過去7か月間、私たちのチームは、ロボット基盤モデル（RFM）を構築する企業から、フルスタックロボット、およびそれらをサポートするツールまで、ロボティクスの研究者と創業者50人以上と会ってきました。ロボティクスは、私たちがこれまでに出会った中で最も困難な技術分野の1つであり、日々学ぶことがたくさんあります。
私たちの会話と独自の研究を通して、1つのことが明らかになりました。AIの世界とは異なり、ロボットの能力とパフォーマンスを評価するための広く合意されたベンチマークはまだありません。この標準化の欠如は、私たちが話を聞いたほぼすべての創業者とロボット投資家が口にする課題です。AIとロボット工学の権威であるFei-Fei Li は、ロボットスタートアップの評価方法に関する決定版ガイドを1人の投資家 が書くのを待っていると語りました。
わかりました、Fei-Fei、挑戦を受けましょう。
ロボットシリーズの最初の記事 で、ロボティクスが主流に躍り出るタイミングがついに来た理由を説明しました。この記事では、ロボット企業への投資フレームワークを説明することで、そのようなロボット工学のブレークスルーをどのようにサポートするつもりかを説明します。
以前にも述べたように、ロボティクスは長期的なゲームです。真に有能で安全でスケーラブルなロボットシステムを構築するには、忍耐強い資本、長期的な視点、そして深い確信 が必要です。ロボティクスへの投資フレームワークを共有することで、最高のロボット企業が資金提供を受け、ロボティクスのエコシステム全体が繁栄するように、投資家の皆様が戦略と原則を身に付けるお手伝いをすることを目指しています。
前置きはこれくらいにして、すべての投資家がロボット企業を評価する際に考慮すべき7つの基準 をご紹介します。
1）各分野における適切な人材 ロボティクスがこれほど技術的に複雑な分野である理由の1つは、機能させるために非常に多くの変数と分野を結集する必要があるためです。ロボティクスは、AIの問題、モデル/ロボット制御ポリシーの問題、ハードウェア設計の問題、製造の問題、サプライチェーンの問題、そしてエンジニアリングの問題です。戦略と採用に関する決定は、これらの分野の多くについて早期に行う必要があり、ピボットすると、多くの時間と労力が無駄になる可能性があります。
たとえば、器用な操作と堅牢な移動（ロコモーション）の両方に取り組むことができる汎用モデルを構築するロボット基盤モデル企業の場合、早期に決定する必要があります。
データ収集戦略 （これについては前の記事 で詳しく説明しました）操作とロコモーションでは、多くの場合、異なる種類のデータが必要になるため主なトレーニング戦略 —適応型強化学習または模倣学習、あるいはその両方に焦点を当てていますか？ハードウェア戦略 —データを収集するために独自のカスタムハードウェアを構築しますか、それともハードウェアプロバイダーと提携しますか？最初に構築するスキルとユースケースは何ですか？ また、それらをどのようにシーケンスしますか？
リストは続きますが、これらのいくつかの質問だけに基づいて、この特定の会社は早期に以下の領域に精通した人材を採用する必要があるかもしれません。
基盤モデルトレーニング（およびおそらくRLのバックグラウンド）を持つAI研究リーダー、
移動（ロコモーション）の経験を持つ経験豊富なロボット工学者/ロボット研究者（そしておそらくシミュレーションデータの使用方法を知っている人も）、
操作の経験を持つ経験豊富なロボット工学者/ロボット研究者（そしておそらく以前にテレオペレーションチームを構築したことがある人）、
ロボット工学ハードウェアの設計ができるハードウェアの専門家、そして
以前にサプライチェーンと製造を管理および拡大したことがあるオペレーションリーダー。
さらに、チームの純粋な血統を見るだけでは十分ではありません。投資家として、これらのリーダー/主要な採用者がもたらす哲学と長期的なビジョンも考慮する必要があります。業界の動きが非常に速いことを考えると（AIが触れるすべての業界と同様）、リーダーは名門の学術機関または有名なロボット会社から来るかもしれませんが、それでも業界の時代遅れの視点を持っている可能性があります。結局のところ、ロボティクスは1960年代から存在していますが、それ以来、分野は数え切れないほど進化してきました。投資家は、企業のリーダーがロボット工学とAIの最新のイノベーションを受け入れているかどうかを評価する必要があります。モデルアーキテクチャを最新で汎用化できるように構築していますか？最新のトレーニング方法論を使用していますか？ 5〜10年先を見据えて考えていますか？
