Dữ liệu mà robot hình người cần có tính hiệu quả về chi phí, khả năng mở rộng và khả năng kết hợp, trong khi mô hình khuyến khích token của tài sản tiền điện tử có thể lấp đầy khoảng trống cần thiết nhất hiện nay.
Tác giả: @brezshares
Biên dịch: AididiaoJP, Tin tức Foresight
Tóm tắt bối cảnh
Robot hình người đang nhanh chóng chuyển từ tiểu thuyết khoa học viễn tưởng sang thực tế thương mại. Nhờ vào sự giảm chi phí phần cứng, sự gia tăng đầu tư vốn và những tiến bộ về chuyển động và tính linh hoạt, lĩnh vực tính toán AI đang chuẩn bị cho một cuộc chuyển đổi lớn tiếp theo.
Mặc dù AI điện toán đám mây và cơ sở hạ tầng phần cứng ngày càng phổ biến, cung cấp môi trường sản xuất chi phí thấp cho kỹ thuật robot, nhưng lĩnh vực này vẫn bị hạn chế bởi việc thiếu dữ liệu huấn luyện.
Reborn cố gắng sử dụng DePAI để thực hiện các chuyển động phi tập trung và dữ liệu tổng hợp chất lượng cao, đồng thời xây dựng các mô hình cơ bản của Bots. Các thành viên trong dự án đến từ Đại học California, Berkeley, Đại học Cornell, Đại học Harvard và Apple.
Robot hình người: Từ khoa học viễn tưởng đến thực tế
Việc thương mại hóa Bots không phải là một khái niệm mới, chẳng hạn như máy hút bụi iRobot Roomba được ra mắt vào năm 2002, hay camera Kasa cho thú cưng đang phổ biến trong những năm gần đây, nhưng chúng thường chỉ có thiết kế chức năng đơn lẻ. Với sự phát triển của công nghệ trí tuệ nhân tạo, Bots đang dần chuyển từ máy móc chức năng đơn lẻ thành thiết bị đa năng, và có khả năng hoạt động trong môi trường phi cấu trúc.
Trong vòng 5 đến 15 năm tới, robot hình người sẽ từ các nhiệm vụ cơ bản như dọn dẹp, nấu ăn, dần dần mở rộng sang các lĩnh vực phức tạp như dịch vụ lễ tân, cứu hỏa cứu nạn và thậm chí phẫu thuật. Trong ba xu hướng chính dưới đây, tầm nhìn dần trở thành hiện thực:
Thị trường mở rộng nhanh chóng: Trên toàn cầu đã có hơn 100 công ty tham gia vào nghiên cứu và phát triển robot hình người, bao gồm Tesla, Unitree, Figure, Clone, Agile và nhiều doanh nghiệp nổi tiếng khác.
Đột phá công nghệ phần cứng "Thung lũng kinh dị": Thế hệ robot hình người mới có chuyển động mượt mà tự nhiên, có thể tương tác phong phú với con người. Ví dụ, tốc độ đi bộ của Unitree H1 đạt 3,3 mét / giây, vượt xa mức trung bình của con người là 1,4 mét / giây.
Chi phí lao động theo mô hình mới: Dự đoán đến năm 2032, chi phí vận hành của robot hình người sẽ thấp hơn mức lương của lao động phổ thông tại Mỹ.
Nút thắt: Sự khan hiếm của dữ liệu đào tạo từ thế giới thực
Mặc dù lĩnh vực robot hình người có triển vọng rộng lớn, nhưng nếu muốn triển khai quy mô lớn, vẫn sẽ bị hạn chế bởi chất lượng và quy mô của dữ liệu đào tạo.
