و با این حال، به جای ترمیناتور و Wall-E و R2-D2، تمام چیزی که گیرمان آمده، فیسبوکی است که تبلیغاتی نشانمان میدهد که نمیخواهیم روی آنها کلیک کنیم، نتفلیکسی است که نیمه شب فیلمی دیگر پیشنهاد میکند که احتمالا نباید به خاطرش بیدار بمانیم و در بهترین حالت، جاروب رومبا که خودش در خانه حرکت و زبالههای خرد را جمع میکند.
چه اتفاقی افتاد؟ پس این ربات ها کجا هستند؟
اولین و مهمترین مسئله اینست که ربات ها به هیچ وجه چیزی جدید نیستند. بازوهای رباتیک صنعتی با آزادی عمل شش درجهای (بخوانید شش موتوری که به صورت زنجیرهای به یکدیگر متصل شدهاند) در واقع طی سال ۱۹۷۳ میلادی توسعه یافتند و دهها هزار مدل مختلف از آن همین حالا در جهان یافت میشوند. موضوع فقط اینست که اکثر این ربات ها، در شرایط شدیدا کنترل شده کارخانهها در حال انجام کارهایی دوباره و دوباره، برای میلیونها بار هستند.
و به کمک این ربات های اتوماسیون کارخانهای، ما بیشمار کمپانی چند میلیارد دلاری مانند فانوک، کوکا، ABB و فاکسکان تاسیس کردهایم که آنها هم ربات های خودشان را میسازند. به هر کارخانه اتومبیلسازی که میخواهید بروید و هزاران (البته در مورد تسلا، صدها) بازوی رباتیک خواهید دید. آنها به شکلی خستگیناپذیر و دیوانهوار محمولههای حجیم را برداشته و گاهی دقتی به اندازه میلیمتر از خود نشان میدهند.
اگر به صورت کلیتر به موضوع بپردازیم، جهان اتوماسیون صنعتی، شدیدا به بلوغ رسیده و میتوانید به سراغ هزاران «همسازگر سیستمی» بروید و بگویید: «من یک ماشین اتوماسیون میخواهم که فلان کار حساس را میلیونها بار انجام میدهد. یک سیستم برای این کار برایم بسازد». کوکا کولا به همین طریق دربهای نوشابه خود را میسازد، هد اند شولدرز به این ترتیب برایتان شامپو میسازد و در مجموع تولید هر محصولی امروزه به این شکل است. این همسازگران سیستمی ممکن است از شما ۱ میلیون دلار طلب کرده و بگویند یک سال برای دریافت ماشین صبر کنید، اما تمام آنها قادر به برآوردهسازی هرکاری که بخواهید هستند.
مشکل این سیستمها آن است که اکثرا تحت عنوان «اتوماسیون سخت» دستهبندی میشوند و تنها زمانی به درستی کار میکنند که ورودی، دقیقا همان چیزی باشد که سیستم برای کار با آن طراحی و برنامهنویسی شده. اما به محض اینکه یک بطری ۲ لیتری کوکا کولا را درون سیستمی که برای کار با بطریهای یک و نیم لیتری طراحی شده قرار دهید، سیستم نمیداند باید چه کند و شکست میخورد.
جهان بزرگ دیگری که در آن شاهد رباتهای تولیدی هستیم (به جز نرمافزارهای هوش مصنوعی خالص مانند سیستمهای پیشنهادگر، یابندههای اسپم برای ایمیل، سیستمهای تشخیص اشیا برای اپلیکیشنهای تصاویر، رباتهای چت و دستیارهای صوتی)، رباتهای جراحی هستند. یکی از بازیکنان اصلی این حوزه، شرکتی به نام Intuitive Surgical (با ارزش بازار ۶۶ میلیارد دلار) است که همین حالا بالغ بر ۵۰۰۰ ربات جراجی از راه دور ساخته و عرضه کرده.
حواستان باشد که این رباتها معمولا توسط یک جراح از راه دور کنترل میشوند و اینطور نیست که کاملا مستقل و خودران باشند. اما با توجه به اینکه بالغ بر ۴۰ درصد از مرگهای بیمارستان به اشتباه پزشکانی مرتبط میشوند، بیماران حاضر به پرداخت هزینه اضافه برای استفاده از جراحیهای رباتیک هستند و بیمارستانها هم انبوهی از آنها را خریداری میکنند.
