# Physics X: AI Accelerates Industrial Engineering

**Podcast:** Handelsblatt Disrupt - Der Podcast über Disruption und die Zukunft der Wirtschaft
**Published:** 2026-10-16

## Transcript

Triebwerke, Flugzeugflüge, Gasturbinen.
Um solche Bauteile zu designen, müssen Ingenieure heute komplizierte Gleichungen lösen.
Damit berechnen sie, wie später im Betrieb Hitze, Strömung und Belastung wirken.
Und warum das wichtig ist?
Das Startup Physics X aus London sagt diese ganze Physik jetzt stattdessen mit KI voraus.
Das geht laut Gründer und CEO Giacomo Corbo je nach Anwendung bis zu eine Million Mal schneller.
Investoren bewerten sein Unternehmen mit 2,4 Milliarden Dollar.
Giacomo Corbo ist ohnehin ein spannender Gesprächspartner.
Er war Chefstratege im Team von Renault, als Fernando Alonso Formel-1-Weltmeister wurde.
Und er hat Quantum Black gegründet, die heutige KI-Sparte von McKinsey.
Für diese Folge von Handelsblatt Disrupt habe ich ihn auf der KI-Konferenz HumanX in Amsterdam getroffen.
Im Podcast sprechen wir darüber, wie sich sensibelste Unternehmensdaten mit KI verarbeiten lassen.
Über die Vorteile von großen Industriekonglomeraten wie Siemens Energy im KI-Zeitalter.
Und über die Frage, was man von SpaceX lernen kann.
Und damit herzlich willkommen zu Handelsblatt Disrupt.
Ich bin Larissa Holski und ich freue mich, dass Sie zuhören.
Und wenn Sie auch künftig jederzeit wissen wollen, was und wer die Wirtschaft bewegt, dann empfehle ich Ihnen als Ergänzung zu diesem Podcast auch das Handelsblatt-Abo.
Ob Märkte, Unternehmen oder technologische Entwicklung, wir liefern Ihnen fundierte Einordnungen, zeigen spannende Köpfe auf und erklären die Zusammenhänge.
Mit einem Probe-Abo bekommen Sie vollen Zugriff auf alle digitalen Inhalte im Test vier Wochen lang für nur einen Euro.
Mehr Infos unter handelsblatt.com slash mehrwirtschaft.
Und damit geht es jetzt direkt nach Amsterdam und zu meinem Gespräch mit Giacomo Corbo, CEO von PhysXX.
Hi Giacomo, welcome to the show.
It's great to be here with you, Larissa.
Great to have you.
To kick things off, I'd love to give our listeners a sense of what this conversation will be about and why it matters.
So let's set the stage together.
For those who've never heard about Physics X, what's your company all about?
Give us the short version in words that non-engineers can understand.
All right, the short version.
So Physics X is building a new engineering simulation software stack.
The idea is to build modern software and software that's AI native to really transform how engineering, manufacturing and production is done in advanced and heavy industries.
So in the industrials space writ large.
And a lot of it is born out from just a recognition that in the last few years have been some pretty amazing developments in AI.
Und wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir haben, wir Das ist ein Software, das die sich ausfüllen, die die Physik ausfüllen.
Und wenn wir über Physik ausfüllen, dann geht es um ein Thermal Simulation.
Also, ich kann es sich um die Energie auf ein Teil der Maschine auf ein Teil der Maschine zu machen.
Oder ich kann es sich um die Kombination in einem Jet-Engine zu modelen.
oder beinigte zu modelen, über eine Erplanung von einem Flugzeug, oder beinigte zu modelen, die Gas-Flohe in einer depositionen Schamber in einer Semiconductor Manufaktur.
All diese verschiedenen Applikations werden durch verschiedene Physiken.
Diese sind in der Equationen, und die Software lösen diese Equationen.
Das ist auch sehr schwierig, und auch sehr schwierig, und auch viel viel expertise zu setzen.
Und so, was wir beantworte sind, dass die Entwicklungen in AI, für den ersten Mal, nicht zu ...
Was bedeutet das, wie das Simulation ist, und zu verändern, dass es zu verändern?
Wir wollen nicht mehr lösen die Äquationen, sondern wir werden die Physik betrachten.
Das ist, wir glauben, eine Route zu verändern, die nicht möglich war.
Wir wollen wirklich verändern, wie unsere Kunden in ein paar andere Industrie machen, die die fantastischen Dinge machen.
Was bedeutet das, dass Sie die Veränderung von Simulation zu verändern?
Es ist was ich vorhin schon erwähnt, das heute ist, wenn wir über Numerical Simulation sprechen, wir sprechen über die Equationen der Physik auf Parts, auf Meshes, viele, viele, viele, um zu verstehen, ob es elektromagnetische Wände, ob es eine Thermal Simulation, ob es Airflow, Gas Flow oder Fluid Flow.
Wie ein Teil wird unter Stress verändern.