Các lĩnh vực AI khác (như lái xe tự động) đã giải quyết vấn đề dữ liệu thông qua camera và cảm biến gắn trên xe. Ví dụ, Tesla và Waymo đã đào tạo hệ thống lái xe tự động của mình bằng cách sử dụng một lượng lớn dữ liệu lái thực tế. Waymo có khả năng cho phép xe tập luyện theo thời gian thực trên đường và trong quá trình tập luyện sẽ sắp xếp một huấn luyện viên Bots ngồi ở vị trí ghế phụ.
Tuy nhiên, người tiêu dùng có xu hướng không muốn chủ động cung cấp dữ liệu khi sử dụng Bots, và họ ít có khả năng chấp nhận sự tồn tại của "người giúp việc Bots". Do đó, các robot hình người phải có hiệu suất cao ngay từ khi xuất xưởng, điều này khiến việc thu thập dữ liệu trước khi triển khai trở thành một thách thức quan trọng.
Mặc dù mỗi chế độ đào tạo đều có đơn vị quy mô riêng, nhưng quy mô dữ liệu đào tạo Bots có sự chênh lệch về số lượng với các lĩnh vực AI khác đạt đến cấp độ bậc.
GPT-4: Dữ liệu huấn luyện bao gồm hơn 15 nghìn tỷ văn bản.
Midjourney/Sora: Dựa vào hàng tỷ video được chú thích - văn bản đối.
Dữ liệu Bots: Quy mô lớn nhất chỉ khoảng 2,4 triệu đoạn chuyển động.
Sự khác biệt này giải thích tại sao công nghệ Bots vẫn chưa thiết lập được mô hình cơ bản thực sự, vì dữ liệu hoàn toàn không thể thu thập. Các phương pháp thu thập dữ liệu truyền thống khó có thể đáp ứng nhu cầu:
Đào tạo mô phỏng: chi phí thấp nhưng thiếu các trường hợp ngách từ thế giới thực (tức là "Sim2Real khoảng cách").
Video trực tuyến: Thiếu dữ liệu phản hồi lực hoặc dữ liệu cảm nhận cơ thể cần thiết cho việc học của Bots.
Thu thập dữ liệu thực: cần điều khiển từ xa bằng tay, chi phí cho một máy đơn lẻ trên 40.000 đô la Mỹ và khó có thể mở rộng quy mô.
Reborn cố gắng thu thập dữ liệu thế giới thực với chi phí thấp và hiệu quả cao thông qua mô hình phi tập trung, từ đó giải quyết hiệu quả vấn đề Sim2Real.
Reborn: Giải pháp toàn diện DePAI
Reborn cam kết xây dựng một nền tảng phần mềm và dữ liệu AI vật lý tích hợp theo chiều dọc, với mục tiêu cốt lõi là giải quyết nút thắt dữ liệu của robot hình người, nhưng tầm nhìn thì không chỉ dừng lại ở đó. Thông qua phần cứng độc quyền, cơ sở hạ tầng mô phỏng đa mô thức và phát triển mô hình cơ sở, Reborn nhằm trở thành người thúc đẩy toàn diện trong lĩnh vực robot hình người thông minh.
ReboCap: Dữ liệu chuyển động độ phân giải cao được thu thập từ cộng đồng
ReboCap là thiết bị ghi lại chuyển động chi phí thấp do Reborn phát triển, hiện đã bán được hơn 5000 chiếc, người dùng hoạt động hàng tháng (MAU) đạt 160.000.
Reborn đạt được hiệu quả kinh tế vượt trội so với các giải pháp thay thế khác trong việc thu thập dữ liệu.
Người dùng tạo ra dữ liệu chuyển động độ phân giải cao thông qua trò chơi AR/VR và nhận được phần thưởng trên mạng. Mô hình này không chỉ thu hút các game thủ mà còn được các streamer số sử dụng để điều khiển hình ảnh ảo số theo thời gian thực. Sự tương tác tuần hoàn tự nhiên này hoàn thành việc tạo ra dữ liệu có thể mở rộng, chi phí thấp và độ trung thực cao.
