Вам нужно много качественных данных для работы, но вы не можете просто собрать данные о робототехнике из интернета, так как они требуют реального опыта и переменных.
Нет "Интернета роботизированных действий."
Множество команд работают и бросают глупые деньги в гуманоидов, так как они являются самой очевидной индустрией на десятки триллионов долларов благодаря тому, насколько эффективно они сделают рабочую силу ( более эффективной, чем средняя зарплата в Индии в 50 тыс. долларов США ).
Но самая большая гонка, как и ИИ, это:
1. Получение качественных данных 2. Задачи обучения
Фундаментальные модели похожи на LLM в ИИ, но вместо генерации текста они генерируют действия для роботов.
Существуют несколько различных подходов, которые команды используют для обучения задачам: некоторые используют небольшие высококачественные наборы данных с аннотацией, как на рисунке, а другие предпочитают метод "разброса и молитвы" с массовыми моделями.
Цель состоит в том, чтобы дать роботам широкий, предобученный общий смысл и способность обобщать в различных задачах и средах.
Вместо того, чтобы программировать робота для каждой задачи, вы обучаете гигантскую модель на разнообразных данных (видео с участием людей, симуляциях, реальных демонстрациях роботов, изображениях с текстовыми описаниями задач и т. д. ), и модель изучает воплощённое понимание физического мира.
Затем вы можете попросить робота сделать что-то ( с помощью команды или примера ), и «знания» базовой модели вступают в действие, как вы можете спросить ChatGPT что угодно.
Таким образом, большая разница для многих из этих компаний будет в области обучения задачам, они в настоящее время глубоко сосредоточены на стороне данных (мировых симуляций, синтетических данных, траекторий роботов, человеческих видео и т.д.), так как им необходимо идеально взаимодействовать с реальным миром, но с тем, что роботы/гуманоиды на самом деле могут делать, не так много разработок.
Nvidia является лидером одной из ключевых базовых моделей (Issac GR00T), которую они полностью открыли. У них уже есть сторонние команды, работающие на основе этой модели и значительно улучшающие эффективность (, фактически создали программу для гуманоидов, чтобы убирать комнату с минимальными изменениями в данных базовых моделей ).
Таким образом, основное пересечение между криптовалютой, ИИ и робототехникой, скорее всего, будет в секторе обучения задачам (, как в магазине приложений для робототехники ), поскольку ведущие фундаментальные модели уже становятся открытыми, и, вероятно, будут большие стимулы для независимых разработчиков вносить вклад и создавать крутые программы/задачи для гуманоидов.
В конце года/в начале следующего года ожидается много прогресса и широкомасштабного развития, когда, я думаю, робототехника переживет свой "chatgpt" момент (Элон активно продвигает свои новые гуманоидные модели, вирусные видео гуманоидов, выполняющих реальные задачи, интуитивные инвестиции, увольнения работников и т.д.).
Я могу обещать вам, что я не ошибаюсь в этой идее, она кажется идентичной ИИ в 2023 году. Вопрос не "если", а "когда".
Не игнорируйте одно из самых инновационных технологических достижений, произошедших за нашу жизнь, и не игнорируйте $CODEC, который является единственной доступной игрой на пересечении этой тенденции.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Робототехника работает довольно похоже на ИИ.
Вам нужно много качественных данных для работы, но вы не можете просто собрать данные о робототехнике из интернета, так как они требуют реального опыта и переменных.
Нет "Интернета роботизированных действий."
Множество команд работают и бросают глупые деньги в гуманоидов, так как они являются самой очевидной индустрией на десятки триллионов долларов благодаря тому, насколько эффективно они сделают рабочую силу ( более эффективной, чем средняя зарплата в Индии в 50 тыс. долларов США ).
Но самая большая гонка, как и ИИ, это:
1. Получение качественных данных
2. Задачи обучения
Фундаментальные модели похожи на LLM в ИИ, но вместо генерации текста они генерируют действия для роботов.
Существуют несколько различных подходов, которые команды используют для обучения задачам: некоторые используют небольшие высококачественные наборы данных с аннотацией, как на рисунке, а другие предпочитают метод "разброса и молитвы" с массовыми моделями.
Цель состоит в том, чтобы дать роботам широкий, предобученный общий смысл и способность обобщать в различных задачах и средах.
Вместо того, чтобы программировать робота для каждой задачи, вы обучаете гигантскую модель на разнообразных данных (видео с участием людей, симуляциях, реальных демонстрациях роботов, изображениях с текстовыми описаниями задач и т. д. ), и модель изучает воплощённое понимание физического мира.
Затем вы можете попросить робота сделать что-то ( с помощью команды или примера ), и «знания» базовой модели вступают в действие, как вы можете спросить ChatGPT что угодно.
Таким образом, большая разница для многих из этих компаний будет в области обучения задачам, они в настоящее время глубоко сосредоточены на стороне данных (мировых симуляций, синтетических данных, траекторий роботов, человеческих видео и т.д.), так как им необходимо идеально взаимодействовать с реальным миром, но с тем, что роботы/гуманоиды на самом деле могут делать, не так много разработок.
Nvidia является лидером одной из ключевых базовых моделей (Issac GR00T), которую они полностью открыли. У них уже есть сторонние команды, работающие на основе этой модели и значительно улучшающие эффективность (, фактически создали программу для гуманоидов, чтобы убирать комнату с минимальными изменениями в данных базовых моделей ).
Таким образом, основное пересечение между криптовалютой, ИИ и робототехникой, скорее всего, будет в секторе обучения задачам (, как в магазине приложений для робототехники ), поскольку ведущие фундаментальные модели уже становятся открытыми, и, вероятно, будут большие стимулы для независимых разработчиков вносить вклад и создавать крутые программы/задачи для гуманоидов.
В конце года/в начале следующего года ожидается много прогресса и широкомасштабного развития, когда, я думаю, робототехника переживет свой "chatgpt" момент (Элон активно продвигает свои новые гуманоидные модели, вирусные видео гуманоидов, выполняющих реальные задачи, интуитивные инвестиции, увольнения работников и т.д.).
Я могу обещать вам, что я не ошибаюсь в этой идее, она кажется идентичной ИИ в 2023 году. Вопрос не "если", а "когда".
Не игнорируйте одно из самых инновационных технологических достижений, произошедших за нашу жизнь, и не игнорируйте $CODEC, который является единственной доступной игрой на пересечении этой тенденции.