Злиття DePIN та втіленого інтелекту: технічні виклики та майбутній розвиток
Нещодавно дискусія про "будівництво децентралізованого фізичного штучного інтелекту" привернула увагу галузі. Учасники експерти глибоко обговорили виклики та можливості, з якими стикається мережа децентралізованої фізичної інфраструктури (DePIN) у сфері робототехніки. Незважаючи на те, що ця сфера все ще знаходиться на початковій стадії, її потенціал є величезним, і вона здатна кардинально змінити спосіб роботи AI-роботів у реальному світі. Однак, на відміну від традиційного штучного інтелекту, який покладається на велику кількість даних з Інтернету, технології AI-роботів DePIN стикаються з більш складними проблемами, включаючи збір даних, обмеження апаратного забезпечення, вузькі місця в оцінках та сталий економічний модель.
У цій статті ми докладно проаналізуємо ключові моменти обговорення, дослідимо проблеми, з якими стикається технологія роботів DePIN, розширимо основні перешкоди для децентралізованих роботів, а також переваги DePIN у порівнянні з централізованими методами. Одночасно ми також розглянемо майбутні тенденції розвитку технології роботів DePIN.
Основні перепони DePIN智能机器人的
Вузьке місце 1: Дані
На відміну від "онлайн" великих моделей ШІ, які залежать від великої кількості даних з Інтернету для навчання, втілений ШІ потребує взаємодії з реальним світом для розвитку інтелекту. На сьогоднішній день у світі ще не створено інфраструктури, яка б підтримувала таку масштабну взаємодію, і в індустрії також немає єдиного погляду на те, як збирати ці дані. Збір даних для втіленого ШІ в основному поділяється на три категорії:
Людські операційні дані: висока якість, можуть захоплювати відеопотоки та мітки дій, але висока вартість та велика трудомісткість.
Синтетичні дані (моделюючі дані): підходять для навчання роботів пересуванню в складних ландшафтах, але їх ефективність в умовах змінних завдань є недостатньою.
Відео навчання: навчання шляхом спостереження за відео з реального світу, але відсутня фактична фізична взаємодія та зворотний зв'язок.
Вузьке місце два: Рівень автономії
Досягнення високого рівня автономії є величезним викликом. Наприклад, у випадку доставки, 90% рівень успішності на даних виглядає непогано, але в реальному застосуванні цього явно недостатньо. Щоб досягти комерційного рівня, рівень успішності має наближатися до 99,99% або навіть вище. Однак, щоб підвищити точність на 0,001%, потрібно витратити експоненційні час і зусилля. Прогрес у робототехніці має експоненційний характер, з кожним кроком вперед, складність значно зростає.
Третя вузька ланка: апаратні обмеження
Навіть якщо моделі ШІ є дуже розвиненими, існуючі апаратні засоби роботів все ще важко досягають справжньої автономії. Основні проблеми включають:
Недостатня чутливість сенсорів: існуючі технології ще далеко не досягають чутливості людського пальця.
Важкість розпізнавання перешкод: роботи важко розпізнавати та обробляти частково приховані об'єкти.
Недостатній дизайн виконувальних механізмів: більшість виконувальних механізмів гуманоїдних роботів призводять до жорстких рухів і потенційної небезпеки.
Четверте вузьке місце: складність розширення апаратного забезпечення
Реалізація технології розумних роботів потребує розгортання фізичних пристроїв у реальному світі, що створює великі капітальні виклики. Наразі лише фінансово потужні великі компанії можуть дозволити собі масштабні експерименти, вартість звичайних гуманоїдних роботів досягає десятків тисяч доларів, що ускладнює їх масове впровадження.
Вузьке місце п’ять: оцінка ефективності
Оцінка фізичного ШІ вимагає тривалого розгортання в реальному світі, цей процес є трудомістким та складним. На відміну від онлайн моделей ШІ, які можна швидко тестувати, оцінка продуктивності роботизованого ШІ потребує масштабного та тривалого розгортання в реальному часі, що збільшує складність і витрати на технологічну верифікацію.
Вузьке місце шість: людські ресурси
У розробці робототехніки AI людська праця залишається незамінною. Потрібні людські оператори для надання навчальних даних, команди з обслуговування для підтримки роботи роботів, а також дослідники для постійної оптимізації моделей AI. Ця постійна людська участь є головним викликом, який DePIN має вирішити.