All diese Dinge sind durch die Solvings-Equationen.
Das ist eine Sache, die es schwer zu setze, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist Das sind die verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen verschiedenen Und so, you know, you're now in a place where I can train like the same model on very different physics and get very good results.
And ultimately, and the other thing that we've learned is that these models exhibit scaling laws.
And this is the same thing that has powered, you know, the everything, you know, magical that we're seeing around large language models.
In our world, we're also finding that these models can cover whole engineering domains.
And to me, your company Physics X is an early example of something bigger.
How AI and software are going to change and define hardware in the future.
Is that a fair way to put it or how would you describe it yourself on a very high level?
I mean, at the highest level...
Wir denken, es ist es, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es ist, es Design Engineering within the Product Development Lifecycle.
We think this is relevant to a number of different industries across all the things that they do from designing and engineering into manufacturing, into assembling, into inspecting, into maintaining and controlling different machines.
And this applies as well to discrete manufacturing.
Discrete manufacturing meaning industries like automotive, so where you've got complex machines that are parts of parts, right?
All the way to process manufacturing, which is, let's say, I'm making a commodity like steel or aluminium or copper or lithium or even semiconductor equipment in a fab.
A lot of this is how I control these processes.
ist also sehr relevant zu den Dingen wir tun.
Und wir versuchen, dass AI ist besser in den Ort zu tun, um diese Dinge zu tun.
Aber für die Leute in diesen Industrie, es geht wirklich um, wie die Arbeit wird gemacht.
Und es ist eine der Grund, dass wir oft oft talk about Ich glaube, dass die große Herausforderung für viele Kunden nicht so einfach zu erlauben, dass die Einwohnerinnen und Technik profil sind, wie ich ein System Engineer oder ein Manufakturierer habe, sondern es ist nicht nur zu erlauben, dass die Einwohnerinnen und Einwohnerinnen zu erhalten, um die Prozess in der Arbeit zu arbeiten, zu erlauben.
Das ist wirklich ein Problem, dass wir uns wirklich auf die Faktoren befreundet werden, um die Zusammenarbeit zu ändern.
Aber wie viel Engineering-Knowledge muss ich noch haben, um Ihre Software zu nutzen?
Ich muss mich als Enginheer sein?
Heute ist es absolut der Fall, dass wir mit Enginheer engagieren.
Und das ist weil wir speziell in die Dinge auf der sehr hohen Das ist eine große Meinung, dass die Veränderungen in der Schrift zu Inferenz sind, die wir jetzt bei der Schrift zu Inferenz sind, Depending on the physics and the resolution, anywhere between 10,000 to close to a million times faster.
So it's not a nominal 20, 30%.
This is several orders of magnitude.
And that allows us to search much larger spaces, but also to be able to bring that simulation to the whole product development lifecycle, you know, into places where numerical simulation can't go.
And I guess fundamentally...
Und vielleicht ist das ein bisschen zurück zu Ihrer Frage.
Das ist die Angelegenheit, und viele sind die Expert-Engineers, zumindest für die Organisationen, die wir in den Angelegenheiten und die Angelegenheiten sind, die wir jetzt noch in die Angelegenheiten sind.
Aber diese sind die Angelegenheiten, die sehr gut in der Kraft sind, die sehr expert sind, aber sind sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr oder otherwise bottleneckte by the tools that they use.
It's about giving them superpowers to allow them to do things that just isn't possible with today's software.
Got it.
When I invited you to the podcast, I realized you and I have now crossed paths at AI conferences in at least five different countries during the last 11 months.
Turku, Finland, Paris, Heilbronn.
Montréal und jetzt Humanex in Amsterdam.
Und ich bin sicher, wir crossen die Path in London.
Das kann man eine von zwei Dinge tun.
Either ein sought-afteres Speaker in this circuit, oder ein desperateer Founder mit nichts mehr zu tun.
Joke aside, Ihr recenten Funding Round, das Valued Your Company, at 2.4 Billionen, clearly points to the first one.
So, give us a quick overview.
Who are some of your biggest customers in different countries?
Wir haben nicht die Möglichkeit, zu reden, über viele Kunden zu sprechen.
Ich werde einige Kunden sprechen, aber ich werde auch über die Sektoren.
Aerospace und Defense ist einer unserer größten Sektoren.
Es ist auch der eine, die wir in für einen sehr langen Zeit haben, am Anfang der PhysikSucks.
Wenn, die genesis ist, was wirklich es als ein Vehikel für Experimentation zu sehen, ob die Dinge, die wir als ein Thesis waren, dass wir die Simulation zu Inferenz können, und dass diese Dinge, die sehr unterschiedlichste Art und die Dinge, die in der Art von Engineering zu verändern, können wir über die letzten Jahre über die Ausbildung lernen, wie wir lernen, wie wir es in der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Das hat uns auch mehr und mehr Physik und auch noch mehr Chemikalien.
