Sự kết hợp giữa DePIN và trí tuệ nhúng: Thách thức công nghệ và triển vọng tương lai

Trong một podcast vào ngày 27 tháng 2, đồng sáng lập FrodoBot Lab, Michael Cho, đã thảo luận về những thách thức và cơ hội của mạng lưới cơ sở hạ tầng vật lý phi tập trung (DePIN) trong lĩnh vực công nghệ robot. Mặc dù lĩnh vực này vẫn còn ở giai đoạn khởi đầu, nhưng tiềm năng của nó là rất lớn, có thể thay đổi hoàn toàn cách thức hoạt động của robot AI trong thế giới thực. Tuy nhiên, khác với AI truyền thống phụ thuộc vào lượng lớn dữ liệu internet, công nghệ AI robot DePIN phải đối mặt với những vấn đề phức tạp hơn, bao gồm thu thập dữ liệu, giới hạn phần cứng, nút thắt trong đánh giá và tính bền vững của mô hình kinh tế.

Bài viết này sẽ phân tích sâu về những điểm chính trong cuộc thảo luận lần này, khám phá các vấn đề mà công nghệ robot DePIN đang phải đối mặt, mở rộng những rào cản chính của robot phi tập trung, cũng như những lợi thế của DePIN so với các phương pháp tập trung. Cuối cùng, chúng ta sẽ nhìn về tương lai của công nghệ robot DePIN, suy nghĩ xem liệu chúng ta có sắp đón nhận "thời khắc ChatGPT" trong lĩnh vực này hay không.

Đánh giá về những hạn chế của DePIN robot thông minh

Nút thắt 1: Dữ liệu

Khác với các mô hình AI "trực tuyến" phụ thuộc vào một lượng lớn dữ liệu từ Internet, AI thân thể cần tương tác với thế giới thực để phát triển trí thông minh. Hiện nay, trên thế giới thiếu một nền tảng quy mô lớn như vậy, và vẫn chưa có sự đồng thuận về cách thu thập những dữ liệu này. Việc thu thập dữ liệu cho AI thân thể có thể được chia thành ba loại chính:

1. Dữ liệu do con người thao tác: chất lượng cao, có thể ghi lại luồng video và nhãn hành động, nhưng chi phí cao, cường độ lao động lớn.
2. Dữ liệu tổng hợp (dữ liệu mô phỏng): phù hợp để đào tạo robot di chuyển trong địa hình phức tạp, nhưng hiệu quả không tốt trong các nhiệm vụ thay đổi liên tục.
3. Học video: Học thông qua việc quan sát video của thế giới thực, nhưng thiếu phản hồi tương tác vật lý thực sự cần thiết cho trí thông minh.

Nút thắt thứ hai: Mức độ tự chủ

Để công nghệ robot thực sự hữu ích, tỷ lệ thành công cần gần đạt 99,99% hoặc thậm chí cao hơn. Tuy nhiên, mỗi khi tăng 0,001% độ chính xác thì cần phải bỏ ra một lượng thời gian và công sức theo cấp số nhân. Sự tiến bộ của công nghệ robot không phải là tuyến tính, mà có tính chất cấp số nhân, mỗi bước tiến đều làm tăng độ khó lên rất nhiều.

Thắt nghẽn ba: Hạn chế phần cứng

Dù mô hình AI có tiên tiến đến đâu, phần cứng robot hiện tại vẫn chưa sẵn sàng để đạt được tính tự chủ thực sự. Các vấn đề chính bao gồm:

• Cảm biến xúc giác chưa đủ: Công nghệ tiên tiến nhất hiện nay vẫn còn kém nhạy hơn so với đầu ngón tay của con người.
• Vấn đề che khuất: Robot khó nhận diện và tương tác với một số vật thể bị che khuất.
• Thiết kế bộ truyền động: Hầu hết các bộ truyền động của robot giống người được đặt trực tiếp trên khớp, dẫn đến hành động nặng nề và tiềm ẩn nguy hiểm.