ロボット工学における技術的な曖昧さを考えると、第一原理思考は必須です。
2）デモビデオ デモは通常、ロボットの能力を評価する最良の方法です。ただし、真の能力を見極めるには、特に技術者ではない人にとっては、見ているデモについていくつかの重要な質問をすることが役立ちます。
演出されたものですか？ 演出されたデモ動画は、ロボットの制限を隠す可能性があります。デモが制御された静的な環境ではなく、現実的で動的な環境を反映していることを確認してください。また、動画内のクイックカットやカメラスキップにも注意してください。これは、デモが演出されていることのさらなる証拠となる可能性があります。動画が演出されているかどうかを見極める1つの方法は、アイテムが環境に巧妙に配置されている場合です（たとえば、均等に間隔が空いているか、すべて特定の方向を向いている）。デモのアイテムは、ロボットがそれらを拾い上げたり、それらの周りをナビゲートしたりしやすくするように配置できます（つまり、ロボットは以前にそれらをマッピングしています）。これにより、ロボットの能力について誤った印象を与える可能性があります。アイテムがランダムに配置されているシナリオや、環境内の要素が常に移動しているシナリオを探して、ロボットが現実世界の条件をどのように処理するかを確認してください。これにより、ロボットの能力がどれほど堅牢であるかがわかります。動画は高速化されていますか？ 多くの動画は、ハードウェア、コンピューティング、およびAIモデル/ソフトウェアの制約により、低遅延を実現することが非常に困難であるため、ある程度高速化されます。 部分的に遠隔操作されていますか？ 動画 デモでは、ロボットは遠隔操作することもできます。場合によっては部分的にのみ遠隔操作され、遠隔操作者はカメラから外れているため、疑いを持たない視聴者はロボットが完全に自律的に複雑なことを行っていると考えてしまいます。
可能であれば、ロボットを直接見てください。デモ動画を見るのとは異なり、ロボットの能力がどれほど堅牢であるかを直接目撃することは別のことです。ロボットは妨害されたときに回復できますか？特定の環境でのみ機能しますか、それとも見えない風景やシナリオをナビゲートできますか？デモ動画で見るのではなく、自分の目で見るのが役立ちます。
3）パフォーマンス、品質、および堅牢性 MMLU、HumanEval、またはSWE-Bench（コーディング用）のような標準化されたベンチマークが共通の尺度を提供するLLMとは異なり、ロボット工学には、企業間でモデルを比較するための普遍的に受け入れられているフレームワークはありません。これにより、モデルが実際にどれほど「優れているか」を評価することが難しくなります。投資家または評価者として、企業が成功をどのように定義し、社内および同業他社に対してパフォーマンスをどのように測定するかを理解することが重要です。企業が特定のタスク（たとえば、ピックアンドプレース）をロボットに教えることに焦点を当てている場合は、次のように尋ねるかもしれません。
ロボットは1時間に何個のオブジェクトをピックアンドプレースできますか？これは時間の経過とともにどのように改善されましたか？
人間の介入が必要ですか？
人間の介入が必要になるまで、ロボットはどのくらいの時間自律的に動作できますか（質問の背後にある質問は、ロボットは長期間のタスクを自律的に実行できますか）？
タスクの成功率はどのくらいですか、または逆に、失敗率はどのくらいですか？
さまざまなロボットチームとモデルのベンチマークについて話し合ったとき、彼らのほとんどは上記の質問を3つの柱 に分類しました。
品質 ：ロボットは特定のタスクをどれだけ正確に実行できますか？（たとえば、ロボットがホテルチェーンのリネンを折りたたんでいる場合、ロボットはホテルが定めたガイドラインにどれだけ正確に従っていますか？）。スループット ：同じユースケースで、ロボットは1回のシフトで何枚のリネンを折りたたむことができますか？これは人間の速度と同程度ですか、それともそれよりも速いですか？堅牢性 ：ロボットは人間の介入を必要としますか？分布から外れることなく（したがって人間の介入を必要とせずに）、長期間のタスクを実行できますか？人間のシフトは8時間で休憩が含まれますが、堅牢性のあるロボットは、必要なバッテリー電源/エネルギーアクセスがあれば、2〜3シフト（たとえば、24時間年中無休）連続して作業できることに注意してください。