آنچه در مورد اتوماسیون کارخانهای و ربات های جراحی متوجه میشویم اینست که همه آنها در شرایط شدیدا کنترل شده کار میکنند. در مورد رباتهای کارخانهای، این رباتها واقعا «فکر» نمیکنند و صرفا کاری مشخص را دوباره و دوباره انجام میدهند. در مورد رباتهای جراحی نیز، تقریبا تمام دقت و ظرافت کار به تفکر و دقت انسانی بستگی دارد که آنها را کنترل میکند. به محض اینکه رباتهای اتوماسیون کارخانهای را مجبور به فکر کردن کنید و رباتهای جراحی را مجبور به تصمیمگیری، بدون نظارت انسانی، سیستم فرو میپاشد.
حالا باید به این پرسش پرداخت که چرا ما ربات ها را در جهانی که هر روز در آن زندگی میکنیم نمیبینیم - یا به عبارت دیگر در شرایط غیر کنترل شده. چه چیزی باعث میشود که نتوانیم به آن آرمانشهر آیندهنگرانه که پر شده از رباتها دست پیدا کنیم؟ آیا مشکلی سختافزاری وجود دارد؟ یا مشکلی نرمافزاری؟ شاید مشکلی در زمینه هوش مصنوعی؟ یا شاید مشکلی اقتصادی؟ آیا اصلا مشکل از تعاملات انسانی است؟
برای پاسخ به این پرسش، باید درک کنیم که ربات دقیقا به چه معناست. در ادبیات، ربات به یک «عامل» گفته میشود که چهار کار اساسی انجام میدهد:
طی ۵۰ سال اخیر، در هر یک از این حوزهها به پیشرفتهای عظیم دست پیدا کردهایم:
حس کردن: قیمت دوربینها و سنسورهایی نظیر لیدار، IMU، رادار و جیپیاس دارد به شکل قابل توجهی کاهش مییابد.
فکر کردن: پردازش ابری مانند Amazon Web Service و Google Cloud Platform باعث شده ساخت نرمافزار بسیار کمهزینه باشد و صرفا پول چیزی را بدهید که از آن استفاده میکنید. پردازشگرهای گرافیکی مانند نمونههای انویدیا دیگر صرفا کارتهای گرافیک گیمینگ نبوده و میتوانند پردازشهای موازی انجام دهند که برای اپلیکیشنهای یادگیری ماشینی ایدهآل به حساب میآیند (و حالا پردازشگرهای گرافیکی کلاد هم داریم). الگوریتمهایی مانند شبکههای عمیق عصبی میتوانند کارهایی مانند تشخیص اشیا، درک زبان طبیعی و حتی ساخت محتویات تازه انجام دهند.
عمل کردن: این احتمالا قلمرویی باشد که در آن به بیشترین بلوغ رسیدهایم. اگر جهان رباتیک در بالاترین سطح را به دو بخش «مهارتهای دستی» (تعامل با جهان، همانطور که ما با دستانمان تعامل میکنیم) و «رباتهای موبایل» (راه رفتن و حرکت کردن) تقسیم کنیم، در آن صورت صنعت اتومبیلسازی اکثر مشکلات سختافزار رباتهای موبایل را برطرف کردهاند و اتوماسیون صنعتی هم بسیاری از مشکلات اشیای نیازمند مهارت دستی را. ما شدیدا در ساخت سختافزار ماهر هستیم و به سختافزار ضروری برای ساخت رباتهایی که عملا هر کاری انجام میدهند دسترسی داریم.
برقراری ارتباط: به لطف اینترنت و انقلاب موبایل در دو دهه ۲۰۰۰ و ۲۰۱۰ میلادی، پیشرفتهایی بزرگ در جهان تعاملات کاربری داشتهایم. آنقدر پیشرفت کردهایم که نمیتوانید شرکتی بیابید که یک رابط کاربری ساده نداشته باشد. شرکتهایی مانند Jibo و Anki و Rething Robotics کمک شایانی به این حوزه کردهاند.
به عبارت دیگر، از منظر کاملا فنی (جلوتر به مباحت اقتصادی و تعاملات انسانی هم میرسیم)، به نظر نمیرسد که حس کردن و عمل کردن بزرگترین مشکلات ما در این حوزه باشند. ما سنسورهایی محشر و ارزان داریم و همینطور تکنولوژیهایی عملگرا که عمدتا به لطف اتوماسیون صنعتی به دست آمدهاند.