Nút thắt cổ chai 4: Khó khăn trong việc mở rộng phần cứng

Việc triển khai công nghệ robot thông minh đòi hỏi phải triển khai các thiết bị vật lý trong thế giới thực, điều này mang lại những thách thức vốn lớn. Hiện tại, ngay cả những robot mô phỏng con người hiệu quả nhất, chi phí cũng lên tới hàng chục nghìn đô la, việc phổ biến quy mô lớn gặp nhiều khó khăn.

Thông điểm năm: Đánh giá tính hiệu quả

Đánh giá AI vật lý cần triển khai lâu dài và quy mô lớn trong thế giới thực, đây là một quá trình tốn thời gian và phức tạp. Cách duy nhất để xác thực công nghệ trí tuệ robot là quan sát nơi nó thất bại, điều này có nghĩa là cần thực hiện triển khai thời gian thực trong thời gian dài.

Nút thắt thứ sáu: Nhu cầu nhân lực

Trong phát triển AI robot, lao động con người vẫn không thể thiếu. Robot cần các nhà điều hành con người cung cấp dữ liệu huấn luyện, đội ngũ bảo trì để giữ cho hoạt động, cùng với các nhà nghiên cứu và nhà phát triển liên tục tối ưu hóa mô hình AI. Sự can thiệp liên tục của con người này là một trong những thách thức chính mà DePIN phải giải quyết.

Triển vọng tương lai: Thời điểm ChatGPT của công nghệ robot

Mặc dù AI robot đa năng còn một khoảng cách trước khi được áp dụng rộng rãi, nhưng sự tiến bộ của công nghệ robot DePIN đã mang lại hy vọng. Quy mô và khả năng phối hợp của mạng lưới phi tập trung có thể phân tán gánh nặng vốn, tăng tốc quá trình thu thập và đánh giá dữ liệu.

DePIN trong lĩnh vực công nghệ robot có những lợi thế bao gồm:

1. Tăng tốc độ thu thập và đánh giá dữ liệu: Mạng phi tập trung có thể hoạt động song song trên quy mô lớn hơn và thu thập dữ liệu.
2. Cải tiến thiết kế phần cứng dựa trên AI: Tối ưu hóa chip và kỹ thuật vật liệu bằng AI có thể rút ngắn thời gian phát triển đáng kể.
3. Hạ tầng tính toán phi tập trung: cho phép các nhà nghiên cứu toàn cầu đào tạo và đánh giá mô hình mà không bị hạn chế về vốn.
4. Mô hình lợi nhuận mới: như mô hình tự vận hành và khuyến khích token được hiển thị bởi AI đại lý.

Kết luận

Sự phát triển của AI robot không chỉ phụ thuộc vào thuật toán, mà còn liên quan đến việc nâng cấp phần cứng, tích lũy dữ liệu, hỗ trợ tài chính và sự tham gia của con người. Việc thiết lập mạng lưới robot DePIN có nghĩa là, nhờ vào sức mạnh của mạng phi tập trung, việc thu thập dữ liệu robot, tài nguyên tính toán và đầu tư vốn có thể được phối hợp toàn cầu. Điều này không chỉ tăng tốc quá trình đào tạo AI và tối ưu hóa phần cứng, mà còn giảm bớt rào cản phát triển, cho phép nhiều nhà nghiên cứu, doanh nhân và người dùng cá nhân tham gia.

Chúng tôi mong đợi ngành công nghiệp robot không còn phụ thuộc vào một số gã khổng lồ công nghệ, mà được thúc đẩy bởi cộng đồng toàn cầu, tiến tới một hệ sinh thái công nghệ thực sự mở và bền vững. Mặc dù có nhiều thách thức, nhưng tương lai của công nghệ robot DePIN đầy hy vọng, có khả năng thay đổi hoàn toàn cách thức tương tác giữa AI và thế giới vật lý.