Das hat uns auch mehr verletzten, die verschiedenen verschiedenen Industrie-Aerospace-Aerospace haben.
Wir haben jetzt wieder in den Semiconductors angefangen, und das ist wirklich auf dem Equipment Manufacturing side, aber in der Höhe von den FABs, die die Equipmenten sind, um die Schipz zu machen, die wir alle auf und brauchen.
Wir arbeiten viel in der Prozess Manufakturindustrie.
Wir haben eine Art und Weise, wie Aluminium und Steele, aber auch Kohle und Lithium.
Wir sind in dieser Raum, wir sind...
Wir arbeiten mit Rio Tinto, wir arbeiten mit ein paar anderen in Aerospace, wir arbeiten mit den großen Primes in der Space.
Ja, das kommt zu mind.
Wir arbeiten mit Leonardo Aerospace, und das ist mit dem G-Cap-Programm.
Wir arbeiten auf Datenzentren.
Und so, you know, earlier this year, we announced our collaboration both with NVIDIA and Siemens on that.
And a lot of that is predicated on the next generation AI Gigafactory Blueprint called DSX that NVIDIA is working on.
But it ultimately involves, you know, being able to improve, you know, Das ist ein paar Worte, was in der Datencenter geht, und wie wir denken, dass wir die Busbars zu ein paar andere Maschinen in der Datencenter gehen.
Und das letzte Worte, was ich möchte, ist Automotive.
Das gibt unsere listeners eine gute Meinung von was dieser Episode ist all about.
Before wir uns deeper into heavy industry und die Zukunft der Engineeringen kommen, wir uns kennen uns ein bisschen.
Ich würde immer gerne verstehen die Erfahrungen und die Perspektive der meinen guests verstehen.
Ihr eigenes Geschichte ist wert, auch.
Und es ist ein sehr internationaler.
Du bist der Präsidenten von der britischen Firma, aber wenn ich mich richtig aus der ersten Konferenz erinnere mich, hast du einen frisch-Canadian-Italian background.
Ist das richtig?
Ich bin ein frisch-Canadian-Italian, frisch-Canadian auf meiner Mutter und italien auf meiner Vater.
Ich habe in Montreal gewohnt, habe ich meine Unterricht in der Technologie in der Technologie.
After my undergrad, I spent a little bit of time in Germany, in Gatlingen, at the R&D facilities for Bosch, working on a stir-by-wire system.
That's basically the shift from mechanical connection to electrical sensing, correct?
Yeah, exactly right.
So I'm very much someone who's always been sort of fascinated by...
Ich war sehr viel in Mechanical Engineering, obwohl ich die Elektrik Engineering in der Kontrolltheory-Route bin.
Ich war auch sehr viel ein Formul 1 Fan.
Und so, nachdem ich mein Ph.D.
in Computer Science war, war an Harvard für das Studium mit David Parks.
Afterwards, I was at Penn for my post-op.
But something that happened during my PhD is I had an opportunity to be able to go into F1.
You worked as a chief race strategist.
Yes, exactly.
So I was a chief race strategist working at the Renault F1 team very closely with an amazing gentleman called Pat Simmons.
Und als ich verstehe, haben Sie die Algorithmus-Games-Theorie mit Alonso gewonnen.
Das ist genau das.
So waren Sie die Grunde der zwei WM-W-Champions-Sitzung?
Ich denke, dass ich eine sehr kleine Part spielen.
Aber die Wahrheit ist, Alonso ist in der Gart und ihr habt eine unglaubliche Team.
Und so, dass ich eine Dominante force in Formula 1 bin, braucht alles zu arbeiten.
Und es ist, als alle Team ist bestimmte Betten in order zu beherrschten, eine Art von transformierenden Performance zu bekommen, es ist auch ein Ort, eine ganze Welt, das lives und dies, die die compounden von marginalen Gänsen.
Und bei der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von der Art von 20 Jahre alt, in diesem Moment, du hast, für einen McLaren, der würde, dass sie über die Montecarlo-Karte über die sehr große Simulationen und in der CFD-Cluster zu machen, die an diese Stimme an einen gewissen, und das ist eine Art, die Probleme zu lösen, um zu überlegen, large numbers von Scenarios zu verstehen und zu verstehen, auf balance.
was die richtige Sache zu tun.
Was sind die Tire Chorges?
Und das war das, was ich in der Zeit, wo F1 hatte, wie es das Recht ist.
Also, es hat die Hölle Stakes auf die Decision.
Die Sache, dass wir, was wir eigentlich, wenn wir, wenn wir, die Daten haben, ein paar Strukturen der Räste und der Pit Stop-Streibung, Das ist ein Künstler-Kommens-Games.
Das ist ein Künstler-Kommens-Games.
Das ist ein Künstler-Kommens-Games.
Das ist ein Künstler-Kommens-Games.
Wenn ich auf die Ranking-Games place, dann sind Sie sicherlich, wenn Sie ein Künstler-Kommens-Games sind.