بنابراین عمده مشکل در بخش «فکر کردن» است. دین ویای کومار، مهندس دانشگاه پنسیلوانیا و موسس آزمایشگاه Robotics GRASP، عقیده دارد که که علت عدم مشاهده رباتها در کارهای روزمره جهان اینست که «جهان فیزیکی پیوسته است اما پردازش و در نتیجه حس کردن و کنترل کردن، گسسته. و جهان شدیدا بُعدی و شانسی است».
به عبارت دیگر، صرف اینکه یک ربات میتواند لیوان چای را بردارد، به این معنا نیست که میتواند گیلاس شرابخوری را نیز بردارد. در حال حاضر بسیاری از کمپانیها «تفکر» را بر ایده یادگیری ماشینی -به صورت دقیقتر، یادگیری عمیق- بنا کردهاند. به این صورت که به جای کدنویسی سنتی که ورودی را برداشته و خروجی را براساس آن تحویل میدهد، شرکتها با خود میگویند «چرا به این عامل مقداری ورودی و خروجی به عنوان دیتای آموزشی ندهیم و کاری نکنیم که خودش برنامه را بنویسد؟».
درست همانطور که در جبر معادله y = mx + b را آموختهایم، ایده کلی اینست که اگر به الگوریتم یادگیری ماشین مقادیر y و x را بدهیم، سیستم قادر به یافتن m و b خواهد بود (البته به جز معادلههای به مراتب پیچیدهتر). این رویکرد باعث میشود که در اکثریت مواقع، نتیجه مورد نظر حاصل شود.
اما در جهان شدیدا غیر قابل پیشبینیای که در آن زندگی میکنیم، ایده دیتای آموزشی با این ایده که «اگر فلان چیز را دیدی، فلان کار را انجام بده» سازگار نیست. سادهتر اگر بگوییم، هیچوقت دیتای آموزشی کافی برای پیشبینی تمام اتفاقاتی که در جهان میافتد نخواهیم داشت. ما نمیدانیم که چه چیزهایی را نمیدانیم و اگر به دیتای آموزشی برای تمام مواردی که قبلا برای یک عامل اتفاق افتاده و در آینده هم برایش اتفاق خواهد افتاد دسترسی نداشته باشیم، این مدل مبتنی بر یادگیری عمیق هیچوقت ما را به خودرانی کامل نمیرساند. چطور میتوان چیزی را پیشبینی کرد که اصلا نمیدانیم امکانپذیر است؟
انسانها به عنوان موجوداتی هوشمند قادر به فکر کردن هستند اما عاملهای مبتنی بر یادگیری عمیق فکر نمیکنند. این سیستمها الگوهای مختلف را بر هم منطبق میکنند و اگر شرایطی که عامل در آن قرار گرفته با الگوهای قبلی سازگار نباشد، ربات شکست میخورد. (مثلا مانند اتومبیلهای خودرانی که تصادف میکنند).
بنابراین احتمالا شبکههای یادگیری عمیق، بهترین راه برای دستیابی ۱۰۰ درصدی به سیستمهای خودران نباشند (و به همین خاطر است که شرکتهایی مانند OpenAI میخواهند الگوریتمهای یادگیری را با الگوبرداری از رویکرد شرطی شدن کلاسیک پاولف تقویت کنند). اما در این میان، شاید استارتاپهایی که از خود میپرسند چطور میتوان یک عامل کاملا خودران ساخت، در حال مطرح کردن پرسشی اشتباه باشند.
یکی از شرکتهایی که ایده عدم تلاش برای رسیدن به خودرانی ۱۰۰ درصدی را دنبال میکند، Ripcord است که استارتاپی واقع در کالیفرنیا بوده و رباتهایی برای دیجیتالی کردن کاغذها میسازد. بسیاری از سازمانهای امروزی انبوهی از کاغذهای فیزیکی دارند که ترجیح میدهند دیجیتالیشان کنند. الکس فیلدینگ، مدیرعامل Ripcord میگوید «هیچ انسانی به دانشگاه نمیرود که در نهایت سوزن منگنه را از کاغذها در بیاورد». بنابراین آنها رباتهایی به شرکتها میفرستند که میتوانند صفحات کاغذی را برداشته، اسکنشان کنند و دوباره سر جای خود قرار دهند.