Перспективи майбутнього: прорив у технології роботів
Хоча універсальним роботам AI ще далеко до масового впровадження, прогрес у технології DePIN роботів вселяє надію. Масштаб і координація децентралізованих мереж можуть розподілити капітальні витрати, прискорити процес збору та оцінки даних. Наприклад, нещодавно на змаганнях з AI та людських роботів в Абу-Дабі, унікальний набір даних, зібраний дослідниками з взаємодії роботів у реальному світі, продемонстрував потенціал DePIN у з'єднанні різних складових робототехніки.
Покращення апаратного дизайну на основі штучного інтелекту, такі як оптимізовані чипи та матеріальна інженерія, можуть значно скоротити час розвитку технологій. Завдяки децентралізованій обчислювальній інфраструктурі DePIN, дослідники з усього світу можуть навчати та оцінювати моделі без обмежень капіталу, що може прискорити прориви в робототехніці.
Крім того, нові моделі стимулювання токенами та агентами штучного інтелекту демонструють інноваційні способи отримання прибутку в мережі децентралізованих робототехнічних технологій. Ці моделі не тільки вигідні для розробки ШІ, але й можуть створювати цінність для учасників DePIN, формуючи здоровий економічний цикл.
Заключення
Розвиток роботизованого AI охоплює алгоритми, оновлення апаратного забезпечення, накопичення даних, фінансову підтримку та людські ресурси. Створення мережі роботів DePIN означає, що за допомогою сили децентралізованої мережі збору даних про роботів, обчислювальних ресурсів та капіталовкладень може здійснюватися в глобальному масштабі. Це не лише прискорює навчання AI та оптимізацію апаратного забезпечення, але й знижує бар'єри для розробки, що дозволяє більшій кількості дослідників, підприємців та особистих користувачів брати участь у цьому.
У майбутньому галузь робототехніки має шанс позбутися залежності від кількох технологічних гігантів і перейти до спільного розвитку з глобальною спільнотою, спрямовуючи зусилля на створення більш відкритої та сталої технологічної екосистеми. Незважаючи на наявність викликів, інтеграція DePIN і втіленого інтелекту відкриває надійний шлях для майбутнього робототехніки.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
18 лайків
Нагородити
18
4
Репост
Поділіться
Прокоментувати
0/400
DefiPlaybook
· 07-22 21:48
Дані показують, що 82,3% проектів DePIN не мають надійної підтримки оракул-машини поза блокчейном, що є серйозним недоліком.
Переглянути оригіналвідповісти на0
AirdropDreamBreaker
· 07-20 01:21
Шахраї знову прийшли розповідати про повітряні пиріжки! Ранкових невдах вже обдурили, як лохів?
Переглянути оригіналвідповісти на0
MetaEggplant
· 07-20 01:20
Схоже, що централізація все ж більш надійна.
Переглянути оригіналвідповісти на0
GasWastingMaximalist
· 07-20 01:08
Яка користь від ШІ? Знову спекуляції на концепціях?
DePIN та Боти AI: майбутнє, де виклики та можливості існують поруч
Злиття DePIN та втіленого інтелекту: технічні виклики та майбутній розвиток
Нещодавно дискусія про "будівництво децентралізованого фізичного штучного інтелекту" привернула увагу галузі. Учасники експерти глибоко обговорили виклики та можливості, з якими стикається мережа децентралізованої фізичної інфраструктури (DePIN) у сфері робототехніки. Незважаючи на те, що ця сфера все ще знаходиться на початковій стадії, її потенціал є величезним, і вона здатна кардинально змінити спосіб роботи AI-роботів у реальному світі. Однак, на відміну від традиційного штучного інтелекту, який покладається на велику кількість даних з Інтернету, технології AI-роботів DePIN стикаються з більш складними проблемами, включаючи збір даних, обмеження апаратного забезпечення, вузькі місця в оцінках та сталий економічний модель.
У цій статті ми докладно проаналізуємо ключові моменти обговорення, дослідимо проблеми, з якими стикається технологія роботів DePIN, розширимо основні перешкоди для децентралізованих роботів, а також переваги DePIN у порівнянні з централізованими методами. Одночасно ми також розглянемо майбутні тенденції розвитку технології роботів DePIN.
