DePIN и эмбедированная интеллект: технические вызовы и будущее
Недавно обсуждение "Создание децентрализованного физического искусственного интеллекта" привлекло внимание отрасли. Соучредитель FrodoBot Lab Майкл Чо поделился вызовами и возможностями, с которыми сталкивается децентрализованная сеть физических инфраструктур (DePIN) в области робототехники. Хотя эта область все еще находится на начальном этапе, ее потенциал огромен и может кардинально изменить способ работы AI-роботов в реальном мире. Однако, в отличие от традиционного AI, который зависит от большого объема интернет-данных, технологии AI-роботов DePIN сталкиваются с более сложными проблемами, включая сбор данных, ограничения аппаратного обеспечения, узкие места в оценке и устойчивость экономических моделей.
В данной статье будет подробно рассмотрены ключевые проблемы, с которыми сталкивается технология DePIN-роботов, проанализированы основные препятствия для расширения децентрализованных роботов, а также преимущества DePIN по сравнению с централизованными методами. Наконец, мы также обсудим перспективы будущего развития технологии DePIN-роботов.
Бот DePIN умных машин: узкое место
Узкое место 1: Данные
В отличие от "онлайн" ИИ-моделей, которые обучаются на обширных данных из Интернета, эмбодированному ИИ необходимо взаимодействовать с реальным миром для развития интеллекта. В настоящее время в мире еще не создана масштабная инфраструктура для сбора таких данных, и в отрасли нет единого мнения о том, как собирать эти данные. Сбор данных для эмбодированного ИИ в основном делится на три категории:
Данные, обрабатываемые человеком: высокое качество, способны захватывать видеопоток и метки действий, но высокая стоимость и большая трудоемкость.
Синтетические данные (моделируемые данные): подходят для тренировки роботов в движении по сложным ландшафтам, но трудно моделировать изменчивые сценарии задач.
Видеообучение: обучение путем наблюдения за видео из реального мира, но без прямой физической обратной связи.
Узкое место два: уровень автономии
Достижение высокого уровня автономии является огромным вызовом. Например, в случае доставки последней мили, 90% уровень успеха кажется неплохим в лабораторных условиях, но в реальной жизни это неприемлемо. Чтобы сделать робототехнику действительно практичной, уровень успеха должен приближаться к 99,99% или даже выше. Однако каждое повышение точности на 0,001% требуетExponentially больше времени и усилий.
Узкое место три: ограничения оборудования
Даже если модели ИИ будут самыми современными, существующее робототехническое оборудование все равно не сможет достичь истинной автономности. Основные проблемы включают:
Дизайн исполнительного механизма не достаточно гуманен, что приводит к жестким движениям и потенциальной опасности
Узкое место четыре: сложность расширения оборудования
Реализация технологий интеллектуальных роботов требует развертывания физических устройств в реальном мире, что создает огромные капитальные вызовы. В настоящее время стоимость эффективных гуманоидных роботов достигает десятков тысяч долларов, что затрудняет их массовое распространение.
Узкое место пять: оценка эффективности
Оценка физического ИИ требует долгосрочного развертывания в реальном мире, что является времязатратным и сложным процессом. В отличие от онлайн-ИИ-моделей, которые можно быстро тестировать, верификация технологий роботизированного интеллекта требует масштабного и длительного развертывания в реальном времени.
Узкое место шесть: человеческие ресурсы
Разработка AI-роботов все еще требует значительных людских ресурсов, включая операторов, предоставляющих обучающие данные, команды поддержки для поддержания работы робота, а также исследователей, которые постоянно оптимизируют модели AI. Это постоянное человеческое вмешательство является одной из основных проблем, которые DePIN должен решить.
Будущее: прорыв в робототехнике
Несмотря на то, что массовое внедрение универсальных роботов с ИИ все еще далеко, достижения в технологии DePIN-роботов внушают надежду. Масштаб и координация децентрализованных сетей способны распределить капитальные затраты и ускорить процесс сбора и оценки данных.
Следующие аспекты демонстрируют потенциал DePIN в содействии развитию робототехники:
Ускорение сбора и оценки данных: децентрализованные сети могут работать параллельно, собирая данные и повышая эффективность.
Улучшение аппаратного дизайна с помощью ИИ: использование ИИ для оптимизации чипов и материаловедения может значительно сократить время разработки.
Децентрализованная вычислительная инфраструктура: позволяет исследователям по всему миру обучать и оценивать модели без ограничений капитала.
Новый тип модели дохода: такие как автономная операционная модель, представленная AI-агентом, поддерживаемая децентрализованной собственностью и токенами.
резюме
Развитие AI-роботов охватывает несколько аспектов, включая алгоритмы, обновление оборудования, накопление данных, финансовую поддержку и участие людей. Создание сети DePIN-роботов означает, что можно использовать силу децентрализованной сети для глобального сотрудничества в сборе данных о роботах, совместном использовании вычислительных ресурсов и инвестициях. Это не только ускоряет обучение AI и оптимизацию оборудования, но и снижает порог разработки, позволяя большему количеству исследователей, предпринимателей и частных пользователей участвовать в этом процессе.
В будущем мы ожидаем, что индустрия роботов больше не будет зависеть от нескольких технологических гигантов, а будет продвигаться глобальным сообществом к действительно открытой и устойчивой технологической экосистеме. Развитие DePIN может стать ключевой силой, способствующей прорыву в робототехнике и прокладывающей путь к более умным и доступным приложениям для роботов.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
17 Лайков
Награда
17
8
Репост
Поделиться
комментарий
0/400
ImpermanentLossFan
· 07-21 19:39
Снова играют в концепции, да?