وقتی با او صحبت میکنید، این نکته جالب به چشمتان میآید که هیچوقت به «اتوماسیون کارهای انسانی» اشاره نمیکند. او در عوض میگوید Ripcord باعث میشود انسان تا ۴۰ برابر بیشتر بهینه شود. یک انسان بر چهار ربات نظارت میکند. در یک مثال، ربات مشغول عبور از میان انبوهی از صفحات کاغذی است و ناگهان به کاغذی برمیخورد که گیجش میکند. در آن زمان، انسانی که بر سیستم نظارت دارد روی نمایشگر نوتیفیکشنی راجع به مشکل دریافت میکند. ظرف ۱۰ ثانیه مشکل را برطرف میکند و ربات به سراغ صفحات بعدی میرود.
بنابراین شاید به جای اینکه از خودمان بپرسیم «چطور میتوان رباتی ساخت که کار انسانها را اتوماتیک میکند؟» بهتر باشد بپرسیم «چطور رباتهایی بسازیم که انسانها را ۴۰ برابر بهینه میکنند و در عین حال از هوش آنان برای حل کردن موارد دردسرساز استفاده میکنند؟». درحالی که هوش مصنوعی روز به روز بهبود مییابد، به نظر میرسد این رویکرد بهترین فرمول ممکن برای ساخت کمپانیهای موفق باشد.
یک شرکت دیگر که بر این موضوع صحه میگذارد، Kiwi Robotics است. Kiwi که در برکلی کالیفرنیا واقع شده، رباتهای موبایل تحویل غذا میسازد. اما فلیپه چاوز، مدیرعامل شرکت میگوید: «ما یک شرکت فعال در حوزه هوش مصنوعی نیستیم، ما یک کمپانی دلیوری هستیم». وقتی فلیپه Kiwi را تاسیس کرد، انبوهی هزینه صرف استخدام مهندسین یادگیری ماشین نکرد و در عوض پس از ساخت یک پروتوتایپ سختافزاری، نرمافزاری با تاخیر اندک برای کنترل از راه دور ربات Kiwi تدارک دید.
ایده کلی در ابتدا این بود که انسانها برای Kiwi تصمیمگیری میکنند و سپس به آرامی، الگوریتمی برای کاهش دخالت ۱۰۰ درصدی انسان و رسیدن به خودرانی کامل نوشته میشود. Kiwi امروز چند دوجین اپراتور از راه دور دارد و بیش از ۱۰۰ هزار غذا تحویل داده است. یک انسان میتواند بر چندین ربات نظارت کند. رباتها تقریبا تمام تصمیمات را اتخاذ و انسانها آنها را تصحیح میکنند. از سوی دیگر، رقبایی را داریم که روی خودرانی کامل سرمایهگذاری کردهاند و حتی نتوانستهاند ۱۰۰۰ غذا به مشتریان تحویل دهند.
در این دو مورد، یکی از مهمترین فاکتورها نه الگوریتم یادگیری ماشین، بلکه رابط کاربری ماشین انسانی است. آیا شرکتهای رباتیک از این موضوع غافل شدهاند؟ وقتی با فعالان این حوزه صحبت میکنید، متوجه میشوید که بیشمار استارتاپ رباتیک به خاطر ذهنیت اشتباه شکست خوردهاند. این استارتاپها باید اطمینان حاصل میکردند که تیم طراحی و مهندسیشان روی بهینهکردن کاربران سیستم متمرکزند. مهم نیست ربات شما چقدر خوب است، در هر صورت کاربرانی دارد که آن را راهاندازی، دستکاری و تعمیر میکنند. و اگر این کاربران هنگام طراحی در مرکز توجه نباشند، ربات شما به خوبی کار نمیکند.
تا به اینجای کار متوجه شدیم که علت عدم تصاحب جهان به دست رباتها اینست که جهان واقعی شدیدا شانسی بوده و هوش مصنوعی مبتنی بر مدلهای یادگیری عمیق، خیلی ساده آنقدر خوب نیستند که بر هر شرایطی فائق آیند. بنابراین به جای کاهش هزینه کارگران، شرکتهای رباتیک باید به سراغ مدل «تقویت انسان» بروند. رویکرد اپل و Airbnb و ذهنیتشان نسبت به طراحی متمرکز بر انسان را در نظر بگیرید که سرمایههایی کلان را صرف تجربیات کاربری معرکه میکنند.
