في 27 فبراير ، استضاف مساري بودكاست حول "بناء الذكاء الاصطناعي المادية اللامركزية" مع مايكل تشو ، المؤسس المشارك لمختبر FrodoBot. تحدثوا عن تحديات وفرص شبكات البنية التحتية المادية اللامركزية (DePIN) في الروبوتات. بينما لا يزال هذا المجال في مهده ، لديه إمكانات كبيرة لإحداث ثورة في طريقة عمل الذكاء الاصطناعي الروبوتات في العالم الحقيقي. ومع ذلك ، على عكس الذكاء الاصطناعي التقليدية ، التي تعتمد على كميات كبيرة من بيانات الإنترنت ، تواجه تقنية DePIN robotics الذكاء الاصطناعي مشكلات أكثر تعقيدا ، مثل جمع البيانات ، وقيود الأجهزة ، واختناقات التقييم ، واستدامة النموذج الاقتصادي.
في مقال اليوم ، سنقوم بتفصيل النقاط الرئيسية في هذه المناقشة ، وإلقاء نظرة على المشكلات التي واجهتها روبوتات DePIN ، وما هي العوائق الرئيسية التي تحول دون توسيع نطاق الروبوتات اللامركزية ، ولماذا يعد DePIN أكثر فائدة من الأساليب المركزية. أخيرا ، سنستكشف مستقبل روبوتات DePIN لمعرفة ما إذا كنا على وشك "لحظة ChatGPT" لروبوتات DePIN.
أين عنق الزجاجة من الروبوتات الذكية DePIN؟
عندما بدأ مايكل تشو العمل على FrodoBot لأول مرة ، كان أكبر صداع له هو تكلفة الروبوتات. سعر الروبوتات التجارية في السوق مرتفع بشكل يبعث على السخرية ، مما يجعل من الصعب الترويج لتطبيقات الذكاء الاصطناعي في العالم الحقيقي. كان حله الأولي هو بناء روبوت مستقل منخفض التكلفة يكلف أقل من 500 دولار ، ويعتزم الفوز بسعر أرخص من معظم المشاريع الحالية.
ولكن بينما كان هو وفريقه يعملون بشكل أعمق ، أدرك مايكل أن التكلفة لم تكن عنق الزجاجة حقا. تحديات شبكة البنية التحتية المادية اللامركزية (DePIN) في الروبوتات أكثر تعقيدا بكثير من "باهظة الثمن أم لا". مع استمرار تقدم FrodoBotLab ، تظهر اختناقات متعددة في روبوتات DePIN. لتحقيق النشر على نطاق واسع ، يجب التغلب على الاختناقات التالية.
عنق الزجاجة 1: البيانات
على عكس نماذج الذكاء الاصطناعي الكبيرة "عبر الإنترنت" المدربة على كميات كبيرة من بيانات الإنترنت ، يتطلب الذكاء الاصطناعي المتجسد (AI) التفاعل مع العالم الحقيقي لتطوير الذكاء. المشكلة هي أنه لا يوجد مثل هذا الأساس الواسع النطاق في العالم ، ولا يوجد إجماع حول كيفية جمع هذه البيانات. يمكن تجميع جمع البيانات عن الذكاء الاصطناعي المجسدة في الفئات العامة الثلاث التالية:
▎ الفئة الأولى هي ** بيانات التشغيل البشري ** ، وهي البيانات التي يتم إنشاؤها عندما يتحكم البشر يدويا في الروبوتات. هذا النوع من البيانات ذو جودة عالية ويلتقط تدفقات الفيديو وعلامات الحركة - أي ما يراه البشر وكيف يتفاعلون وفقا لذلك. هذه هي الطريقة الأكثر فعالية لتدريب الذكاء الاصطناعي على تقليد السلوك البشري ، ولكن لها عيب كونها مكلفة وكثيفة العمالة.
النوع الثاني هو البيانات الاصطناعية (بيانات المحاكاة)، وهي مفيدة جدا لتدريب الروبوتات على التحرك في التضاريس المعقدة، مثل تدريب الروبوتات على المشي على أرض وعرة، وهو مفيد جدا لبعض المجالات المتخصصة. ولكن بالنسبة لبعض المهام الأكثر تنوعا ، مثل الطهي ، فإن محاكاة البيئة ليست جيدة. يمكننا أن نتخيل حالة تدريب روبوت على قلي البيض: يمكن أن تؤثر التغييرات الصغيرة في نوع المقلاة ودرجة حرارة الزيت وظروف الغرفة على النتائج ، ومن الصعب على البيئة الافتراضية تغطية جميع المشاهد.