Roboverse: Nền tảng mô phỏng đa phương thức thống nhất
Roboverse là một nền tảng mô phỏng đa phương thức, nhằm thống nhất các môi trường mô phỏng phân tán. Hiện tại, các công cụ mô phỏng robot (như MuJoCo, NVIDIA Isaac Lab) có chức năng khác nhau nhưng không tương thích với nhau, gây cản trở nghiêm trọng đến hiệu quả nghiên cứu và phát triển. Roboverse thông qua việc thiết lập các quy chế tiêu chuẩn hóa cho mô phỏng, đã tạo ra một hạ tầng ảo chia sẻ để phát triển và đánh giá các mô hình robot. Bằng cách cung cấp một nền tảng phát triển và đánh giá thống nhất, đã nâng cao khả năng tương thích của các mô hình.
Mô hình cơ bản được sinh ra lại (RFM)
Công nghệ Reborn
Reborn là thành phần quan trọng nhất trong toàn bộ hệ thống, đó là mô hình cơ bản Reborn (RFM). RFM là một trong những mô hình cơ bản đầu tiên được thiết kế đặc biệt cho Bots, nhằm trở thành hạ tầng cốt lõi của DePAI. Điều này tương tự như các mô hình cơ bản truyền thống hướng đến LLM, chẳng hạn như o4 của OpenAI hoặc Llama của Meta, nhưng RFM lại hướng đến Bots.
ReboCap, Roboverse và RFM đã xây dựng một bức tường thành vững chắc cho Reborn. Kết hợp dữ liệu thực từ ReboCap với khả năng mô phỏng của Roboverse, RFM có thể đào tạo các mô hình hiệu suất cao thích ứng với các tình huống phức tạp, hỗ trợ cho các ứng dụng đa dạng của robot công nghiệp, tiêu dùng và nghiên cứu.
Reborn đang thúc đẩy thương mại hóa công nghệ, hiện đang hợp tác với Galbot và Noematrix để triển khai dự án thí điểm trả phí, và đã thiết lập quan hệ đối tác chiến lược với Yu Shu Technology, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người tại Trung Quốc đang tăng trưởng nhanh chóng, chiếm khoảng 32.7% thị phần toàn cầu. Đáng chú ý, Yu Shu Technology nắm giữ hơn 60% thị phần trong thị trường robot mô phỏng toàn cầu, là một trong những nhà sản xuất robot hình người tại Trung Quốc dự kiến sẽ sản xuất hơn 1000 chiếc vào năm 2025.
Tài sản tiền điện tử trong DePAI có vai trò gì
Công nghệ mã hóa đang thực hiện một ngăn xếp dọc hoàn chỉnh cho DePAI.
Reborn là dự án hàng đầu trong lĩnh vực DePAI
Dự án DePAI đảm bảo sự mở, có thể kết hợp và không cần giấy phép thông qua việc khuyến khích bằng Token, từ đó đạt được mô hình thu thập dữ liệu phi tập trung và khuyến khích hiệu quả.
Reborn chưa phát hành Token, nhưng kinh tế học Token có thể thúc đẩy việc áp dụng Reborn trên diện rộng. Khi cơ chế khuyến khích Token được triển khai, dự kiến sự tham gia của mạng sẽ tăng nhanh chóng:
Kích thích Token: Người dùng mua ReboCap sẽ nhận được phần thưởng Token, công ty Bots sẽ trả phí để thu thập dữ liệu, tạo thành vòng lặp tích cực.
Khai thác trường hợp biên: Thông qua cơ chế khuyến khích động, khuyến khích người dùng đóng góp dữ liệu trường hợp biên có giá trị cao, lấp đầy khoảng cách Sim2Real.
Bánh đà tăng trưởng DePAI của Reborn
Dữ liệu mới là chìa khóa
Lợi thế cạnh tranh thực sự của robot hình người nằm ở dữ liệu và mô hình. Cụ thể là quy mô, chất lượng và sự đa dạng của dữ liệu thông minh được sử dụng để đào tạo những cỗ máy này.