در اینجا به بررسی چند کاری میپردازیم که میتوانیم برای بهبود و فراگیری هرچه بیشتر رباتها انجام دهیم:
نخستین کار، فروش محصولات پیش از ساختن آنهاست. در جهان نرمافزارهای سیلیکون ولی، اریک رایز این ایده را به محبوبیت رساند که «محصول را سریع عرضه کنید و کار را سریع تکرار کنید تا جایش را در بازار پیدا کند». این ایده به شکلی دیوانهوار برای استارتاپهای نرمافزاری جواب میدهد. اما در زمینه سختافزار و رباتیک، آنچه اتفاق میافتد اینست که استارتاپهای متمرکز بر استعدادهای مهندسی، در ابتدا نه روی فروش محصول، بلکه روی مهندسی تمرکز میکنند و میسازند و میسازند و میسازند.
سپس به سراغ مشتری میروند و مشتری میگوید «این دقیقا آن چیزی نیست که با اهدافمان سازگار باشد». در این لحظه کمپانی دیگر به منابع لازم برای تکرار کار دسترسی ندارد و به نقطه نابودی میرسد. این اتفاق بارها و بارها افتاده. به نظر میرسد این رویکرد از آن جهت برای استارتاپهای نرمافزاری جواب میدهد که در اکثر مواقع میتوانند محصول را به رایگان عرضه کنند و دست به تکرار بزنند. روند عرضه سریع است و پیش از اتمام پول، میتوان ۵ یا ۶ بار اشتباه کرد. اما در جهان سختافزار، هزینههای کار از همان ابتدا به وجود میآیند، روند عرضه کند است، سیکلهای تکرار کندتر و در نهایت پیش از رسیدن به هدف نهایی، یک یا دو شانس دارید.
یکی از مزایای فروختن پیش از ساختن اینست که میتوانید مسائل اقتصادی را بررسی کنید. حوزه رباتیک یکی از آن حوزههاییست که نهتنها خطرات فنی دارد، بلکه ریسکهای اقتصادی هم با خود به همراه میآورد. بسیاری از کمپانیها متوجه شدهاند که حتی اگر ایدهای معرکه داشته باشند، تکنولوژی را بسازند، بودجه لازم را جمعآوری کنند و به خوبی میان انسان و ربات مشارکت به وجود آورند، باز هم دخل و خرجهایشان با یکدیگر نمیخواند.
با فروختن قبل از ساختن، میتوانید شرایط اقتصادی مشتریان و خودتان را بررسی کنید و به درکی درست برسید. اگر سعی کنید محصول را پیش از ساختن بفروشید و کسی آن را نخواهد، به شکلی کمریسک متوجه میشوید که مشتریان حاضر به پرداخت پول بابت محصولتان نیستند و شاید بهتر باشد به سراغ ایده بعدی بروید.
حالا که صحبت از مسائل اقتصادیست، رمانش رسیده که از مدل دریافت تمام و کمال پول به هنگام فروش، به سراغ رباتیک به عنوان یک سرویس برویم. بسیاری از مشتریان رباتها بودجه اندکی داشته و نمیتوانند از همان ابتدا ارقامی بالاتر از ۱۰۰ هزار دلار بابت یک سیستم بدهند. بنابراین آنها از خرید محصول سر باز میزنند (و استارتاپ سازنده محصول میمیرد). در اینجا میتوانیم از صنعت پنلهای خورشیدی چند چیز بیاموزیم.
هزینههای پنلهای خورشیدی برای بسیاری از خانهداران منطقی به نظر میرسد. اما برای مدتی طولانی در دهه ۲۰۰۰، به ندرت کسی به سراغ این پنلها میرفت. چرا؟ چون اکثر افراد از پس هزینههای ابتدایی خرید آنها بر نمیآمدند. مشکل اصلی فنی نبود، اقتصادی بود. به این ترتیب شرکتهایی مانند Solar City ،Sunrun و Sun Power مدلی جدید ابداع کردند که در آن، مشتری در ابتدا هیچ پولی نمیدهد و در عوض، به ازای هر کیلووات ساعتی که پنلها تولید میکنند پول میپردازند.
همین ابداع در پردازش ابری هم شکل گرفت. به جای خرید انبوهی از سرورهای محلی برای اجرای اوراکل و SAP، کمپانیهایی مانند Salesforce به سراغ مدل تجاری «بابت چیزی پول بده که از آن استفاده میکنی» رفتند. شرکتهای رباتیک برای موفقیت نیازمند نوعی مهندسی اقتصادی هستند که به مشتریان اجازه دهد در ابتدا مبالغی بسیار اندک پرداخته و باقی هزینه را بابت چیزهایی بدهند که از آنها استفاده کردهاند. (مثلا میزان ساعت کارکرد ربات، میزان کاغذهایی که اسکن شدهاند، میزان ظرفهایی که شسته شدهاند یا هر چیز مشابهی).
