Злиття DePIN та втіленого інтелекту: виклики та перспективи

В нещодавній дискусії на тему "Створення децентралізованого фізичного штучного інтелекту" співзасновник FrodoBot Lab Майкл Чо поділився своїми поглядами на виклики та можливості децентралізованої фізичної інфраструктурної мережі (DePIN) у сфері робототехніки. Хоча ця галузь все ще знаходиться на початковому етапі, її потенціал величезний і може повністю змінити спосіб застосування AI-роботів у реальному світі. Однак, на відміну від традиційного AI, який покладається на величезні обсяги даних з Інтернету, технології DePIN робототехніки стикаються з більш складними проблемами, включаючи збір даних, апаратні обмеження, вузькі місця в оцінці та стійкість економічних моделей.

У цій статті буде детально розглянуто основні перешкоди, з якими стикається технологія роботів DePIN, проаналізовано, чому DePIN має переваги в порівнянні з централізованими методами, а також представлені перспективи майбутнього розвитку технології роботів DePIN.

Основні вузькі місця DePIN розумних роботів

дані вузькі місця

На відміну від "онлайн" AI-моделей, які залежать від великої кількості даних з Інтернету, інкапсульований AI потребує взаємодії з реальним світом для розвитку інтелекту. Наразі в усьому світі не вистачає такої великомасштабної інфраструктури, і в галузі ще не досягнуто консенсусу щодо того, як збирати ці дані. Збір даних для інкапсульованого AI в основному поділяється на три категорії:

1. Людські операційні дані: висока якість, здатні захоплювати відеопотоки та мітки дій, але мають високу вартість і великі трудовитрати.
2. Синтетичні дані (модельні дані): підходять для навчання роботів переміщатися в складних умовах, але мають обмежену ефективність у завданнях, що постійно змінюються.
3. Відео навчання: навчання шляхом спостереження за відео з реального світу, але без справжнього фізичного зворотного зв'язку.

рівень автономії

Хоча під час тестування роботи можуть демонструвати високий відсоток успіху, незначна ймовірність невдач у реальному застосуванні є неприйнятною. Для досягнення комерційного успіху, відсоток успіху робототехніки має бути близьким до 99,99% або навіть вищим. Однак останній етап підвищення точності часто вимагає експоненційних витрат часу та зусиль.

обмеження апаратного забезпечення

Навіть якщо моделі ШІ є надзвичайно розвиненими, існуюче обладнання роботів ще не готове до досягнення справжньої автономії. Основні проблеми включають:

• Відсутність дотикових сенсорів
• Складнощі в розпізнаванні遮挡物
• Обмеження дизайну виконавця

Проблема розширення апаратного забезпечення

Реалізація технології розумних роботів потребує розгортання фізичних пристроїв у реальному світі, що створює величезні капітальні виклики. На даний момент лише фінансово потужні великі компанії можуть дозволити собі масштабні експерименти.

оцінка ефективності

На відміну від онлайн-моделей великих AI, які можна швидко протестувати, оцінка фізичного AI вимагає тривалого розгортання в реальному світі, що потребує значних часу та ресурсів.

Потреба в людських ресурсах

У розробці AI для роботів людська праця залишається незамінною. Роботам потрібні оператори для надання навчальних даних, команди технічного обслуговування для підтримки роботи, а також дослідники для постійної оптимізації моделей AI.

Перспективи майбутнього робототехніки

Хоча масове впровадження універсальних роботів AI ще далеке, прогрес у технології роботів DePIN вселяє надію. Масштаб і координація децентралізованих мереж можуть розподілити капітальні витрати та прискорити процес збору та оцінки даних.

Переваги DePIN включають:

1. Прискорення збору та оцінки даних
2. Сприяння покращенню проектування апаратного забезпечення
3. Надання нових моделей прибутку

Наприклад, деякі AI-агенти вже продемонстрували, як підтримувати свою фінансову стабільність через децентралізовану власність та токенізовані стимули. У майбутньому ці AI-агенти можуть сформувати економічний цикл, вигідний для розвитку AI та учасників DePIN.

Висновок

Розвиток AI роботів залежить не лише від алгоритмів, але також включає оновлення апаратного забезпечення, накопичення даних, фінансову підтримку та участь людей. Створення DePIN роботизованої мережі означає, що за допомогою децентралізованої мережі розвиток робототехніки може здійснюватися на глобальному рівні, прискорюючи навчання AI та оптимізацію апаратного забезпечення, знижуючи бар'єри для розробки. Ми сподіваємося, що індустрія робототехніки зможе позбутися залежності від кількох технологічних гігантів, спільно просуваючи її глобальною спільнотою до справді відкритої та сталої технологічної екосистеми.