Поєднання DePIN та втіленого інтелекту: технічні виклики та майбутні перспективи

У подкасті 27 лютого співзасновник FrodoBot Lab Майкл Чо обговорив виклики та можливості мережі децентралізованої фізичної інфраструктури (DePIN) у сфері робототехніки. Хоча ця галузь все ще перебуває на початковому етапі, її потенціал величезний і вона може кардинально змінити спосіб функціонування AI роботів у реальному світі. Проте, на відміну від традиційного AI, що покладається на величезну кількість даних з Інтернету, технології AI роботів DePIN стикаються з більш складними проблемами, включаючи збір даних, обмеження апаратного забезпечення, оцінкові вузькі місця та стійкість економічних моделей.

У цій статті буде глибоко проаналізовано ключові моменти обговорення, вивчені проблеми, з якими стикається технологія роботів DePIN, розширені основні перешкоди для децентралізованих роботів, а також переваги DePIN у порівнянні з централізованими методами. Нарешті, ми поглянемо на майбутнє технології роботів DePIN, розмірковуючи про те, чи наближається "момент ChatGPT" у цій сфері.

Вузькі місця розумних роботів DePIN

Вузьке місце 1: Дані

На відміну від "онлайн" AI великих моделей, які залежать від великої кількості даних з Інтернету, втілений AI потребує взаємодії з реальним світом для розвитку інтелекту. В даний час у світі бракує такої масштабної інфраструктури, і немає єдиного рішення щодо того, як збирати ці дані. Збір даних для втіленого AI можна розділити на три основні категорії:

1. Людська обробка даних: висока якість, здатна захоплювати відеопотоки та мітки дій, але висока вартість і велика фізична праця.
2. Синтетичні дані (імітаційні дані): підходять для навчання роботів переміщатися в складних умовах, але показують погані результати в умовах змінливих завдань.
3. Відео навчання: навчання шляхом спостереження за відео з реального світу, але бракує справжнього фізичного зворотного зв'язку, необхідного для інтелекту.

Вузьке місце 2: Рівень автономії

Щоб робототехніка стала по-справжньому практичною, рівень успіху має бути близько 99,99% або навіть вищим. Однак кожне підвищення точності на 0,001% вимагає експоненційних витрат часу та зусиль. Прогрес у робототехніці не є лінійним, а має експоненційний характер; з кожним новим кроком складність значно зростає.

вузьке місце три: апаратні обмеження

Навіть якщо моделі ШІ є дуже просунутими, наявне апаратне забезпечення роботів все ще не готове до досягнення справжньої автономії. Основні проблеми включають:

• Недостатність тактильних датчиків: сучасні найсучасніші технології все ще далекі від чутливості людських пальців.
• Проблема з遮挡: роботи важко розпізнавати та взаємодіяти з частково закритими об'єктами.
• Проектування виконавчих механізмів: більшість виконавчих механізмів гуманоїдних роботів розміщені безпосередньо на суглобах, що призводить до громіздких рухів і потенційної небезпеки.

Вузьке місце чотири: Складність розширення апаратного забезпечення

Впровадження технології розумних роботів потребує розгортання фізичних пристроїв у реальному світі, що створює величезні капітальні виклики. Наразі навіть найефективніші гуманоїдні роботи коштують десятки тисяч доларів, що ускладнює їх масове впровадження.

Вузьке місце п’ять: оцінка ефективності

Оцінка фізичного ШІ потребує довгострокового, масштабного впровадження в реальному світі, що є тривалим і складним процесом. Єдиний спосіб перевірити технології роботизованого інтелекту – це спостерігати, де вони зазнають невдачі, що означає необхідність тривалого розгортання у реальному часі.

Вузьке місце шість: потреба в людських ресурсах

У розробці робототехнічного ШІ людська робоча сила все ще є незамінною. Роботам потрібні оператори для надання навчальних даних, команди обслуговування для підтримки роботи, а також дослідники та розробники для постійної оптимізації моделей ШІ. Це безперервне втручання людини є одним з основних викликів, які DePIN має вирішити.

Перспективи на майбутнє: ChatGPT-момент у технології роботів

Хоча до масового впровадження універсальних роботів з штучним інтелектом ще далеко, прогрес технології роботів DePIN вселяє надію. Масштаб і координація децентралізованих мереж можуть розподілити капітальні витрати, прискорюючи процес збору та оцінки даних.

Переваги DePIN в галузі робототехніки включають:

1. Прискорення збору та оцінки даних: децентралізовані мережі можуть працювати паралельно на більших масштабах, збираючи дані.
2. Покращення дизайну апаратного забезпечення на основі ШІ: оптимізація чіпів і матеріалознавства за допомогою ШІ може значно скоротити час розробки.
3. Децентралізована обчислювальна інфраструктура: дозволяє глобальним дослідникам навчати та оцінювати моделі без обмежень капіталу.
4. Нові моделі прибутку: такі як автономна робота та токенна мотиваційна модель, представлені AI-агентами.

Висновок

Розвиток роботизованого ШІ залежить не лише від алгоритмів, але й від оновлення апаратного забезпечення, накопичення даних, фінансової підтримки та участі людей. Створення DePIN роботизованої мережі означає, що завдяки потужностям децентралізованої мережі збір даних роботів, обчислювальні ресурси та капіталовкладення можуть координовано здійснюватися на глобальному рівні. Це не лише прискорює навчання ШІ та оптимізацію апаратного забезпечення, але й знижує бар'єри для розвитку, дозволяючи більшій кількості дослідників, підприємців та звичайних користувачів долучитися.

Ми очікуємо, що індустрія робототехніки більше не буде залежати від кількох технологічних гігантів, а буде спільно розвиватися глобальною спільнотою, рухаючись до справжньої відкритої, стійкої технологічної екосистеми. Незважаючи на безліч викликів, майбутнє технологій DePIN в робототехніці сповнене надії і має потенціал кардинально змінити спосіб взаємодії ШІ з фізичним світом.