これらの種類のメトリックは、ロボットの現在の能力を明らかにするだけでなく、時間の経過に伴うモデルとシステムの改善のペースに関する洞察も提供します。これは、ロボットチームの研究速度とフィードバックループの成熟度を示す重要なシグナルです。
4）トレーニングと導入 特定のタスクのためにロボットをトレーニングするために必要な時間と労力は、導入サイクルと市場投入までの時間に大きな影響を与える可能性があります。トレーニングとロボットの導入を評価する際に考慮すべきいくつかの重要なポイントを次に示します。
特定のタスクのためにロボットをトレーニングするにはどのくらいの時間がかかりますか？増分タスク（たとえば、同様のタスクと純粋な新しいタスク）のトレーニングにはどのくらいの時間がかかりますか？ たとえば、ナプキンを折りたたむようにトレーニングされたロボットは、洗濯物を折りたたむことをどれだけ早く学ぶことができますか？食べ物を準備したり、レンガを敷いたりするなど、衣服とは関係のないことはどうですか？次の増分タスクに進むために広範なトレーニングが必要なロボットは、費用対効果が高くなく、スケーラブルでもなく、一般化可能性の欠如を示しています。逆に、増分タスクをすばやく学習できるロボットは、強力なロボット基盤モデルの例です。ロボットはこの環境で以前にトレーニングされたことがありますか？ 環境への繰り返し露出は、ロボットのパフォーマンスを向上させる可能性があります。トレーニングプロセスと、さまざまな環境におけるロボットの履歴を理解することは、その能力を評価するために不可欠です。ロボットが以前に見たことのない新しい環境で既知のタスクを実行している場合、ロボットは適応できますか、それとも追加のトレーニングが必要ですか？ロボットを完全に展開するにはどのくらいの時間がかかり、どのようなプロセスが必要ですか？ 多くのロボットソリューションは、導入の失敗またはスケーラブルでないために失敗します（この問題については、前の記事 で詳しく説明しました）。適切な導入には、社内チームまたはシステムインテグレーターからの多くの調整が必要です。どちらの場合も、導入には、ベンダーと顧客の両方からの時間とリソースの有意義な投資が必要です。
企業の導入プロセスについて尋ねてください。パイロットから生産までどのくらいの時間がかかりますか？どの程度のカスタマイズが必要ですか？どのようなサポートインフラストラクチャが整っていますか？最も重要なことは、企業がスケーラブルな導入モデルを持っていることを確認して、顧客ごとに数台のロボット、または少数の顧客を超えてスケールできない1回限りの統合のサイクルに陥らないようにすることです。
そして、繰り返しますが、導入に時間がかかりすぎる場合は、モデルが適応可能または一般化可能ではない可能性があります 。
私たちが話を聞いた創業者の1人は、トレーニングと導入に関して測定する関連メトリックを、新しいサイトでの最初の有用なタスクまでの時間 と、新しい環境ごとの構成時間 と適切に表現しました。
5）ボンネットの下にあるものを理解する ロボティクスの研究が急速に進化するにつれて、チームがボンネットの下に構築したものを理解し、ソフトウェアとモデルを強化するために最新の進歩を取り入れているかどうかを理解することが重要です。以下を検討してください。
基盤となるモデルアーキテクチャは何ですか？設計上の選択肢の長所と短所は何ですか？ 企業のロボットモデルの背後にあるアーキテクチャを深く掘り下げることは有益であると考えています。特に生産環境では、安全性、信頼性、およびパフォーマンスを保証するために、より古典的な制御システムまたはレガシーアーキテクチャに依存する場合があります。これは、早期の導入とリスク軽減に役立つ可能性がありますが、柔軟性と長期的なスケーラビリティを犠牲にする可能性があります。この場合、チームのモデルをスケーリングするための長期的な計画を理解し、時代遅れのアーキテクチャに依存しすぎていないことを確認してください。
逆に、エンドツーエンドの学習システムまたは基盤モデルは、より優れた一般化と長期的なアップサイドを提供する可能性がありますが、トレーニングが難しく（トレーニングに必要なデータをスケールアップすることも）、検証、解釈、および現実世界での安全な展開が難しくなる可能性があります。アーキテクチャのトレードオフを理解することで、企業の戦略と技術的な賭けを知ることができます。
データ収集戦略は何ですか、モデルはどのように改善されていますか？ 大規模な基盤モデルであろうと、よりタスク固有のアーキテクチャであろうと、独自のモデルを開発している企業にとって、データの性質とソースを理解することが重要です。現実世界のデータとシミュレーションデータの混合は何ですか？デモンストレーションを収集したり、遠隔操作を使用したり、シミュレーション環境を活用したりしていますか？