Основні перепони DePIN智能机器人的
Вузьке місце 1: Дані
На відміну від "онлайн" великих моделей ШІ, які залежать від великої кількості даних з Інтернету для навчання, втілений ШІ потребує взаємодії з реальним світом для розвитку інтелекту. На сьогоднішній день у світі ще не створено інфраструктури, яка б підтримувала таку масштабну взаємодію, і в індустрії також немає єдиного погляду на те, як збирати ці дані. Збір даних для втіленого ШІ в основному поділяється на три категорії:
Вузьке місце два: Рівень автономії
Досягнення високого рівня автономії є величезним викликом. Наприклад, у випадку доставки, 90% рівень успішності на даних виглядає непогано, але в реальному застосуванні цього явно недостатньо. Щоб досягти комерційного рівня, рівень успішності має наближатися до 99,99% або навіть вище. Однак, щоб підвищити точність на 0,001%, потрібно витратити експоненційні час і зусилля. Прогрес у робототехніці має експоненційний характер, з кожним кроком вперед, складність значно зростає.
Третя вузька ланка: апаратні обмеження
Навіть якщо моделі ШІ є дуже розвиненими, існуючі апаратні засоби роботів все ще важко досягають справжньої автономії. Основні проблеми включають:
Четверте вузьке місце: складність розширення апаратного забезпечення
Реалізація технології розумних роботів потребує розгортання фізичних пристроїв у реальному світі, що створює великі капітальні виклики. Наразі лише фінансово потужні великі компанії можуть дозволити собі масштабні експерименти, вартість звичайних гуманоїдних роботів досягає десятків тисяч доларів, що ускладнює їх масове впровадження.
Вузьке місце п’ять: оцінка ефективності
Оцінка фізичного ШІ вимагає тривалого розгортання в реальному світі, цей процес є трудомістким та складним. На відміну від онлайн моделей ШІ, які можна швидко тестувати, оцінка продуктивності роботизованого ШІ потребує масштабного та тривалого розгортання в реальному часі, що збільшує складність і витрати на технологічну верифікацію.
Вузьке місце шість: людські ресурси
У розробці робототехніки AI людська праця залишається незамінною. Потрібні людські оператори для надання навчальних даних, команди з обслуговування для підтримки роботи роботів, а також дослідники для постійної оптимізації моделей AI. Ця постійна людська участь є головним викликом, який DePIN має вирішити.
Перспективи майбутнього: прорив у технології роботів
Хоча універсальним роботам AI ще далеко до масового впровадження, прогрес у технології DePIN роботів вселяє надію. Масштаб і координація децентралізованих мереж можуть розподілити капітальні витрати, прискорити процес збору та оцінки даних. Наприклад, нещодавно на змаганнях з AI та людських роботів в Абу-Дабі, унікальний набір даних, зібраний дослідниками з взаємодії роботів у реальному світі, продемонстрував потенціал DePIN у з'єднанні різних складових робототехніки.
Покращення апаратного дизайну на основі штучного інтелекту, такі як оптимізовані чипи та матеріальна інженерія, можуть значно скоротити час розвитку технологій. Завдяки децентралізованій обчислювальній інфраструктурі DePIN, дослідники з усього світу можуть навчати та оцінювати моделі без обмежень капіталу, що може прискорити прориви в робототехніці.
Крім того, нові моделі стимулювання токенами та агентами штучного інтелекту демонструють інноваційні способи отримання прибутку в мережі децентралізованих робототехнічних технологій. Ці моделі не тільки вигідні для розробки ШІ, але й можуть створювати цінність для учасників DePIN, формуючи здоровий економічний цикл.
Заключення
Розвиток роботизованого AI охоплює алгоритми, оновлення апаратного забезпечення, накопичення даних, фінансову підтримку та людські ресурси. Створення мережі роботів DePIN означає, що за допомогою сили децентралізованої мережі збору даних про роботів, обчислювальних ресурсів та капіталовкладень може здійснюватися в глобальному масштабі. Це не лише прискорює навчання AI та оптимізацію апаратного забезпечення, але й знижує бар'єри для розробки, що дозволяє більшій кількості дослідників, підприємців та особистих користувачів брати участь у цьому.
У майбутньому галузь робототехніки має шанс позбутися залежності від кількох технологічних гігантів і перейти до спільного розвитку з глобальною спільнотою, спрямовуючи зусилля на створення більш відкритої та сталої технологічної екосистеми. Незважаючи на наявність викликів, інтеграція DePIN і втіленого інтелекту відкриває надійний шлях для майбутнього робототехніки.