Bir dondurma robotu ≈990 milyar TL değerinde: ince kol, gömülü zeka için para basmakinesi

Shanghai Wujiang yolundaki DQ mağazasında bir robot “çok aptalca” görünen bir iş yapıyor.

Küpü dezenfeksiyon servisinden alıyor, kağıt bardağı çekiyor, dondurma makinesine hizalıyor, Oreo tozu serpiştiriyor, karıştırıyor, bardağı temizliyor ve son olarak DQ’nin “ters çevrilince dökülme” garantisini test ediyor bardağı ters çeviriyor. Toplam 55 adım, tamamen otonom. Yanındaki görevli sadece izleyerek bir parmak bile hareket etmiyor.

Görevli bir bardağı 2‑3 dakikada hazırlar. Robot ise 6 dakika süresi yapar.

Yavaş, ama onu bekleyen yok. Çünkü DQ ve robotun arkasında olan Sharpa, hız değil veri odaklı.

Bu yazının sonunda üç kazanç yöntemi paylaşacağım.

Bu aşağıya indirme değil, yukarı çıkma ve pratiğe dönüştürme

Haberin ilk okunuşu genellikle şöyle: “Milyar dolarlık bir firma dondurma makinesiyle uğraşıyor, büyük bir zahmet.”

Bunu söyleyen, gömülü zekanın gerçek rekabet mantığını kavramamış demektir.

Restoranlarda gördüğümüz “robotlar” genellikle tepsi taşıyor, yemek servis ediyor, geri dönüyor. Aslında sadece tepsi takılı bir taşıyıcı. En düşük serbestlik seviyesindeki taşıma işini yapıyor. Bu tür robotlara “el” gerekmez; sadece hareket edebilme, engelden kaçınma, hedefe varma yeterli. Teknik değeri sıfıra yakın, koruyucu bir çukur yok.

Sharpa tam tersi. Arka mutfakta giriyor, insan ekipmanını, insan maddelerini ve küresel standartları kullanarak bir iş akışını baş‑son tamamlıyor.

Sharpa kurucusu Li Yifan şöyle diyor: “Bir dozenseri serbestlik derecesi, görü ve güç kontrolüne sahip insan benzeri robotun son işi sadece bir kolun yapabileceği bir kahve servisi ise, maliyet asla karşılamaz.”

Bu ifadenin özü: robotun ortamı kendine göre değiştirmesini bekleyemez, 9 adımı yapıp sonunu insanla tamamlatamaz. Bu üretkenlik üretmez, sadece robot için boş bir iş bulur.

DQ senaryosunun zorluğu 55 adımın ardışık bağımlılığındaki. Kağıt bardağı esneyebiliyor, dondurma sıcaklığa göre sertlik değiştiriyor, üç kez yapılan ekleme görsel olarak neredeyse aynı, küçük bir sapma tüm işi başarısız kılıyor.

Ve Sharpa’nın aradığı şey tam da bu hatalı veriler.

Gerçek engel çipleri değil, “düşüp kalkma” verileri

Gömülü zekanın en büyük bariyeri nedir?

Video izleyerek hareket yolunu öğrenmek değil. GPT‑ye dondurma yapım videosunu yüz kez göster, o kadehi ne kadar güçle tutması gerektiğini öğrenemez. Video’da dokunma, güç hissi ve hata sonrası düzeltme mantığı yok.

Bir insan bir hareket yapınca sadece elimizi ne kadar kaldırdığımızı görürüz. Ama kâğıt bardağını ezmeyecek kadar ne kadar sıkmalıyız, dökülme nedeni eklemeyi mi yanlış yapmak yoksa karıştırma hızını mı aşmak, bardağı kırmadan ne açıyla çektiğimizi bilmeziz.

Bu bilgiler sadece robotun gerçek dünyada düşüp kalkması, hata yapması ve ardından ayarlamasıyla toplanabilir. Bu “başarısız veri” modele beslendikten sonra sonraki senaryoda daha az sapma yapar.

Sharpa bu DQ akışını laboratuvarda 5 ay içinde pratiğe aldı; lab ortamında yüksek başarı oranı gösterdi. Ama bu sayı önemsiz. Gerçek mağazada yaşanan ani durumlar—yoğun saatlerdeki insan akışı, ekipman sıcaklık dalgalanmaları, malzeme parti farklılıkları—gerçek sınavdır.

DQ’de pratiğe alınan tutma, alma, karıştırma ve döndürme hareketleri yarın market rafları düzenleme, otel odası temizliği veya eve aid ev işlerinde doğrudan yeniden kullanılabilir. Eğer her yeni senaryo için sıfırdan başlayıp on bin saat tekrar eğitim gerekirse, bu iş sadece bir kezlik bir proje olur ve ticari değeri yoktur.

** İşte Sharpa’nın asıl amacı: Tek bir DQ mağazasını, taşıyabilir bir ince kol operasyon veri tabanına dönüştürmek.**

Değerlendirme 220 milyar CNY, eski iş ortamından daha değerli

Sharpa 2024 sonunda kuruldu, hâlâ iki yıl tamamlamadı. Yeni bir finansman turu duyurdu; toplam 45 milyar CNY (≈200 milyar TL) ve sonrası değerlendirme 220 m