Resumo Executivo

Os robôs humanoides de propósito geral estão a passar rapidamente de ficção científica para realidade comercial. A diminuição dos custos de hardware, o aumento do investimento de capital e os avanços na locomoção e destreza estão a convergir para impulsionar a próxima grande mudança de plataforma na computação.

Embora a computação e o hardware estejam cada vez mais comoditizados, proporcionando ventos favoráveis de baixo custo à engenharia de robótica, o setor ainda está limitado por um estrangulamento de dados de treino.

Reborn é um dos poucos projetos que utiliza inteligência artificial física descentralizada (DePAI) para crowdsourcing de dados de movimento de alta fidelidade e dados sintéticos, e construir modelos fundamentais robóticos, posicionando-o de forma única para catalisar a implementação de humanoides. O projeto é liderado por uma equipe fundadora profundamente técnica com formações em pesquisa e professores na UC Berkeley, Cornell, Harvard e Apple, combinando excelência acadêmica com execução de engenharia no mundo real.

Humanoides: Da Ficcão à Linha da Frente

A robótica comercializada não é um conceito novo. A maioria está familiarizada com produtos como o aspirador iRobot Roomba, que estreou em 2002, ou robôs domésticos mais recentes, como a câmara para animais de estimação da Kasa. Ambos são construídos para um único propósito. Com a ajuda da IA, os robôs estão evoluindo de máquinas de propósito único para multiuso, projetados para operar em ambientes não estruturados.

Os robôs humanoides progredirão de tarefas básicas como limpar e cozinhar para funções de concierge, combate a incêndios e até mesmo cirurgia nos próximos 5 a 15 anos.

Desenvolvimentos recentes estão transformando a robótica humanoide de ficção científica em realidade.

• Expansão de mercado: mais de 100 empresas a construir humanoides (por exemplo, Tesla, Unitree, Figure, Clone, Agile, etc.).
• A tecnologia de hardware ultrapassou o vale inquietante: Novos humanoides exibem movimentos fluidos e naturais, permitindo interações semelhantes às humanas em ambientes do mundo real. O H1 da Unitree caminha mais rápido do que o humano médio (3,3 m/s vs 1,4 m/s).
• Novo paradigma dos custos de trabalho: Espera-se que os robôs humanoides reduzam os salários nos EUA até 2032.

O Gargalo: Dados de Treino do Mundo Real

Apesar das claras condições favoráveis para a robótica humanoide, a implantação em massa continua a ser limitada pela qualidade e escassez de dados.

Outras manifestações de IA, como a condução autónoma, superaram em grande parte o problema dos dados através de câmaras e sensores em veículos existentes. No caso da condução autónoma (por exemplo, Tesla, Waymo), estas frotas conseguem gerar bilhões de milhas de dados de condução do mundo real. A Waymo conseguiu colocar os seus carros na estrada para treino em tempo real com um "babysitter" humano no lugar do passageiro durante esta fase.

No entanto, os consumidores são pouco propensos a tolerar a presença de um "babá robô". Os robôs devem ser eficientes desde o início, tornando a aquisição de dados antes da implementação essencial. O treinamento deve ser concluído antes da produção comercial, onde a escala e a qualidade dos dados continuam a ser um problema.

Embora cada modalidade de treino tenha a sua própria unidade de escala (ou seja, tokens para LLMs, pares vídeo-texto para geradores de imagem e episódios de movimento para robótica), a comparação abaixo destaca a diferença de ordens de magnitude na disponibilidade de dados com que os dados de robótica estão a lutar:

• O GPT-4 foi treinado com mais de 15 trilhões de tokens de texto
• Midjourney/Sora aproveita bilhões de pares de vídeo-texto rotulados
• Em contraste, os maiores conjuntos de dados de robótica contêm apenas ~2,4 milhões de episódios

Essa disparidade ilustra por que a robótica ainda não alcançou um verdadeiro modelo de base da mesma forma que os LLMs. Os dados simplesmente ainda não estão lá.