"ChatGPT thời điểm" của robot hình người sẽ không được dẫn dắt bởi các công ty phần cứng, bởi vì việc triển khai phần cứng đối mặt với những thách thức vốn có như chi phí cao, thời gian dài. Bản chất lan truyền của công nghệ robot về cơ bản bị hạn chế bởi chi phí, khả năng sẵn có của phần cứng và độ phức tạp trong logistics, trong khi phần mềm thuần số như ChatGPT thì không bị những hạn chế này.
Kết luận chính: Dữ liệu là chìa khóa quyết định
Điểm ngoặt thực sự sẽ đến từ dữ liệu và lợi thế mô hình sau khi giảm chi phí. Dữ liệu cần thiết cho robot hình người phải có chi phí hiệu quả, khả năng mở rộng và khả năng kết hợp, trong khi mô hình khuyến khích token của tài sản tiền điện tử có thể lấp đầy khoảng trống cấp bách nhất hiện tại. Reborn biến người bình thường thành "thợ mỏ dữ liệu chuyển động" thông qua mô hình khuyến khích token của tài sản tiền điện tử.
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Tài sản tiền điện tử trong lĩnh vực robot hình người
Tác giả: @brezshares
Biên dịch: AididiaoJP, Tin tức Foresight
Tóm tắt bối cảnh
Robot hình người đang nhanh chóng chuyển từ tiểu thuyết khoa học viễn tưởng sang thực tế thương mại. Nhờ vào sự giảm chi phí phần cứng, sự gia tăng đầu tư vốn và những tiến bộ về chuyển động và tính linh hoạt, lĩnh vực tính toán AI đang chuẩn bị cho một cuộc chuyển đổi lớn tiếp theo.
Mặc dù AI điện toán đám mây và cơ sở hạ tầng phần cứng ngày càng phổ biến, cung cấp môi trường sản xuất chi phí thấp cho kỹ thuật robot, nhưng lĩnh vực này vẫn bị hạn chế bởi việc thiếu dữ liệu huấn luyện.
Reborn cố gắng sử dụng DePAI để thực hiện các chuyển động phi tập trung và dữ liệu tổng hợp chất lượng cao, đồng thời xây dựng các mô hình cơ bản của Bots. Các thành viên trong dự án đến từ Đại học California, Berkeley, Đại học Cornell, Đại học Harvard và Apple.
Robot hình người: Từ khoa học viễn tưởng đến thực tế
Việc thương mại hóa Bots không phải là một khái niệm mới, chẳng hạn như máy hút bụi iRobot Roomba được ra mắt vào năm 2002, hay camera Kasa cho thú cưng đang phổ biến trong những năm gần đây, nhưng chúng thường chỉ có thiết kế chức năng đơn lẻ. Với sự phát triển của công nghệ trí tuệ nhân tạo, Bots đang dần chuyển từ máy móc chức năng đơn lẻ thành thiết bị đa năng, và có khả năng hoạt động trong môi trường phi cấu trúc.
Trong vòng 5 đến 15 năm tới, robot hình người sẽ từ các nhiệm vụ cơ bản như dọn dẹp, nấu ăn, dần dần mở rộng sang các lĩnh vực phức tạp như dịch vụ lễ tân, cứu hỏa cứu nạn và thậm chí phẫu thuật. Trong ba xu hướng chính dưới đây, tầm nhìn dần trở thành hiện thực:
Nút thắt: Sự khan hiếm của dữ liệu đào tạo từ thế giới thực
Mặc dù lĩnh vực robot hình người có triển vọng rộng lớn, nhưng nếu muốn triển khai quy mô lớn, vẫn sẽ bị hạn chế bởi chất lượng và quy mô của dữ liệu đào tạo.