さらに重要なこと：彼らのデータ戦略は永続的な優位性を作り出していますか？独自の、高品質の、または独自に構造化されたデータセットは、特にエッジケースが豊富で、データの生成に費用がかかるロボット工学において、長期的なモート（Moat）になる可能性があります 。最高の企業は、導入とトレーニングの間に強力なデータフィードバックループを生成します。
今日のモデルの能力を達成するために、どれだけのデータが必要でしたか？ ロボット工学は本質的に資本集約型であり、これらのモデルは非常にデータに飢えています。チームに、現在のパフォーマンスレベルに到達するためにどれだけのデータが必要だったか（たとえば、数百時間またはセッション、またはそれ以上）、そしてさらに重要なことに今後そのデータをどのようにスケーリングする予定かを尋ねてください。これにより、学習パイプラインの効率と今後の資本要件の両方を把握できます。チームのデータ戦略を理解することで、将来の必要な資金を評価し、自己改善システムを構築しているのか、それとも高価な人間がラベル付けしたデータで強引に進んでいるのかを判断できます。
6）市場の検証と顧客の牽引力 ロボティクスへの投資は、投資家にとって興味深い課題を提示します。デューデリジェンスに使用できる顧客の牽引力/検証を必ずしも持っていない企業をどのように適切に評価するか？初期段階のロボット企業は、R＆Dに多額の費用を費やし、VCが通常期待するマイルストーン/タイムラインを押し戻します。シリーズAでは、ロボット企業はパイロット顧客契約しか持っていない可能性があります。評価額が高く、商業的な進歩が最小限である場合、これらのスタートアップへの投資をどのように理解すればよいでしょうか？洞察を提供できるいくつかの質問を次に示します。
企業は顧客のためにどのような問題を解決しており、顧客はこのソリューションを通じてどのような主要なROIを達成していますか？ この質問は、あらゆる投資にとって重要です。しかし、特にロボティクスを見ている場合、ロボットは通常、多額の設備投資または適切な展開のための多大なリソースを必要とするため顧客のROI/ペインポイントを理解することが重要です。多くの場合、ROIはロボットが強化している労働力に相当します。たとえば、ロボットは人間の労働者が行う一部のタスクを自動化し、人間がより高いレバレッジの作業に集中し、ビジネスの効率を高めることができます。
労働力不足と高齢化が進む地域では、ロボット企業が人材の採用と維持が困難な業界で有意義な仕事をしているのを目にしています（退屈で、汚く、危険な仕事」 ）。ロボットソリューションを企業の運営に統合することで、さらなるプロセス最適化を通じて生産性をさらに向上させることさえできます。
まだ実際の顧客がいない企業に投資する場合は、パイプラインの顧客に、この問題が年間で企業にどれだけの費用がかかるかを尋ねてください。顧客は、このペインポイントに対処することでどれだけ節約できますか？このロボットソリューションにどれだけの金額を支払う意思がありますか？これは、ロボット企業が顧客にもたらしている実際の価値を三角測量するのに役立ちます。
市場規模はどれくらいですか？ 繰り返しますが、ロボット工学のTAMは巨大であり、ロボット企業はスケールする可能性が高いため、非常に高い評価を得ることができます。より垂直固有/ユースケース固有のアプローチの場合、市場は限られている可能性があるため、環境内で複数のタスクを実行でき、ますます一般化可能なロボットに焦点を当てている企業は、企業のTAMを指数関数的に拡大します。
可能であれば、ロボットプロバイダーの顧客やパートナーに話を聞いてください 。 パイロットフェーズはどのようなものか、成功とは何か、これらのロボットの長期的なビジョンは何か、彼らの環境でいくつ使用することを期待しているかなどを尋ねてください。これらの質問に対する明確な答えを得ることは、ロボット会社が顧客から直面する調達/評価プロセスをより深く理解するのに役立ちます。
7）ロボット会社のハードウェアアプローチに関するニュアンス ロボット会社が、社内でカスタムハードウェアを構築するにせよ、サードパーティのハードウェアプロバイダーと連携するにせよ、ハードウェアと密接に連携することが重要だと考えています。優れたロボットシステムを構築するには、ロボットモデル/制御ポリシーとハードウェア間のフィードバックループが緊密である必要があります。モデルは、感覚入力をジョイント空間コマンドに変換するロボットハードウェアの形態を学習する必要があります。