Aber wenn ich auf die Ranking-Games bin, dann sind Sie eher auf.
Wenn ich auf die Ranking-Games bin, dann sind Sie ein Künstler-Kommens-Games.
Und diese Unilaterally Compativen haben eine wirklich gute Struktur zu ihnen, die ist das Nash-Equilibrium Strategies.
Und ein Nash-Equilibrium, ein famous Konzept in Game Theory, popularisiert by ein Film wie The Beautiful Mind, über John Nash, ist die Idee, dass ich meine Besten-Response spielen.
to, you know, an optimal strategy, an optimal best response to what you're currently doing.
And when everyone in the game is doing that, then you're in a Nash equilibrium.
And so, you know, what we are able to realize is that, you know, Nash equilibrium strategies are also what are called maximum strategies, which is I'm playing a best response to, you know, to you.
Und alle anderen anderen, die ich versuche, um mich zu machen, was nicht passiert.
Das ist nicht alles passiert.
Jeder ist versucht, zu gewinnen.
Aber das Moment, dass du das Argument hast, dann diese wirklich, wirklich schwierige Problem zu lösen, das andere Probleme, die sich nicht mehr so ausmütend macht, eigentlich reduziert es zu etwas, was Computer Scientists lieben, das Problem ist, dass die Problemen ist, die Zeit von Zeitverlangen ist.
Das bedeutet, dass es tractable ist.
Das bedeutet, dass ich jetzt die equilibrieren können, um die Laptop zu lösen.
Und das Moment, wenn du das tun, dann kannst du das sehr schnell machen.
Ich habe nur die gleichen Computer resourcesen.
Und du kannst du ein besserer Job, um zu arbeiten, was du sollst.
Das war ein bisschen, das Structural Insight, das wirklich was was ich.
und eine Art von der Software zu bauen.
Ich habe eine gewisse Zeit gemacht.
Aber es war also formative für mich.
Es war die genesis für die Sache, die ich habe afterwards gemacht.
Und dann, du hast eine Firma mit unseren Listenern geöffnet, die mit den Kommentaren, die von der McKinsey-Berlinie, die dann im Daten-Analytik und AI-Arm.
Mit Quantum Black, du hast die Methoden von deinem Formula 1 Job gemacht, zu Unternehmen across den Industrie.
Was können Sie lernen von Motorsport?
Ich will zwei Dinge.
One, was man kann, was man kann, wie man Motorsport auf den einen handen kann und F1, aber auch was man kann, was man alle von Sport lernen.
Und die erste Sache war, Quantum Black war wirklich aus der Erkennung, F1 Teams sind mit großartig talenten.
Sie haben eine unglaubliche Aerodynamikistische, die Leute, die in den Materials und Composites sind.
Sie haben andere Leute, die sind die Fahrer-Dynamik und Kontrollsysteme.
Aber einiges von was ich sah, nicht aus dem Welt, und als Computer Scientist, in diesem Weltkrieg, war, dass sie Sie wissen nicht viel über Machine Learning und nicht mehr über die Probleme, die sehr verwendet sind, zu beobachten, durch eine Machine Learning Lens.
Und so ein paar Jahre war es, du hast, so Structural und Equation-Based Models oder Small-Scale Statistik.
Das ist ein sehr guter Wettbewerb.
Aber ich habe das ganze Zeit, aber ich habe das ganze Zeit, und wirklich, die Daten erzielt in eine Formel 1-Team, die in einem senschensten kommt, die Frage, ich denke, das ist sehr gut für die meisten Unternehmen.
Die Daten erzielt, wie wir unsere Prozess sind, wie wir unsere Software, wie wir, was wir sehen, ist, dass man sehr viel darüber nachdenkt.
und die Analyse der Daten und zu erhalten, die F1-Teams waren.
Die Sache ist großartig, dass sie auch, die Computation ist, sehr akutely, weil es was ich vorhin habe.
Es ist ein Zero-Sum-Gain.
Ich bin nicht mehr als die anderen.
Ich werde einfach nur auf den Ranking fallen.
Even wenn, in absoluten terms, mein Auto ist schneller, Jahr auf Jahr.
Diese sind Organisations der sehr mission-focuseden Menschen.
Everyone weiß, was winning looks like.
Everyone weiß, was der Rolle ist, was in der Organisation.
Everyone weiß, was der North Star ist.
Es ist gewinnen die Welt.
Es ist nichts anderes.
Es ist keine Zweckung.
Es ist schwer zu fühlen, die sich die Druck auf die Worte der Worte in einer anderen Unternehmen fühlen.
Wenn ich in einem Bank, wenn ich in einer Pharma-Kampeine, wenn ich in einem Insurance-Broker habe, viele Menschen verstehen die Organisation's mission ein bisschen anders.
Ich denke, F1 Teams oder Sport Teams, generell sind Das ist sehr speziell, weil das Fokus und Mission Fokus der Organisation auf dem Rollen haben.