Các lĩnh vực AI khác (như lái xe tự động) đã giải quyết vấn đề dữ liệu thông qua camera và cảm biến gắn trên xe. Ví dụ, Tesla và Waymo đã đào tạo hệ thống lái xe tự động của mình bằng cách sử dụng một lượng lớn dữ liệu lái thực tế. Waymo có khả năng cho phép xe tập luyện theo thời gian thực trên đường và trong quá trình tập luyện sẽ sắp xếp một huấn luyện viên Bots ngồi ở vị trí ghế phụ.
Tuy nhiên, người tiêu dùng có xu hướng không muốn chủ động cung cấp dữ liệu khi sử dụng Bots, và họ ít có khả năng chấp nhận sự tồn tại của "người giúp việc Bots". Do đó, các robot hình người phải có hiệu suất cao ngay từ khi xuất xưởng, điều này khiến việc thu thập dữ liệu trước khi triển khai trở thành một thách thức quan trọng.
Mặc dù mỗi chế độ đào tạo đều có đơn vị quy mô riêng, nhưng quy mô dữ liệu đào tạo Bots có sự chênh lệch về số lượng với các lĩnh vực AI khác đạt đến cấp độ bậc.
Sự khác biệt này giải thích tại sao công nghệ Bots vẫn chưa thiết lập được mô hình cơ bản thực sự, vì dữ liệu hoàn toàn không thể thu thập. Các phương pháp thu thập dữ liệu truyền thống khó có thể đáp ứng nhu cầu:
Reborn cố gắng thu thập dữ liệu thế giới thực với chi phí thấp và hiệu quả cao thông qua mô hình phi tập trung, từ đó giải quyết hiệu quả vấn đề Sim2Real.
Reborn: Giải pháp toàn diện DePAI
Reborn cam kết xây dựng một nền tảng phần mềm và dữ liệu AI vật lý tích hợp theo chiều dọc, với mục tiêu cốt lõi là giải quyết nút thắt dữ liệu của robot hình người, nhưng tầm nhìn thì không chỉ dừng lại ở đó. Thông qua phần cứng độc quyền, cơ sở hạ tầng mô phỏng đa mô thức và phát triển mô hình cơ sở, Reborn nhằm trở thành người thúc đẩy toàn diện trong lĩnh vực robot hình người thông minh.
ReboCap: Dữ liệu chuyển động độ phân giải cao được thu thập từ cộng đồng
ReboCap là thiết bị ghi lại chuyển động chi phí thấp do Reborn phát triển, hiện đã bán được hơn 5000 chiếc, người dùng hoạt động hàng tháng (MAU) đạt 160.000.
Reborn đạt được hiệu quả kinh tế vượt trội so với các giải pháp thay thế khác trong việc thu thập dữ liệu.
Người dùng tạo ra dữ liệu chuyển động độ phân giải cao thông qua trò chơi AR/VR và nhận được phần thưởng trên mạng. Mô hình này không chỉ thu hút các game thủ mà còn được các streamer số sử dụng để điều khiển hình ảnh ảo số theo thời gian thực. Sự tương tác tuần hoàn tự nhiên này hoàn thành việc tạo ra dữ liệu có thể mở rộng, chi phí thấp và độ trung thực cao.
Roboverse: Nền tảng mô phỏng đa phương thức thống nhất
Roboverse là một nền tảng mô phỏng đa phương thức, nhằm thống nhất các môi trường mô phỏng phân tán. Hiện tại, các công cụ mô phỏng robot (như MuJoCo, NVIDIA Isaac Lab) có chức năng khác nhau nhưng không tương thích với nhau, gây cản trở nghiêm trọng đến hiệu quả nghiên cứu và phát triển. Roboverse thông qua việc thiết lập các quy chế tiêu chuẩn hóa cho mô phỏng, đã tạo ra một hạ tầng ảo chia sẻ để phát triển và đánh giá các mô hình robot. Bằng cách cung cấp một nền tảng phát triển và đánh giá thống nhất, đã nâng cao khả năng tương thích của các mô hình.