ロボット基盤モデルを構築する企業は主にモデルトレーニングに焦点を当てているため、ハードウェアとどれだけ密接に連携しているかを評価することは賢明です。モデルを展開する予定のハードウェアで直接データを収集していますか？チームにハードウェアを理解している人はいますか？
モデル/制御ポリシーとハードウェアの両方を備えたフルスタックのロボット会社を構築している企業の場合、なぜ独自のハードウェアを構築することにしたのでしょうか？既製の部品を使用していますか？彼らのアプローチは、よりマージンが増加するものでしょうか、それとも、彼らのハードウェアが市場の既存のオプションよりも優れている特別なユースケースで展開するためのものでしょうか？ハードウェアの設計は、彼らが構築しているユースケース/環境に最適ですか？ 例：
Cobot Figure
前の記事 で述べたように、非常に手頃な価格で優れたハードウェアを構築している既存の企業があるため、独自のハードウェアを構築することを決定したスタートアップは、この戦略を追求する正当な理由が必要です。
_
このリストがお役に立った場合は、ロボット会社評価チェックリストをダウンロードしてください。これは、ロボット投資の技術的な深さ、スケーラビリティ、および長期的な実行可能性を評価するのに役立つ1ページのガイドです。
25_EA_SFV_Checklist_Investing_Finalダウンロード
ロボット工学で最も期待している分野 これらの企業を評価する方法のフレームワークを開発したので、ズームアウトして、ロボット工学のどの分野が私たちにとって最もエキサイティングであり、どこに大きな影響とリターンの可能性が最も大きいか自問することができます。
ロボティクスは、投資対象として最大の新興市場の1つであると考えています。 ロボット基盤モデル（RFM）、フルスタックロボット、およびロボットをサポートするツール、および特定のユースケースに対処することを目的としたアプリケーションレイヤーを構築する企業に投資することを楽しみにしています。
RFMの分野では、Physical Intelligence Skild Generalist AI も操作のフロンティアを押し広げており、最近、散らかったものから小さくて薄いオブジェクト（例：ファスナー）をすばやく選択して並べ替え、関節のあるオブジェクトまたは変形可能なオブジェクトを長期間にわたって正確に処理する（例：紙箱を折りたたむ）能力を披露しました。 これらの能力は、自由度の異なるさまざまなロボットアーム間で転送され、新しい環境によく一般化されるモデルから生まれます。
VIDEO
これらの企業はそれぞれ、モデルアーキテクチャとデータ戦略に対して異なるアプローチを取る可能性がありますが（前の記事 で詳しく説明したように）、ロボティクスの未来は、現実世界の環境で複雑なタスクを実行するために連携するモデルの組み合わせになる可能性が高いと考えています。
より垂直統合されたフルスタックアプローチを採用している企業、つまり、カスタムハードウェアと並行して独自のAIモデルとソフトウェアを構築している企業も、重要な役割を果たしています。Cobot やDyna
これらの企業はすべて、特定の（および異なる）理由で独自のハードウェアを構築していますが、すべて、人間が関与する動的な半構造化環境で複数のユースケースをサポートできるロボットに向けた重要なステップを表しています。これは、古典的な自律技術に依存する狭いユースケース固有のロボティクスを超えています。
ロボティクスの分野が非常に複雑であることを考えると、オープンソースにイノベーションを提供しているスタートアップも取り上げたいと思います。当社のポートフォリオ企業であるHugging Face Pollen Robotics Reachy 2 をオープンソース化しました。 コードとハードウェア設計の両方が無料で利用できるようになりました。Pollen Roboticsは、それ以来、2つの新しいオープンソースヒューマノイドロボット、Reachy Mini （デスクトップバージョン）とHopeJR （フルサイズ）を発表しました。 設計、ソフトウェア、および組み立て手順は開発者に公開されています。Pollenはまた、2024年にLeRobot ライブラリをリリースし、ロボット工学モデル、データセット、およびツールをHubでホストしています。 K-Scale Labs も言及する価値のあるプロジェクトです。 