Und was das führt, dass es sehr viel ein Appetite ist.
Ja, die Organisationen müssen sich auf die Fokus aufhalten.
Alles muss sich auf die Paybacken haben.
Alles muss sich auf die Performance bewegen.
Aber die Faktie, dass andere vielleicht mehr schnell sind, als du auch...
ist ein Hedge-Agent-Risk-Aversion, das man findet in viele andere Organisationen.
Like, oh, ich werde ein Fast Follower.
Die Realität ist, dass du musst, und da ist ein General Rekondition.
Mein Mann, Pat Simmons, hat gesagt, dass nichts ventured, nichts gained.
Du musst, um zu beheren, um zu beheren, um zu helfen.
Und ich denke, dass...
Wenn wir in den ersten Zeiten begannen, als Quantum Black mit ein paar F1-Teams waren, vieles waren sehr experimentierende.
Sie sind sehr froh, um diese Erfahrungen zu machen und zu nutzen, wenn sie sich da ein paar Daten anbieten, wenn sie sich da ein Payback zu denken.
Alles, was zu scale, muss man durch die Payback zu gehen.
Sie sind sehr froh, aber auch, dass sie sich auch konstitutionell haben.
Wir wollen die ersten, die die Einwände aus einer bestimmten Technologie aussehen.
Das ist eine Sache, die genesis ist, von Quantum Black.
Es ist auch eine wichtige Rolle, wie wir uns über die Kultur haben, in die viel größere Unternehmen mit der Quantum Black arbeiten.
Aber heute mit PhysXX, wir arbeiten mit Formul 1 und wir arbeiten mit einem F1-Team.
Wir versuchen, eine F1-Team zu finden.
Es gibt auch viele Möglichkeiten, um zu arbeiten in Sport, weil wir arbeiten mit den Amerikas Cup mit Team GB und Ben Ainslie's Team und wir sind sehr stolz, dass das Partnerschaft ist.
Das ist eine Organisation, eine Team, die ist an der Pinnacle des Engineering.
Und zu bewegen, wie diese Organisationen sind.
So, before we get back to Physics X now, first I need to introduce you to the rules of the show.
We don't have stop-and-go penalties like in racing here, but something better.
We always talk about things that are still new and exciting for experts, but we only use words everyone can understand.
And if I hear a term that I think needs a sentence of explaining, you'll hear this little squeaker.
Okay.
Is there still any term you'd rather explain up front?
Vielleicht ist es eine Art von Machine Learning und AI.
Ich denke, für viele Jahre, die Leute würden diese Dinge zusammenfassen.
Heute, ich denke, wir sind in der Zeit, wo es sehr gut ist, dass es eine Art von der beiden.
Wenn ich an AI denke, ich möchte, ich möchte nicht, dass ich eine Art Art und Weise bewerben, aber bei und Weise, wir sind zu großen Sprachen oder multimodal Models, die die Proberten, die wir, die wir, die wir, die Möglichkeit haben, die Abilität zu tun.
Generative Art, on the one hand, but mostly to engage in language and for you to be able to converse with and to be able to navigate tasks and to solve any number of problems.
So these don't have to be frontier model capabilities.
They could be smaller models, but that is sort of part of the general taxonomy of AI.
And when we talk about machine learning, Wir können auch, wenn wir sprechen, dass es viele verschiedene Machine-Learning-Algorithmen gibt.
Wir können über die Trees von einem Kind sprechen, wir können über Deep Learning Models sprechen, und da sind viele andere Statistische Techniken, die in diesem Buch fallen.
Aber diese Dinge sind viel mehr...
Even when they're generalized, they're more task specific.
And so there's machine learning approaches.
I'm building a model that is going to be very good at time series forecasting or at analyzing tabular data and predicting some column within my data or some quantity that I care about.
But these things are much narrower and they're typically, you know, even if I can increasingly automate the process.
Das sind die Dinge, die Daten scientists und die Engenhezerinnen haben, in der Unternehmen, in der Unternehmen, für viele Jahre und immer weiter zu machen.
Und da sind die Dinge, die sich zusammenarbeiten.
Ich habe AI Models, die sehr gut an manipulieren und kreieren, Machine Learning Models.
Aber ich denke, es ist manchmal gut zu denken, dass diese Dinge als...
Und seit ChatGPT kamen, Menschen denken von AI als large-language models, wie Sie gesagt haben, wie Sie sprechen.
Wie ist das das mit Ihrer approach?
Oder ist es überhaupt ein sehr guter Frage?
Es ist worth belaboring die Frage, dass wenn wir large-language models, so zu antworten, large-language models sind auf Deutsch.
Huge amounts of data.
Huge amounts of data.
And one of the things that we are doing, when we talk about physics AI, which is the category that we are in, which is really this idea of models that are very good at predicting different physics and chemistry, these are not trained on language.
They are trained on the physics itself.