Os métodos tradicionais de coleta de dados não escalam para dados de treinamento de robótica humanoide. Os métodos atuais incluem:

• Simulação: Barata, mas carece de casos de borda do mundo real (gap Sim2Real)
• Vídeo na Internet: Não contém o contexto proprioceptivo ou de feedback de força necessário para a aprendizagem de robôs
• Dados do mundo real: Precisos, mas requer teleoperação e um humano no circuito, o que é caro (mais de 40 mil dólares por robô) e carece de escalabilidade.

O treinamento em ambientes virtuais é barato e escalável, mas os modelos muitas vezes enfrentam dificuldades quando implantados no mundo real. Esse problema é conhecido como a lacuna Sim2Real.

Por exemplo, um robô treinado em simulação pode ter sucesso ao levantar objetos com iluminação perfeita e superfícies planas, mas falhar quando confrontado com ambientes desordenados, texturas irregulares ou situações imperfeitas às quais os humanos estão acostumados no mundo físico.

Reborn oferece uma maneira de obter dados do mundo real de forma rápida e barata, permitindo um treinamento robusto de robótica e resolvendo a lacuna Sim2Real.

Reborn: Uma Visão Full-Stack para IA Física Descentralizada

Reborn está a construir uma plataforma de software e dados verticalmente integrada para IA física. No seu núcleo, a Reborn está a resolver o estrangulamento de dados para robótica humanoide, mas a sua ambição vai muito além disso. Através de uma combinação de hardware proprietário, infraestrutura de simulação multimodal e desenvolvimento de modelos fundamentais, a Reborn torna-se um facilitador de pilha completa de inteligência incorporada.

O stack Reborn começa com o "ReboCap", um dispositivo de captura de movimento de grau de consumo proprietário. Isso alimenta um ecossistema de jogos AR/VR em rápida expansão, onde os usuários geram dados de movimento de alta fidelidade em troca de incentivos de rede. A Reborn vendeu mais de 5.000 unidades de ReboCap e agora suporta 160.000 usuários ativos mensais (MAUs), com um caminho claro para dois milhões até o final do ano.

Reborn permite a captura de dados a uma economia muito melhor do que os métodos alternativos.

Impressionantemente, este crescimento tem sido orgânico: os utilizadores são atraídos pelo valor de entretenimento dos próprios jogos, e os streamers estão a adotar o ReboCap para animar avatares digitais com rastreamento corporal em tempo real. Este ciclo de engajamento orgânico alimenta a geração de dados escalável, de baixo custo e de alta fidelidade, tornando o conjunto de dados do Reborn um recurso valioso de formação para as principais empresas de robótica.

A segunda camada da pilha de software do Reborn éRoboverse, uma plataforma de dados multimodal que unifica ambientes de simulação fragmentados. O panorama atual da simulação é altamente fragmentado, por exemplo, ferramentas como Mujoco e NVIDIA Isaac Lab oferecem cada uma forças diferentes, mas carecem de interoperabilidade. Esta balcanização desacelera o progresso e agrava a lacuna Sim2Real. O Roboverse aborda isso padronizando entre simuladores, criando uma infraestrutura virtual compartilhada para desenvolver e avaliar modelos de robótica. Esta integração permite uma avaliação consistente, melhorando a escalabilidade e a generalizabilidade.

Juntos, ReboCap e Roboverse formam a base da plataforma de pilha completa da Reborn. O primeiro captura dados do mundo real em grande escala, enquanto o último orquestra ambientes de simulação para treinamento de modelos. Esta abordagem integrada demonstra o verdadeiro poder da rede DePAI da Reborn. Está a construir uma plataforma de desenvolvimento para IA Física que se estende além da simples aquisição de dados, até à implementação e licenciamento de modelos reais.

O Modelo da Fundação Reborn

Talvez o componente mais crucial da pilha de software da Reborn seja o modelo de fundação Reborn (RFM). A Reborn está a desenvolver um dos primeiros modelos de fundação para robótica, projetados para servir como infraestrutura central para a emergente pilha de IA Física. Pense em modelos de fundação tradicionais para LLMs, como o o4 da OpenAI ou o Llama da Meta, mas para robôs.

