本文由爆米花独角兽独家翻译

A.为什么现在是机器对机器学习发展的关键时刻？

    当前宏观因素刺激了自动化的需求，而 AI 的进步意味着机器已为应用到新领域做好准备。Noodleman 表示：“推动这一领域发展的关键在于，机器正在显著取胜。随着疫情后供应链受到冲击和劳动力短缺的加剧，我们比以往任何时候都更需要机器的支持。”与机器学习的进展相呼应，2020 年联网设备的数量显著增加。企业用户正探索更复杂的工具和界面，以满足终端客户的需求。此外，美国劳工统计局数据显示，仅 13.3% 的美国工作为固定坐办公室的工作。要在办公室以外的环境中推动自动化，就需要那些能够连接物理世界与数字世界的机器。

    相邻行业在疫情期间于制造业获得显著成功后，正在采用 M2ML 工具。Noodleman 表示：“疫情为我们展示了一个更加自动化、更具韧性的未来供应链。这一趋势最初从制造业开始，现在已扩展至医疗保健、研发、农业、废物管理等多个领域。”

B.此类别可能涉及哪些商业模式？

    与新硬件的采购相比，软件驱动的改造更易实施，同时能够扩展功能、减少错误并节约成本。通过软件实现的改造可以避免重建硬件所需的资本和时间成本。Noodleman 以 Built Robotics 为例：“这是一种通过液压改造使重型挖掘设备实现自主操作的经济实惠的解决方案。”Zinier、Tulip 和 Parsable 等其他公司也在通过改造来使操作设备更加智能，减少人为程序错误。

    M2ML 可辅助人工流程，扩展手动工作流程，并加速反馈循环。Noodleman 指出：“企业可以通过协调人机交互的界面从即时反馈中受益。这些工具改善了工作条件，同时提升了流程和产出的质量与效率。”她特别举例 Dusty Robotics 的机器人工具，使得建筑施工更接近于数字化制造。

“专注于大型系统中特定任务的公司正在开拓巨大的市场。” - Kira Noodleman

    自动执行高频任务的工具，通过锁定关键但重复的流程（如焊接、回收、医疗供应链等）获得投资回报。处理多项任务的通用硬件具有挑战性，因此成功者通常专注于高频、重复且狭窄的任务领域，例如 Path Robotics 专注于焊接、AMP Robotics 致力于输送系统回收，而 Diligent Robotics 则支持医院物资的分配。

    一些 M2ML 团队还在设计新的范式，用以优化供应链中的货物运输和网络配置。 Noodleman 指出：“为实现显著的效率提升，创始人有时需要跳出单一任务，致力于在整个生态系统中设计流程改进。”

    例如：

    Warp Logistics 便是我们投资组合中的一家公司，它提供软件驱动的对接解决方案。

    在住宅领域，Periscope Homes 正优化整个住房供应链

    在航运领域，Baton 则通过动态优化技术减少了卡车运输的等待时间 50%。