▎ الفئة الثالثة هي ** تعلم الفيديو ** ، وهي السماح للنموذج الذكاء الاصطناعي بالتعلم من خلال مراقبة مقاطع الفيديو في العالم الحقيقي. في حين أن هذا النهج لديه إمكانات ، إلا أنه يفتقر إلى ردود الفعل التفاعلية المباشرة المادية الحقيقية المطلوبة للذكاء.
عنق الزجاجة 2: مستوى الحكم الذاتي
يذكر مايكل أنه عندما اختبر FrodoBot لأول مرة في العالم الحقيقي ، كان يستخدم الروبوتات بشكل أساسي لعمليات التسليم في الميل الأخير. إحصائيا ، النتائج جيدة جدا في الواقع - أكمل الروبوت بنجاح 90٪ من مهام التسليم. لكن معدل الفشل بنسبة 10٪ في الحياة الواقعية أمر غير مقبول. الروبوت الذي يفشل في كل 10 عمليات تسليم هو ببساطة ليس تجاريا. تماما مثل تقنية القيادة الآلية ، يمكن أن يكون للقيادة الذاتية سجل 10000 قيادة ناجحة ، لكن فشلا واحدا يكفي لهزيمة ثقة المستهلكين التجاريين.
لذلك ، لكي تكون الروبوتات مفيدة حقا ، يجب أن يكون معدل النجاح قريبا من 99.99٪ أو أعلى. لكن المشكلة هي أنه مقابل كل تحسن بنسبة 0.001٪ في الدقة ، يستغرق الأمر وقتا وجهدا هائلين. كثير من الناس يقللون من صعوبة هذه الخطوة النهائية.
يتذكر مايكل أنه عندما جلس في النموذج الأولي لسيارة Google ذاتية القيادة في عام 2015 ، شعر أن القيادة الذاتية بالكامل كانت على وشك أن تصبح حقيقة واقعة. بعد عشر سنوات ، ما زلنا نناقش متى سيكون المستوى 5 مستقلا تماما. إن التقدم في مجال الروبوتات ليس خطيا ، ولكنه أسي بطبيعته - مع كل خطوة إلى الأمام ، تزداد الصعوبة بشكل كبير. قد يستغرق معدل الدقة الأخير بنسبة 1٪ سنوات أو حتى عقودا لتحقيقه.
عنق الزجاجة 3: الأجهزة: الذكاء الاصطناعي وحدها لا تستطيع حل مشكلة الروبوتات
بالرجوع خطوة إلى الوراء ، حتى مع أفضل نماذج الذكاء الاصطناعي ، فإن أجهزة الروبوت الحالية ليست جاهزة للاستقلالية الحقيقية. على سبيل المثال ، المشكلة الأكثر تجاهلا في الأجهزة هي الافتقار إلى أجهزة الاستشعار عن طريق اللمس - أفضل التقنيات الحالية ، مثل أبحاث Meta الذكاء الاصطناعي ، ليست قريبة من حساسية طرف الإصبع البشري. يتفاعل البشر مع العالم من خلال البصر واللمس ، بينما لا تعرف الروبوتات سوى القليل عن الملمس والقبضة وردود الفعل الضغطية.
هناك أيضا مشكلة الانسداد - عندما يتم حظر كائن جزئيا ، يصعب على الروبوت التعرف عليه والتفاعل معه. ويمكن للبشر فهم كائن ما بشكل حدسي حتى لو لم يتمكنوا من رؤيته بالكامل.
بالإضافة إلى مشكلة الإدراك ، فإن مشغل الروبوت نفسه معيب أيضا. تضع معظم الروبوتات البشرية مشغلاتها مباشرة على مفاصلها ، مما يجعلها ضخمة ويحتمل أن تكون خطرة. في المقابل ، تسمح بنية الأوتار البشرية بحركات أكثر سلاسة وأمانا. هذا هو السبب في أن الروبوتات البشرية الحالية تبدو صلبة وغير مرنة. تقوم شركات مثل Apptronik بتطوير المزيد من تصميمات المحركات المستوحاة من الناحية الحيوية ، لكن هذه الابتكارات ستستغرق وقتا حتى تنضج.