A Pilha Tecnológica Renascente

A combinação dos três principais elementos da pilha do Reborn (ReboCap, Roboverse e o RFM) cria uma forte barreira integrada verticalmente para o Reborn. Ao combinar dados de movimento coletados de forma colaborativa com simulação robusta e licenciamento de modelos, o Reborn pode treinar modelos com a escala e diversidade necessárias para generalizar em diferentes casos de uso. O resultado é um modelo base que suporta aplicações posteriores em uma ampla gama de casos de uso, incluindo robótica industrial, de consumo e de pesquisa.

A Reborn está a comercializar ativamente a sua tecnologia, lançando pilotos pagos com a Galbot e a Noematrix e estabelecendo parcerias estratégicas com a Unitree, a Booster Robotics, a Swiss Mile e a Agile Robots. O mercado de robôs humanoides da China está a crescer rapidamente, representando cerca de 32,7% do mercado global. Notavelmente, a Unitree detém mais de 60% do mercado global de robôs quadrúpedes e está entre seis fabricantes chineses de robôs humanoides que planeiam produzir mais de 1.000 unidades em 2025.

O Papel do Cripto na Pilha de IA Física

Cripto está a permitir toda a pilha vertical para IA física.

Reborn é um projeto cripto de IA incorporada líder.

Embora todos esses projetos estejam em diferentes partes da pilha de IA física, todos têm algo em comum: 100% deles são projetos DePAI! DePAI torna a IA física descentralizada possível ao garantir escalabilidade aberta, composta e sem permissão por meio de incentivos de token em toda a pilha.

O fato de que a Reborn ainda não lançou um token torna seu crescimento orgânico ainda mais impressionante. Assim que os incentivos do token forem ativados, espera-se que a participação na rede acelere como parte do ciclo de DePAI: a Reborn emite incentivos para a aquisição de seu hardware (o ReboCap), as empresas de robótica pagam aos proprietários do ReboCap por suas contribuições, incentivando mais pessoas a comprar e usar o ReboCap. A Reborn também incentivará dinamicamente comportamentos de casos extremos de alto valor - garantindo uma cobertura ainda melhor da lacuna Sim2Real.

O Flywheel DePAI da Reborn em ação

É tudo sobre os Dados

O momento “ChatGPT” da robótica não virá das próprias empresas de robótica, pois o hardware é muito mais complicado de implementar do que o software. A viralidade na robótica é inerentemente limitada pelo custo, disponibilidade de hardware e complexidades logísticas. Esses fatores estão ausentes em software puramente digital como o ChatGPT.

O ponto de viragem para a robótica humanoide não virá quando os protótipos impressionarem, mas quando os custos caírem o suficiente para a adoção em massa — como aconteceu com os smartphones ou PCs. Quando os custos caírem, o hardware torna-se um requisito básico. A verdadeira vantagem competitiva residirá em dados e modelos. Especificamente, na escala, qualidade e diversidade da inteligência de movimento usada para treinar essas máquinas.

Conclusão

A mudança para a plataforma de robótica é inevitável, mas, como todas as plataformas, precisa de dados para escalar. Reborn é uma aposta de alto impacto de que o cripto pode preencher a lacuna mais aguda na pilha de robótica de IA. DePAI para dados de robótica é rentável, escalável e composicional. Num mundo onde a robótica é a próxima fronteira da IA, Reborn é o equivalente a transformar humanos comuns nos “mineiros” de dados de movimento. Assim como os LLMs precisam de tokens de texto, os robôs humanoides precisam de episódios de movimento. Reborn é como desbloqueamos um dos últimos gargalos restantes na transformação da robótica humanoide de ficção científica em realidade.

Aviso:

1. Este artigo é reimpresso de [ hipersfera_]. Todos os direitos autorais pertencem ao autor original [hiperesfera_]. Se houver objeções a esta reimpressão, por favor entre em contato com o Gate Learn equipe, e eles irão lidar com isso prontamente.
2. Declaração de Isenção de Responsabilidade: As opiniões e pontos de vista expressos neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. As traduções do artigo em outras línguas são feitas pela equipa Gate Learn. A menos que mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.