Слияние DePIN и встраиваемого интеллекта: технические вызовы и перспективы будущего

В подкасте от 27 февраля соучредитель FrodoBot Lab Майкл Чо обсудил вызовы и возможности, с которыми сталкиваются сети децентрализованной физической инфраструктуры (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 обширных данных из интернета, технологии AI-роботов DePIN сталкиваются с более сложными проблемами, включая сбор данных, аппаратные ограничения, узкие места в оценке и устойчивость экономических моделей.

В данной статье будет подробно проанализировано ключевые моменты обсуждения, исследованы проблемы, с которыми сталкивается технология DePIN роботов, расширены основные препятствия для децентрализованных роботов, а также преимущества DePIN по сравнению с централизованными методами. В заключение, мы рассмотрим будущее технологии DePIN роботов, размышляя о том, не наступает ли скоро "момент ChatGPT" в этой области.

Бутылочное горлышко DePIN умного робота

Узкое место 1: Данные

В отличие от "онлайн" ИИ-моделей, которые зависят от большого объема интернет-данных, эмбодированный ИИ требует взаимодействия с реальным миром для развития интеллекта. В настоящее время в мире отсутствует такая масштабная база, и нет единого мнения о том, как собирать эти данные. Сбор данных для эмбодированного ИИ можно разделить на три основные категории:

1. Данные, обрабатываемые человеком: высокое качество, способны захватывать видеопотоки и метки действий, но высокая стоимость и большая трудоемкость.
2. Синтетические данные (моделируемые данные): подходят для обучения роботов перемещаться в сложной местности, но плохо работают в изменчивых задачах.
3. Видеообучение: обучение через наблюдение за видео из реального мира, но отсутствует истинная физическая интерактивная обратная связь, необходимая для интеллекта.

Узкое место 2: уровень автономии

Чтобы сделать робототехнику действительно практичной, коэффициент успеха должен близиться к 99,99% или даже выше. Однако каждые 0,001% повышения точности требуют экспоненциальных затрат времени и усилий. Прогресс в робототехнике не является линейным, а имеет экспоненциальный характер, и с каждым шагом вперед трудность значительно возрастает.

Узкое место три: Ограничения оборудования

Даже если модели ИИ будут сверхсовершенными, существующее робототехническое оборудование еще не готово к достижению истинной автономности. Основные проблемы включают:

• Недостаток тактильных датчиков: текущие самые современные технологии все еще далеки от чувствительности человеческого пальца.
• Проблема遮挡: Роботам трудно распознавать и взаимодействовать с частично遮挡物体.
• Дизайн исполнительного устройства: большинство исполнительных устройств гуманоидных роботов расположены непосредственно в суставах, что приводит к громоздким движениям и потенциальной опасности.

Узкое место 4: сложность расширения аппаратного обеспечения

Реализация технологий интеллектуальных роботов требует развертывания физических устройств в реальном мире, что создает огромные капитальные вызовы. В настоящее время даже самые эффективные гуманоидные роботы стоят десятки тысяч долларов, и их широкое распространение сталкивается с множеством трудностей.

Узкое место пять: оценка эффективности

Оценка физического ИИ требует долгосрочного и масштабного развёртывания в реальном мире, что является времязатратным и сложным процессом. Единственный способ проверить технологии робототехники — это наблюдать, где они терпят неудачу, что означает необходимость длительного развертывания в реальном времени.

Узкое место шесть: потребность в рабочей силе

В разработке ИИ для роботов человеческий труд по-прежнему незаменим. Роботам нужны человеческие операторы для предоставления обучающих данных, команды техобслуживания для поддержания работы, а также исследователи и разработчики для постоянной оптимизации моделей ИИ. Это постоянное человеческое вмешательство является одной из основных проблем, которые DePIN должен решить.

Будущее: момент ChatGPT в робототехнике

Несмотря на то, что универсальным роботам с ИИ еще предстоит пройти долгий путь до массового применения, прогресс технологий DePIN в области робототехники вселяет надежду. Масштаб и координация децентрализованных сетей могут распределить капитальные затраты и ускорить процесс сбора и оценки данных.

Преимущества DePIN в области робототехники включают:

1. Ускорение сбора и оценки данных: децентрализованные сети могут функционировать параллельно на большем масштабе и собирать данные.
2. Улучшение проектирования аппаратного обеспечения на основе ИИ: оптимизация чипов и материаловедении с помощью ИИ может значительно сократить время разработки.
3. Децентрализованная вычислительная инфраструктура: позволяет мировым исследователям обучать и оценивать модели без ограничений капитала.
4. Новый тип модели получения прибыли: например, автономная работа и модель стимулов для токенов, показанная AI-агентом.

Заключение

Развитие искусственного интеллекта на базе роботов зависит не только от алгоритмов, но и от обновления аппаратного обеспечения, накопления данных, финансовой поддержки и участия людей. Создание сети DePIN роботов означает, что благодаря силе децентрализованной сети сбор данных от роботов, вычислительные ресурсы и капитал могут координироваться на глобальном уровне. Это не только ускоряет обучение ИИ и оптимизацию аппаратного обеспечения, но и снижает барьеры для разработки, позволяя большему числу исследователей, предпринимателей и индивидуальных пользователей участвовать в этом.

Мы ожидаем, что робототехническая отрасль больше не будет зависеть от немногих технологических гигантов, а будет развиваться совместными усилиями глобального сообщества, движущегося к действительно открытой и устойчивой технологической экосистеме. Несмотря на многочисленные вызовы, будущее DePIN робототехнических технологий выглядит многообещающе и может коренным образом изменить способы взаимодействия ИИ с физическим миром.