彼らは、中国のUnitreeと同様に、ロボット工学を手頃な価格でアクセスしやすくし、普及を加速することを目指して、オープンソースのヒューマノイドロボットであるK-Bot を開発しています。 彼らのロードマップには、MLおよびビジョン-言語-アクションフレームワークからRustベースのロボットOSおよび全身制御までのオープンソーススタック、および野心的な自律ターゲットが含まれています。全体として、AIとソフトウェアを物理世界に展開するために、非常に多くの異なる洗練された分野がうまく連携する必要があるため、オープンソースがロボット工学の成長の重要なレバーになるとしても驚くことではありません。ロボティクスは、共に革新するという好循環から恩恵を受けます。
ロボティクスの必然性
このカテゴリーに投資する必要があると感じていることを言及することが重要です。デジタルAIが急速に進歩するにつれて、技術的な観点から取り残されるのは物理世界になります 。 AIモデルは、ソフトウェアエンジニアリング、カスタマーサポート、データ分析、およびその他無数の仕事でホワイトカラー労働者の能力を拡張しますが、肉体労働については比較的未開拓の分野のままです。より多くのイノベーションを可能にし、より大きな人間の可能性を解き放つために、このカテゴリーに投資する必要があります。
AIモデルがより高度になるにつれて、ソフトウェアの世界では技術的なモート（Moat）が差別化の度合いをますます失っていると考えていますが、物理世界ではモートのままです。Claude Opus 4.1の現在のコーディングタスクの能力を考えると、モデルは2〜3年でどれだけ高度になることが期待できますか？広く利用可能なコーディングエージェントが競合他社が比較的迅速に機能パリティに到達するのを支援できる場合、真の製品差別化は存在するでしょうか？ある意味で、それは気が遠くなるようなシナリオです。それを探求するには別のブログが必要です。 しかし、そのパラダイムの二次的な効果は、物理世界でAIを実装することが、デジタル世界でAIを実装することよりも難しい問題になるということです。
物理AI 市場には複数の参入ポイントがあります。企業は、基盤モデルのみのアプローチを採用することも、AIモデルと並行して独自のハードウェアを構築することもできます。ツールレイヤー（データプロバイダー、シミュレーションプラットフォームなど）は、何が機能しているかどうかの先駆けであるため、同様に興味深いものです。各カテゴリーには複数の勝者が存在し、ロボットスタックの各レイヤーで莫大な価値が創造されると考えています。
ロボティクスにおける統一された基盤モデルの真価は、可能な限り広い市場 に対応できることです。あらゆるフォームファクターとあらゆるユースケースに対応することです。このようなモデルは、今日展開されている数千台のロボットと、ヒューマノイドを含む、より複雑な多目的システムの両方をサポートできます。ロボットが主流になる世界では、汎用的なロボットポリシーが大規模な能力拡張を実現するために不可欠になります。
ロボットの未来を構築する ロボティクスはもはやサイエンスフィクションではありません。それは、真の商業的価値、防御可能性、および社会的影響のフロンティアです。
製造および物流における摩擦の多いタスクを増強する企業から、基盤モデルによって強化された野心的な汎用アプローチ、人間が設計した環境に適応する新興のヒューマノイドプラットフォームまで、私たちは単に考えるだけでなく、動くという新しい段階のインテリジェンスを目撃しています。
この市場の真価は、労働力を拡張することだけでなく、現実世界の展開を通じて継続的に学習および改善するシステムを作成することにもあります。これらは長期的な技術ビジネスですが、複合的なデータアドバンテージと物理環境との統合の深さは、多くのソフトウェアのみのビジネスがますます維持に苦労する真のモート（Moat）を提供します。
投資家として、私たちはこの未来を加速するための責務と市場機会の両方を持っています。AIはすでにデジタル経済に大きな変革をもたらしています。今こそ、その同じ勢いを現実世界にもたらす時です。
_
上記の私たちの見解に関するすべてのフィードバックを歓迎します。また、今日ロボティクスを構築している場合は、あなたのビジネスについてもっと詳しく知りたいと思います。Emily Zhao（emily@salesforceventures.com）およびPascha Hao（pascha@salesforceventures.com）にメールしてください。
この記事は、 ロボティクスに関するシリーズの一部です。追加のリソースはこちらにあります。