Mô hình cơ bản được sinh ra lại (RFM)
Công nghệ Reborn
Reborn là thành phần quan trọng nhất trong toàn bộ hệ thống, đó là mô hình cơ bản Reborn (RFM). RFM là một trong những mô hình cơ bản đầu tiên được thiết kế đặc biệt cho Bots, nhằm trở thành hạ tầng cốt lõi của DePAI. Điều này tương tự như các mô hình cơ bản truyền thống hướng đến LLM, chẳng hạn như o4 của OpenAI hoặc Llama của Meta, nhưng RFM lại hướng đến Bots.
ReboCap, Roboverse và RFM đã xây dựng một bức tường thành vững chắc cho Reborn. Kết hợp dữ liệu thực từ ReboCap với khả năng mô phỏng của Roboverse, RFM có thể đào tạo các mô hình hiệu suất cao thích ứng với các tình huống phức tạp, hỗ trợ cho các ứng dụng đa dạng của robot công nghiệp, tiêu dùng và nghiên cứu.
Reborn đang thúc đẩy thương mại hóa công nghệ, hiện đang hợp tác với Galbot và Noematrix để triển khai dự án thí điểm trả phí, và đã thiết lập quan hệ đối tác chiến lược với Yu Shu Technology, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người tại Trung Quốc đang tăng trưởng nhanh chóng, chiếm khoảng 32.7% thị phần toàn cầu. Đáng chú ý, Yu Shu Technology nắm giữ hơn 60% thị phần trong thị trường robot mô phỏng toàn cầu, là một trong những nhà sản xuất robot hình người tại Trung Quốc dự kiến sẽ sản xuất hơn 1000 chiếc vào năm 2025.
Tài sản tiền điện tử trong DePAI có vai trò gì
Công nghệ mã hóa đang thực hiện một ngăn xếp dọc hoàn chỉnh cho DePAI.
Reborn là dự án hàng đầu trong lĩnh vực DePAI
Dự án DePAI đảm bảo sự mở, có thể kết hợp và không cần giấy phép thông qua việc khuyến khích bằng Token, từ đó đạt được mô hình thu thập dữ liệu phi tập trung và khuyến khích hiệu quả.
Reborn chưa phát hành Token, nhưng kinh tế học Token có thể thúc đẩy việc áp dụng Reborn trên diện rộng. Khi cơ chế khuyến khích Token được triển khai, dự kiến sự tham gia của mạng sẽ tăng nhanh chóng:
Bánh đà tăng trưởng DePAI của Reborn
Dữ liệu mới là chìa khóa
Lợi thế cạnh tranh thực sự của robot hình người nằm ở dữ liệu và mô hình. Cụ thể là quy mô, chất lượng và sự đa dạng của dữ liệu thông minh được sử dụng để đào tạo những cỗ máy này.
"ChatGPT thời điểm" của robot hình người sẽ không được dẫn dắt bởi các công ty phần cứng, bởi vì việc triển khai phần cứng đối mặt với những thách thức vốn có như chi phí cao, thời gian dài. Bản chất lan truyền của công nghệ robot về cơ bản bị hạn chế bởi chi phí, khả năng sẵn có của phần cứng và độ phức tạp trong logistics, trong khi phần mềm thuần số như ChatGPT thì không bị những hạn chế này.
Kết luận chính: Dữ liệu là chìa khóa quyết định
Điểm ngoặt thực sự sẽ đến từ dữ liệu và lợi thế mô hình sau khi giảm chi phí. Dữ liệu cần thiết cho robot hình người phải có chi phí hiệu quả, khả năng mở rộng và khả năng kết hợp, trong khi mô hình khuyến khích token của tài sản tiền điện tử có thể lấp đầy khoảng trống cấp bách nhất hiện tại. Reborn biến người bình thường thành "thợ mỏ dữ liệu chuyển động" thông qua mô hình khuyến khích token của tài sản tiền điện tử.