Посмотреть ОригиналОтветить0
RektButAlive
· 07-21 14:57
Слепое восхваление концепции, это слишком абсурдно.
Посмотреть ОригиналОтветить0
DeFiDoctor
· 07-20 05:14
Диагноз: Концепция Боты превратилась в новый способ сбора данных, рекомендуется наблюдение без вмешательства.
Посмотреть ОригиналОтветить0
HorizonHunter
· 07-18 20:11
Давайте не будем говорить о проблемах, сначала скажем, как заработать деньги.
Вызовы и возможности технологии DePIN Боты: комплексный прорыв от данных до аппаратного обеспечения
DePIN и эмбедированная интеллект: технические вызовы и будущее
Недавно обсуждение "Создание децентрализованного физического искусственного интеллекта" привлекло внимание отрасли. Соучредитель FrodoBot Lab Майкл Чо поделился вызовами и возможностями, с которыми сталкивается децентрализованная сеть физических инфраструктур (DePIN) в области робототехники. Хотя эта область все еще находится на начальном этапе, ее потенциал огромен и может кардинально изменить способ работы AI-роботов в реальном мире. Однако, в отличие от традиционного AI, который зависит от большого объема интернет-данных, технологии AI-роботов DePIN сталкиваются с более сложными проблемами, включая сбор данных, ограничения аппаратного обеспечения, узкие места в оценке и устойчивость экономических моделей.
В данной статье будет подробно рассмотрены ключевые проблемы, с которыми сталкивается технология DePIN-роботов, проанализированы основные препятствия для расширения децентрализованных роботов, а также преимущества DePIN по сравнению с централизованными методами. Наконец, мы также обсудим перспективы будущего развития технологии DePIN-роботов.
Бот DePIN умных машин: узкое место
Узкое место 1: Данные
В отличие от "онлайн" ИИ-моделей, которые обучаются на обширных данных из Интернета, эмбодированному ИИ необходимо взаимодействовать с реальным миром для развития интеллекта. В настоящее время в мире еще не создана масштабная инфраструктура для сбора таких данных, и в отрасли нет единого мнения о том, как собирать эти данные. Сбор данных для эмбодированного ИИ в основном делится на три категории:
Узкое место два: уровень автономии
Достижение высокого уровня автономии является огромным вызовом. Например, в случае доставки последней мили, 90% уровень успеха кажется неплохим в лабораторных условиях, но в реальной жизни это неприемлемо. Чтобы сделать робототехнику действительно практичной, уровень успеха должен приближаться к 99,99% или даже выше. Однако каждое повышение точности на 0,001% требуетExponentially больше времени и усилий.
Узкое место три: ограничения оборудования
Даже если модели ИИ будут самыми современными, существующее робототехническое оборудование все равно не сможет достичь истинной автономности. Основные проблемы включают:
Узкое место четыре: сложность расширения оборудования
Реализация технологий интеллектуальных роботов требует развертывания физических устройств в реальном мире, что создает огромные капитальные вызовы. В настоящее время стоимость эффективных гуманоидных роботов достигает десятков тысяч долларов, что затрудняет их массовое распространение.
Узкое место пять: оценка эффективности
Оценка физического ИИ требует долгосрочного развертывания в реальном мире, что является времязатратным и сложным процессом. В отличие от онлайн-ИИ-моделей, которые можно быстро тестировать, верификация технологий роботизированного интеллекта требует масштабного и длительного развертывания в реальном времени.
Узкое место шесть: человеческие ресурсы
Разработка AI-роботов все еще требует значительных людских ресурсов, включая операторов, предоставляющих обучающие данные, команды поддержки для поддержания работы робота, а также исследователей, которые постоянно оптимизируют модели AI. Это постоянное человеческое вмешательство является одной из основных проблем, которые DePIN должен решить.
Будущее: прорыв в робототехнике
Несмотря на то, что массовое внедрение универсальных роботов с ИИ все еще далеко, достижения в технологии DePIN-роботов внушают надежду. Масштаб и координация децентрализованных сетей способны распределить капитальные затраты и ускорить процесс сбора и оценки данных.
Следующие аспекты демонстрируют потенциал DePIN в содействии развитию робототехники:
Ускорение сбора и оценки данных: децентрализованные сети могут работать параллельно, собирая данные и повышая эффективность.
Улучшение аппаратного дизайна с помощью ИИ: использование ИИ для оптимизации чипов и материаловедения может значительно сократить время разработки.
Децентрализованная вычислительная инфраструктура: позволяет исследователям по всему миру обучать и оценивать модели без ограничений капитала.
Новый тип модели дохода: такие как автономная операционная модель, представленная AI-агентом, поддерживаемая децентрализованной собственностью и токенами.
резюме
Развитие AI-роботов охватывает несколько аспектов, включая алгоритмы, обновление оборудования, накопление данных, финансовую поддержку и участие людей. Создание сети DePIN-роботов означает, что можно использовать силу децентрализованной сети для глобального сотрудничества в сборе данных о роботах, совместном использовании вычислительных ресурсов и инвестициях. Это не только ускоряет обучение AI и оптимизацию оборудования, но и снижает порог разработки, позволяя большему количеству исследователей, предпринимателей и частных пользователей участвовать в этом процессе.
В будущем мы ожидаем, что индустрия роботов больше не будет зависеть от нескольких технологических гигантов, а будет продвигаться глобальным сообществом к действительно открытой и устойчивой технологической экосистеме. Развитие DePIN может стать ключевой силой, способствующей прорыву в робототехнике и прокладывающей путь к более умным и доступным приложениям для роботов.