عنق الزجاجة 4: لماذا يعد توسيع الأجهزة صعبا للغاية؟
على عكس نماذج الذكاء الاصطناعي التقليدية ، التي تعتمد فقط على قوة الحوسبة ، يتطلب تنفيذ الروبوتات الذكية نشر الأجهزة المادية في العالم الحقيقي. وهذا يشكل تحديا كبيرا لرأس المال. بناء الروبوتات مكلف ، ولا تستطيع سوى أغنى الشركات الكبرى تحمل تكاليف التجارب واسعة النطاق. حتى أكثر الروبوتات البشرية كفاءة تكلف الآن عشرات الآلاف من الدولارات ، مما يجعل التبني الجماعي ببساطة غير واقعي.
عنق الزجاجة 5: تقييم الفعالية
هذا عنق زجاجة "غير مرئي". إذا فكرت في الأمر ، يمكن لنموذج الذكاء الاصطناعي كبير عبر الإنترنت مثل ChatGPT اختبار وظائفه على الفور تقريبا - بعد إصدار نموذج لغة جديد ، يمكن للباحثين أو المستخدمين العاديين في جميع أنحاء العالم استخلاص استنتاجات حول أدائه في غضون ساعات. لكن تقييم الذكاء الاصطناعي المادية يتطلب عمليات نشر في العالم الحقيقي ، والتي تستغرق وقتا.
يعد برنامج القيادة الذاتية الكاملة (FSD) من Tesla مثالا جيدا. إذا سجلت تسلا 1 مليون ميل بدون حوادث ، فهل هذا يعني أنها وصلت بالفعل إلى المستوى 5 من الاستقلالية؟ ماذا عن 10 ملايين ميل؟ تكمن مشكلة الذكاء الآلي في أن الطريقة الوحيدة للتحقق من صحته هي معرفة أين يفشل في النهاية ، مما يعني عمليات نشر واسعة النطاق وطويلة الأجل في الوقت الفعلي.
عنق الزجاجة 6: القوى العاملة
التحدي الآخر الذي تم التقليل من شأنه هو أن العمل البشري لا يزال لا غنى عنه في تطوير الذكاء الاصطناعي الروبوتية. الذكاء الاصطناعي وحده لا يكفي. تحتاج الروبوتات إلى بيانات تدريب من المشغلين البشريين. يحافظ فريق الصيانة على تشغيل الروبوت. والباحثين / المطورين الأساسيين لتحسين نماذج الذكاء الاصطناعي باستمرار. على عكس النماذج الذكاء الاصطناعي التي يمكن تدريبها في السحابة ، تتطلب الروبوتات تدخلا بشريا مستمرا - وهو تحد كبير يجب على DePIN معالجته.
المستقبل: متى ستصل لحظة ChatGPT للروبوتات؟
يعتقد البعض أن لحظة ChatGPT للروبوتات قادمة. مايكل متشكك إلى حد ما. بالنظر إلى تحديات الأجهزة والبيانات والتقييم ، يعتقد أن الذكاء الاصطناعي الروبوتية للأغراض العامة لا تزال بعيدة عن التبني الشامل. ومع ذلك ، فإن تقدم روبوتات DePIN يعطي بعض الأمل. يجب أن يكون تطوير الروبوتات لامركزيا ولا يخضع لسيطرة عدد قليل من الشركات الكبيرة. يمكن أن يؤدي حجم وتنسيق الشبكة اللامركزية إلى توزيع عبء رأس المال. بدلا من الاعتماد على شركة كبيرة لدفع ثمن الآلاف من الروبوتات ، ضع الأفراد الذين يمكنهم المساهمة في شبكة مشتركة.