یکی دیگر از مزایای فروختن پیش از ساختن، اینست که حتی علیرغم ساختن سختافزار، میتوانید دائما به بررسی شرایط حوزه بپردازید. به صورت سنتی این روند «تکرار بعد از عرضه» از مزایای نرمافزار بوده (در قیاس با اپل که توسعه سختافزار برخی از مکهایش را ۵ الی ۷ سال پیش از از عرضه آغاز میکند). از آنجایی که شما از قبل مشتریان را جذب کردهاید، آنها مایل به این هستند که محصول نهایی درست از آب درآید. یک استراتژی شدیدا موفق هم اینست که با نخستین مشتریان مشورت کنید و اجازه دهید آنها در روند ساخت محصولی دخیل باشند که از نظر اقتصادی و فنی، برایشان جذاب است.
شرکتهای سرمایهگذاری سیلیکون ولی این ذهنیت را به وجود آوردهاند که اگر شرکت شما نتواند به ارزشی معادل میلیاردها دلار برسد، اصلا ارزش سرمایهگذاری ندارد. بنابراین موسسین شرکتهای رباتیک سعی میکنند تکنولوژیهایی بسازند که به نیاز تمام مشتریان پاسخ میدهد و امیدوارند به این ترتیب قادر به جذب سرمایه باشند. و گرچه آنها با خواستههای سرمایهگذاران همگام شدهاند، اما محصول نهایی نیاز هیچ مصرفکنندهای را کاملا برطرف نمیکند. بهترین شرکتها، در ابتدای راه بازار بسیار محدود دارند.
در جهان شدیدا چند بعدی ما، ساخت رباتی که به مذاق همه خوش بیاید اشتباهی بزرگ است. در عوض مهم است که ابتدا تمرکز روی یک یا دو قشر از مشتریان باشد. وقتی مشکل آنها را برطرف کردید، متوجه میشوید مشتریان دیگر هم چیزی مشابه میخواهند. پیشرفت در حوزه رباتیک به اندازه نرمافزارهای مصرفکنندگان و سازمانی سریع نیست.
در نهایت اخیرا شاهد پلتفرمهایی بودهایم که میخواهند با قوتبخشی به شرکتهای رباتیک، دستیابی به موفقیت را برای آنها آسان کنند. همانطور که سرویسهایی مانند Amazon Web Services، شرکتهای اینترنتی مدرن را به موفقیت رساندند. اما مشکل اینجاست که امروز شرکتهای رباتیکی زیادی وجود ندارند که این راهکارهای B2B را منطقی جلوه دهند. ما هنوز به اپلیکیشنی برای آیفون نیاز داریم که وجود پلتفرمی مانند اپ استور را منطقی جلوه دهد و آن اپلیکیشن، باید در واقع رباتی همهچیز تمام باشد.
به عبارت دیگر، هنوز خیلی مانده تا جهان آکنده از رباتها برای فعالیتهای رایج روزانه داشته باشیم و دلیلش خیلی ساده اینست که شرکتهای رباتیک، باید حواسشان به بیشمار حوزه مختلف باشد تا دچار خطا و مشکل نشوند.
اما با این همه، حوزه رباتیک پتانسیل فراوانی دارد و قطعا میتوان بر تمام چالشها نیز فائق آمد. با کارهایی نظیر فروختن پیش از ساختن، حصول اطمینان از صحیح بودن استراتژیهای اقتصادی و قمارهای کم ریسک، آزمودن سیستم به صورت میدانی، ارائه مشاوره به نخستین مشتریان، ساخت محصولی که نیازهای یک مشتری خاص را برطرف میکند به جای ساخت محصولی برای همه، فکر کردن به رباتها به عنوان ترکیبی از سختافزار محشر و نرمافزار محشر و گشتن به دنبال اپلیکیشنهای B2B میتوان به موفقیت رسید. اما شاید وقتش رسیده باشد که برای تحقق تمام این مسائل، یک گام به عقب برداشته و دوباره از ابتدا شروع کنیم.
منبع : دیجیاتو