తుంది.
  • అపారమైన ఉత్పాదకత: Gritt AIని అనుసంధానించడం ద్వారా, ఒక సాధారణ 8 మంది సిబ్బంది సోలార్ ప్యానెల్ ఇన్‌స్టాలేషన్‌ను రోజుకు 800 నుండి 4,000 ప్యానెళ్ల వరకు పెంచుకోగలరు.
  • జనరలైజబుల్ AI పైప్‌లైన్: సోలార్ మౌంటింగ్ నుండి రీబార్ టైయింగ్ వరకు వివిధ రకాల పనుల మధ్య ఒకే రోబోటిక్ వ్యవస్థలను వేగంగా మార్చడానికి కంపెనీ అడ్వాన్స్‌డ్ మెషిన్ లెర్నింగ్‌ను ఉపయోగిస్తోంది.