So, it is geometry and it is so shapes and then within that it is flows and fields.
So, for the different physics quantities that I care about.
And where do you get your data from?
Is it only customer data or are there any data libraries you can use?
That is also a really good question.
So, when we think about large language models.
The thing that has allowed ChatGPT to come into being is something called Common Crawl.
And it's basically a large fraction of the internet that has been organized and made really amenable to bringing in as training data.
And until about mid-24, Common Crawl, So the Internet represented about 60% of all the data going into the frontier large language models at that point in time.
So, you know, in a way, the availability of lots of language data is the thing that has enabled frontier models to.
Das hat sich in der Zeit gegründet, und das hat sich in der Zeit gegründet, und wir haben mehr Daten gegründet, und wir haben mehr Daten gegründet, und diese Organisationen sind auch bezüglich der Daten in sehr bestimmte Bereichen, die das revolutionieren.
Aber in unserem Welt, es gibt keine Quarpe für Physik, für die specific physics und die precisionen die Rechte zu beherenten, zu den engineeringen und manufacturingen domains.
Und so, wir müssen das Daten generieren.
So, synthetically?
Ja, so, wir müssen synthetically trainieren, auf die Numerical Simulation Daten.
Und wie ich gesagt habe, die Sache über Synthetik Daten ist, Ich bin in der Position, um die Daten zu generieren.
Und ja, es ist relativ viel zu schaffen, weil diese Dinge, die viel Zeit zu verwenden, die Zeit zu verwenden, aber die Moment, dass ich das Training corpus habe, dann bin ich in der Position, um diese sehr schnellen Modelle zu trainieren.
Und das ist das, was wir sehen, die Skalings-Lawen hier, hier sehen, dass diese Modelle, Sie haben eine Attention Mechanism.
Und ich glaube, wir sind in die Jargon hier.
Aber es ist wie ein Transformer.
Und Transformers sind die Models der Revolution, die wir sehen, um die Lange-Language Models zu haben.
So von einem Architektur perspective, diese Dinge sind, die Daten zu werden, was wir bauen.
Und wie groß ist das Daten-Sharing?
So, do you need your Castos to share data or do you have any opportunity to use data you generate from working with, let's say, Leonardo?
And are you able to deploy that, apply that to your work you do with Siemens, for example?
I mean, it's a great question.
And I guess the answer is unequivocally no.
Because of the sensitivity of the data that...
Das ist sehr korreliert, sehr accurate für die specific Dinge, die sie machen, ist unglaublich proprietär.
Das ist die meisten Daten, das sie haben.
Das ist Teil ihrer Kompetitive-Advantage.
Und so, es ist unglaublich wichtig, dass sie die Software, die sie benutzen, um ihre Engineering und Manufakturung zu machen, dass sie all diese Daten haben, dass sie komplett kontrollieren.
Und so, das ist, wie es die Stimme der Stakes für ...
All of the software vendors that are serving these sectors and it certainly holds true for us.
So when we talk about, one, we're enabling our customers with the software tooling for them to be able to build these models on their data.
But we're also in a position to be able to do pre-training outside of a customer deployment.
And so this is us building pre-trained models.
Wir machen die Numerical Simulation, die wir selbst in der Lage sind, um unsere Kunden einen warm start zu geben.
Models die bereits sehr effektiv sind, die dann dann beurteilen zu den entsprechenden Engineering und Manufakturen, die sie machen.
Du erwähntest, dass dein Revenue zu 50 Millionen Euro ist.
Wie funktioniert dein Geschäftsmodell?
So the way that our business model works is we build a platform and we license that platform to our customers.
So this is us giving access to the tools that we make to some part of the organization.
And then after that, growing that out to cover more and more of the organization over time, you know, ultimately getting to.
Wir sind auch für die Kunden mit den Kunden zu bewegen.
Es ist auch wert, dass eine große Rolle, die wir mit Kunden engagieren, ist, was ein bisschen von einem anderen Listener gehört, wie es jetzt von Forward Deployed Engineers ist.
Und so, das Idee, dass wir mit unseren Kunden arbeiten, mit unseren Kunden arbeiten, mit den Kunden hand in glove mit den Kunden.
Wie viel Zeit haben sie mit ihren Kunden?
Das ist ein sehr guter, was es sichern, was es sichern, was es sichern, was es sichern, was es sichern, was die Technologie, die die Technologie und die Technologie, die heute anstatt.
Und so, die Technologie, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, die in den Kunden, Das ist eine sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr, sehr Und du bist jetzt mainly durch Venture Capital finanzieht.
Ich weiß, du hast rund um 4.8 Millionen Euro aus dem Funding.
Entschuldigung, wenn ich mich nicht.
Warum ist dein Unternehmen so capital-intensive und was ist der Herausforderung in Becoming Profitabon?
Ja, wir haben über eine halbe Million Euro zu date und wir fortsetzen, um Geld zu werden.
