Інтеграція DePIN та втіленого інтелекту: виклики та перспективи

У недавньому епізоді подкасту про "будівництво децентралізованого фізичного штучного інтелекту" співзасновник FrodoBot Lab Майкл Чо обговорив виклики та можливості, з якими стикається децентралізована фізична інфраструктурна мережа (DePIN) у сфері робототехніки. Ця нова галузь, хоча ще знаходиться на початковому етапі, має потенціал кардинально змінити способи застосування AI-роботів у реальному світі. Проте, на відміну від традиційних AI, які покладаються на величезні дані з Інтернету, технології AI-роботів DePIN стикаються з більш складними проблемами, включаючи збори даних, обмеження обладнання, труднощі з оцінкою та стійкість економічних моделей.

У цій статті ми детально проаналізуємо ключові моменти цього обговорення, розглянемо основні перешкоди для технології роботів DePIN та чому DePIN має перевагу над централізованими методами. Наприкінці ми заглянемо в майбутні тенденції розвитку технології роботів DePIN.

Основні перешкоди DePIN розумного робота

Виклики збору даних

На відміну від традиційних AI-моделей, що залежать від великої кількості даних з Інтернету, втілені AI потребують розвитку інтелекту через взаємодію з реальним світом. На сьогоднішній день у світі ще не створено інфраструктуру, яка б підтримувала таке масове збирання даних, і в галузі немає єдиної думки щодо того, як ефективно збирати ці дані. Збирання даних для втіленого AI в основному включає три категорії:

1. Людські операційні дані: високоякісні дані, отримані шляхом ручного контролю роботів, включаючи відеопотоки та мітки дій. Цей метод найефективніше навчає ШІ імітувати людську поведінку, але він є дорогим і трудомістким.

2. Синтетичні дані (імітаційні дані): підходять для навчання роботів переміщатися в складних ландшафтах, але мають обмежену ефективність у виконанні змінних завдань (наприклад, приготування їжі).

3. Відео навчання: дайте AI моделі навчатися, спостерігаючи за відео з реального світу. Хоча є потенціал, не вистачає прямих фізичних зворотних зв'язків, необхідних для розвитку інтелекту.

підвищення рівня автономії

Щоб робототехніка стала справді практичною, її рівень успішності має бути близьким до 99,99% або навіть вищим. Проте, кожен підвищений рівень точності на 0,001% вимагатиме експоненційних витрат часу та зусиль. Прогрес у робототехніці має нелінійний характер, з кожним кроком вперед складність значно зростає. Реалізація останнього 1% точності може вимагати кількох років або навіть десятиліть зусиль.

апаратні обмеження

Навіть якщо моделі штучного інтелекту є дуже просунутими, існуюче апаратне забезпечення роботів не може повністю підтримувати справжню автономію. Основні проблеми включають:

• Відсутність дотикових датчиків: існуюча технологія далека від чутливості людських пальців.
• Важкість розпізнавання перешкод: роботам важко розпізнати та маніпулювати частково закритими об'єктами.
• Недостатній дизайн виконавчих механізмів: більшість виконавчих механізмів гуманоїдних роботів призводять до жорстких рухів, що становлять потенційну небезпеку.

Дилема розширення апаратного забезпечення

Реалізація технології розумних роботів вимагає розгортання фізичних пристроїв у реальному світі, що створює величезні капітальні виклики. Наразі лише фінансово потужні великі компанії можуть дозволити собі масштабні експерименти, а найсучасніші гуманоїдні роботи коштують десятки тисяч доларів, що ускладнює їхнє масове впровадження.

труднощі оцінки ефективності

На відміну від онлайн великих моделей штучного інтелекту, які можна швидко протестувати, оцінка фізичного штучного інтелекту вимагає тривалого розгортання у реальному світі. Цей процес займає багато часу, є дорогим і важко визначити, коли досягнуто справжнього рівня автономності.

Потреба в людських ресурсах

Розробка AI для роботів все ще потребує великої кількості людських ресурсів, включаючи операторів для надання навчальних даних, команди з обслуговування та дослідників і розробників, які постійно оптимізують моделі AI. Ця постійна потреба в людських ресурсах є одним з основних викликів, які DePIN має вирішити.

Перспективи майбутнього: Розрив у технології роботів

Хоча до масового впровадження загальних роботів з штучним інтелектом ще далеко, розвиток технології роботів DePIN дає надію. Масштаб і координаційні можливості децентралізованих мереж, ймовірно, розподілять капітальні витрати та прискорять процес збору та оцінки даних.

Переваги DePIN в основному проявляються в наступних кількох аспектах:

1. Прискорення збору та оцінки даних: децентралізована мережа може працювати в паралельному режимі на більшому масштабі та збирати дані.

2. Поліпшення апаратного забезпечення, підкріплене ШІ: оптимізація чіпів і матеріалознавства за допомогою ШІ може значно скоротити терміни технологічного розвитку.

3. Децентралізоване спільне використання обчислювальних ресурсів: дозволяє дослідникам у всьому світі навчати та оцінювати моделі без обмежень з боку капіталу.

4. Нові моделі прибутку: такі як автономна модель управління, що демонструється AI-агентами, яка підтримує фінансову стійкість через децентралізовану власність та токенізовані стимули.

Висновок

Розвиток AI-роботів залежить не лише від прогресу в алгоритмах, але й від оновлення апаратного забезпечення, накопичення даних, фінансової підтримки та участі людей. Створення мережі DePIN-роботів відкриває нові можливості для галузі, прискорюючи навчання AI та оптимізацію апаратного забезпечення через глобальну співпрацю, знижуючи поріг для розробки, дозволяючи більшій кількості учасників долучитися до цієї сфери. У майбутньому галузь робототехніки має потенціал звільнитися від залежності від кількох технологічних гігантів, рухаючись до більш відкритої та стійкої технологічної екосистеми за сприяння глобальної спільноти.