لتوضيح - أولا وقبل كل شيء ، يعمل DePIN على تسريع جمع البيانات وتقييمها. بدلا من انتظار قيام الشركة بنشر عدد محدود من الروبوتات لجمع البيانات ، يمكن تشغيل الشبكات اللامركزية بالتوازي وجمع البيانات على نطاق أوسع بكثير. على سبيل المثال، في مسابقة حديثة للروبوتات من الذكاء الاصطناعي إلى الإنسان في أبو ظبي، وضع باحثون من مؤسسات مثل DeepMind و UT Austin نماذجهم الذكاء الاصطناعي على المحك ضد اللاعبين البشريين. بينما لا يزال البشر سائدين ، فإن الباحثين متحمسون لمجموعات البيانات الفريدة التي تم جمعها من تفاعلات الروبوت في العالم الحقيقي. هذه شهادة على الحاجة إلى شبكات فرعية تربط المكونات المختلفة للروبوتات. يظهر حماس مجتمع البحث أيضا أنه حتى لو ظل الاستقلالية الكاملة هدفا طويل الأجل ، فقد أظهرت روبوتات DePIN قيمة ملموسة من جمع البيانات والتدريب إلى النشر والتحقق من الصحة في العالم الحقيقي.
من ناحية أخرى ، يمكن أن تؤدي تحسينات تصميم الأجهزة التي تعتمد على الذكاء الاصطناعي ، مثل تحسين الرقائق وهندسة المواد باستخدام الذكاء الاصطناعي ، إلى تقصير الجدول الزمني بشكل كبير. ومن الأمثلة الملموسة على ذلك عندما دخل FrodoBot Lab في شراكة مع مؤسسات أخرى لتأمين صندوقين من وحدات معالجة الرسومات NVIDIA H100 - يحتوي كل منهما على ثماني شرائح H100. يوفر هذا للباحثين قوة الحوسبة اللازمة لمعالجة وتحسين النماذج الذكاء الاصطناعي لبيانات العالم الحقيقي التي تم جمعها من عمليات نشر الروبوتات. بدون موارد الحوسبة هذه ، لا يمكن استخدام حتى مجموعات البيانات الأكثر قيمة بشكل كامل. من خلال الوصول إلى البنية التحتية للحوسبة اللامركزية في DePIN ، تسمح شبكة الروبوتات للباحثين في جميع أنحاء العالم بتدريب وتقييم النماذج دون التقيد بملكية GPU كثيفة رأس المال. إذا نجحت DePIN في التعهيد الجماعي للبيانات وتطورات الأجهزة ، فقد يأتي مستقبل الروبوتات في وقت أقرب مما كان متوقعا.
بالإضافة إلى ذلك ، يعرض وكلاء الذكاء الاصطناعي مثل Sam (روبوت KOL متنقل بعملات meme) نموذجا جديدا لتحقيق الدخل لشبكات الروبوتات اللامركزية. يعمل Sam بشكل مستقل ، ويتدفق مباشرة 24/7 في مدن متعددة ، كما تزداد قيمة عملات meme الخاصة به. يوضح هذا النموذج كيف يمكن للروبوتات الذكية المدعومة من DEPIN الحفاظ على مواردها المالية من خلال الملكية اللامركزية والحوافز الرمزية. في المستقبل ، يمكن لوكلاء الذكاء الاصطناعي هؤلاء استخدام الرموز المميزة لدفع ثمن المساعدة من المشغلين البشريين ، أو استئجار أصول روبوت إضافية ، أو المزايدة على مهام العالم الحقيقي ، مما يخلق دورة اقتصادية تفيد كل من الذكاء الاصطناعي التنمية والمشاركين في DePIN.
ملخص
لا يعتمد تطوير الذكاء الاصطناعي الروبوت على الخوارزميات فحسب ، بل يعتمد أيضا على ترقيات الأجهزة وتراكم البيانات والدعم المالي والمشاركة البشرية. في الماضي ، كان نمو صناعة الروبوتات محدودا بسبب ارتفاع التكاليف وهيمنة الشركات الكبيرة ، مما أعاق سرعة الابتكار. يعني إنشاء شبكة DePIN bot أنه مع قوة الشبكة اللامركزية ، يمكن تنسيق جمع بيانات الروبوت وموارد الحوسبة واستثمار رأس المال على نطاق عالمي ، ليس فقط تسريع التدريب الذكاء الاصطناعي وتحسين الأجهزة ، ولكن أيضا تقليل حاجز التطوير للسماح لمزيد من الباحثين ورجال الأعمال والمستخدمين الأفراد بالمشاركة. نتوقع أيضا أن صناعة الروبوتات لن تعتمد بعد الآن على عدد قليل من عمالقة التكنولوجيا ، ولكن سيتم دفعها من قبل المجتمع العالمي للتحرك نحو نظام بيئي تكنولوجي مفتوح ومستدام حقا.