Und ein paar davon ist, eine, eine mehr globaler Organisation zu werden.
Wir haben über 400 Menschen gewonnen.
Wir haben jetzt ein großes Presidenz in den USA, wo wir ein Haus in New York haben.
Wir haben eine neue Arbeit in den Bay Area.
Wir werden eine neue Arbeit in Singapur ein bisschen später in diesem Jahr.
Wir werden eine mehr globaler Organisation für unsere Kunden sein.
All of our customers are large global organizations and we want to be close to where they are for collaboration to work and for us to be able to serve them effectively.
We're also working in a number of different industries and those industries are represented in different parts of the world and we need to be in those markets where, again, with a view to being able to collaborate closely in the Das sind die meisten KI-Karten, die wir suchen.
Und wie für viele andere AI-Kompanien, die Kompüte ist auch capital-intensive.
Ich habe das gedacht.
Ja.
So, compared zu large-language model developers, wie viel Kompüte braucht ihr?
Ihr Kindes Models.
Just zu dimensionieren, was wir machen, Frontier Model Labs, we are at a few orders of magnitude lower than that.
We're not training models that are in the trillions of parameters.
We are training models now that are in a few billion parameters.
And again, that is...
Das ist ein ganzes Beispiel für die Daten, die wir können, die wir können, die Kunden können.
Aber es ist, dass es, die Models, die Models, die wir durch, you know, vieles zu machen.
Und zu geben, es könnte ein paar Hundert GPUs, bis zu, you know, ein paar Hunderten zu, you know, ein paar Hunderten zu, you know, ein paar Hunderten zu, um, ein paar Hunderten zu trainieren, die Models, die wir mit, das wir, wir haben, was ist ein Far Cry.
Wir haben Training Runs, die in den Hunderten von 1000s von GPUs werden, für eine Single Training Run, das ist wo die Frontier Model companies sind.
Ja, gott.
Und eine Ihrer Investoren ist der German Industrie Group Siemens.
Was ist der Strategie Interesse?
Ist es ein Finanzierungsinvestment oder ist es ein Strategie Investment?
Auf der Cap-Table haben wir drei Strategie.
Wir haben NVIDIA, Applied Materials und Siemens.
Sie investieren in pretty much everyone that uses their GPUs.
But the thesis behind all of them is very much the same, which is these are multifaceted relationships that are highly strategic in nature.
And so with Siemens, this is a strategic investment.
So not from the corporate venture capital arm, like it is a strategic investment from Siemens itself.
In the same way that Es ist für die Materialien.
Es ist nicht von der CVC-Arm, sondern von der Firma selbst.
Und es ist für uns, die Technologie zu entwickeln.
Es ist für, ja, es ist ein wichtiges Unternehmen für uns, aber wir sind auch für die Chine zusammen mit dem System.
Sie haben eine große Produktion, 175 Produktionen, die weltweit sehr komplexe Maschinen haben.
Sie sind eine unglaubliche Organisation der Engineering.
Wir wollen sie ermöglichen, wie wir unsere Kunden haben.
Sie sind auch sehr wichtig, Siemens Digital Industries.
Sie haben die Wir wollen uns sehr gut interoperability mit dem Software, dass wir das Software beherrschte, um Siemens und uns zu beherrschten, um uns zu beherrschten, um unsere Kunden zu beherrschten.
Siemens ist es auf eine sehr unterschiedliche Ebene, aber das Zusammenarbeit ist sehr wichtig.
Und das letzte Mal ist, für viele Dinge, die wir tun, um die Prä-trained Models zu tun, wir tun das auf Siemens Software Tool.
Und zu sprechen über strategische Unternehmen und ihre strategische Interessen in Sie.
Recently, Sie und ich haben in eine Diskussion über AI geht physisch, mit einem Robotik Simulation Expert von NVIDIA, der founder von einem Faktor Automation Unternehmen und jemanden der Daten Infrastruktur, die all diese geimpft hat.
Wir haben über die Grenzen des Robotik, Automation und Industrie AI gesprochen.
Und Sie haben eine interessante Frage.
that the era of companies like Siemens and GE splitting up might be over because they could now benefit from returns to scale across their product portfolios.
Could you elaborate on that briefly?
Yes, so I think we're going to see, you know, all of the innovation that we've been talking about around AI and modern software and how it is going to dramatically change.
wie die Unternehmen, Produktion und Produktion in verschiedenen Unternehmen ist, ist, um die Veränderungen in den Unternehmen zu ändern.
Ich denke, es ist, um die Barrieren zu Entry zu ändern.
Und in der gleichen Zeit, es ist, um die Reaktionen zu erhöhen, um die Reaktionen zu scale zu sehen.
So, um, ein paar von den Anerkennungen der Ingenie in einem Sektor, um, Sie haben eine ganze Menge Arbeit mit bestimmten Materialien oder zu navigieren.
Ich habe auch eine sehr, sehr spezielle Arbeit, in der man sich mit einem bestimmten Materialien zu entwickeln, besonders etwas wie eine Jett-Engine.
Das ist ein, was ein bisschen wie ein Jett-Engine ist, aber es ist ein, was ein bisschen wie ein Jett-Engine ist, aber es ist ein stationer.
Das ist ein Gas Turbine für Datacenters.
Und heute, wir sind in ein Ort, wo das eine Oligapolitik hat.
Du hast 85% der Marketshare, die drei Unternehmen, bei GE, Siemens, Energie und Mitsubishi.
Und du wirst erinnerst, dass eine der Dinge, die SpaceX ist, ist, dass es zu vermeiden, Sie können die Schöne von der Industrie mit dem Blades-and-Veins-Programm sein.
Wir denken von SpaceX als eine Sprechkompany mit einer Satellite-Kompanyen.
Und ja, sie haben die Anpiration zu enterpriseen AI, wie alle von der Prospektus haben.
Und vielleicht geht das über was sie mit Cursor.
Was ist das, was wir als Industrie-Einrichter der Sprecher?
Sie glauben, dass sie das auf der Seite von sehr modernen Software zu arbeiten und haben, wie Sie, die insofern sind, die insofern sind, die insofern sind, die insofern sind, die insofern sind, die insofern sind.
in virtue of operating that software, to move horizontally and vertically.
And I don't think this is a point about SpaceX specifically.
I think this is a recognition of how AI is increasingly lowering the barrier for an organization to be able to expand its product portfolio or for an entirely new company to come into being and to move into a High-value industry, high-value manufacturing that no one would have tried to do a few years ago.
I think that is increasingly possible with AI.
It's democratizing things.
And then maybe the other side of that is the returns to scale point.
And the returns to scale point is, we talked about, one of the things that we're trying to do with our customers is to provide them with the software that allows them to build ever more powerful and capable was wir call large physics models.
Was das bedeutet, dass die Organisationen, und das ist wegen der Skalanz laws, der Skalanz laws bedeutet, dass die Unternehmen in der besten Position der Skalanz bestehenden Positionen, die zu folgen, die mehr Daten und die Diverse Daten, die diese Modelle mehr Powerful machen, sind bereits die größten Unternehmen.
Die größten Industrie von Conflogenen haben eine natürliche Vorteile, mit der der Abilität zu bewegen, die zu generieren.
und mehr Daten auf der anderen Seite, die über die Mehrwertenverteilung auf die Bereiche verwendet werden, in einem Vertical oder sogar über ein paar verschiedene Industrie-Segments.
Und das ist das, was, letztendlich, mehr Powerful Models, die man immer weiterer und weiterer die Flur und weiterer die Flur und weiterer die Flur und verträglich in der Art, wie ich vorhin schon erwähnt.
Und so, eine der Herausforderungen von kleinen Manufakturen ist, wie sie werden die Begleisieren der Begleisieren der Technologie werden.
Ich denke, wir werden zu einem Punkt, wo es möglich ist, die Floer werden, die wir mehr Innovation haben, die Barriere zu Entschluss werden, aber auf der Weg zu mehr generell available, sehr powerful Models, die ein Industrie verankert, die manche Unternehmen mit bestimmten Materialien mit bestimmten Materialien.
Ich denke, wir sind in ein Ort, wo viele die Vorteile accue, die größer, die größer, die größer, die mögliche, die schnellstmöglich werden, um diese Modelle zu entwickeln.
Es kann sehr gut sein, dass die Daten-Advantagen hier, die hier ein sehr unterschiedlicher Dynamik in den öffentlichen Marken, wie die Analyse und Analyse Analyse, die Analyse anwenden.
Sie können sich nicht mehr auf die Siemens Energie sehen, wie sie sich an.
There are a lot of advantages that I see from these things actually being part of one company.
And you might even get to a place where there is the emergence of a Berkshire Hathaway holding company structure, grouping together industrial companies, not just because these companies, in virtue of...
dass das Technologie-Aufgabe wird, wird es mehr wertvolle, wird es bei besseren Multiples.
Aber auch weil das Unternehmen-Aufgabe-Struktur sehr wohl ist ein Vehikel, durch die man mit Daten kann und zu einem Daten-Advantage, um den gesamten Portfolio zu helfen.
Das ist eine sehr interessante Perspektive.
Und es zeigt uns, dass es noch eine Chance gibt.
in AI für non-AI-native Unternehmen.
Jacquemont, danke für deine Insights und diesen schönen Gespräch.
Larissa, es war ein echtes Freude.
Vielen Dank.
Ich hoffe, Sie sehen uns wieder auf der nächsten Konferenz.
Ja.
Und das war es auch schon wieder mit Handelsblatt Disrupt.
Wenn es Ihnen gefallen hat, dann abonnieren Sie unseren Podcast und sagen Sie es weiter.
Redaktion Larissa Holski, Produktion Migo Fecke.