جميع المحتويات الموجودة على منصة Coinspire هي لأغراض إعلامية فقط ولا تشكل عرضا أو توصية لأي استراتيجية استثمار ، وأي قرارات فردية يتم اتخاذها بناء على محتوى هذه المقالة هي مسؤولية المستثمر وحده ، و Coinspire ليست مسؤولة عن أي مكاسب أو خسائر تنشأ عن ذلك.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
التحديات التقنية ومستقبل DePIN والذكاء المتجسد
! التحديات التقنية ومستقبل DePIN والذكاء المجسد
في 27 فبراير ، استضاف مساري بودكاست حول "بناء الذكاء الاصطناعي المادية اللامركزية" مع مايكل تشو ، المؤسس المشارك لمختبر FrodoBot. تحدثوا عن تحديات وفرص شبكات البنية التحتية المادية اللامركزية (DePIN) في الروبوتات. بينما لا يزال هذا المجال في مهده ، لديه إمكانات كبيرة لإحداث ثورة في طريقة عمل الذكاء الاصطناعي الروبوتات في العالم الحقيقي. ومع ذلك ، على عكس الذكاء الاصطناعي التقليدية ، التي تعتمد على كميات كبيرة من بيانات الإنترنت ، تواجه تقنية DePIN robotics الذكاء الاصطناعي مشكلات أكثر تعقيدا ، مثل جمع البيانات ، وقيود الأجهزة ، واختناقات التقييم ، واستدامة النموذج الاقتصادي.
في مقال اليوم ، سنقوم بتفصيل النقاط الرئيسية في هذه المناقشة ، وإلقاء نظرة على المشكلات التي واجهتها روبوتات DePIN ، وما هي العوائق الرئيسية التي تحول دون توسيع نطاق الروبوتات اللامركزية ، ولماذا يعد DePIN أكثر فائدة من الأساليب المركزية. أخيرا ، سنستكشف مستقبل روبوتات DePIN لمعرفة ما إذا كنا على وشك "لحظة ChatGPT" لروبوتات DePIN.
أين عنق الزجاجة من الروبوتات الذكية DePIN؟
عندما بدأ مايكل تشو العمل على FrodoBot لأول مرة ، كان أكبر صداع له هو تكلفة الروبوتات. سعر الروبوتات التجارية في السوق مرتفع بشكل يبعث على السخرية ، مما يجعل من الصعب الترويج لتطبيقات الذكاء الاصطناعي في العالم الحقيقي. كان حله الأولي هو بناء روبوت مستقل منخفض التكلفة يكلف أقل من 500 دولار ، ويعتزم الفوز بسعر أرخص من معظم المشاريع الحالية.
ولكن بينما كان هو وفريقه يعملون بشكل أعمق ، أدرك مايكل أن التكلفة لم تكن عنق الزجاجة حقا. تحديات شبكة البنية التحتية المادية اللامركزية (DePIN) في الروبوتات أكثر تعقيدا بكثير من "باهظة الثمن أم لا". مع استمرار تقدم FrodoBotLab ، تظهر اختناقات متعددة في روبوتات DePIN. لتحقيق النشر على نطاق واسع ، يجب التغلب على الاختناقات التالية.
عنق الزجاجة 1: البيانات
على عكس نماذج الذكاء الاصطناعي الكبيرة "عبر الإنترنت" المدربة على كميات كبيرة من بيانات الإنترنت ، يتطلب الذكاء الاصطناعي المتجسد (AI) التفاعل مع العالم الحقيقي لتطوير الذكاء. المشكلة هي أنه لا يوجد مثل هذا الأساس الواسع النطاق في العالم ، ولا يوجد إجماع حول كيفية جمع هذه البيانات. يمكن تجميع جمع البيانات عن الذكاء الاصطناعي المجسدة في الفئات العامة الثلاث التالية:
▎ الفئة الأولى هي ** بيانات التشغيل البشري ** ، وهي البيانات التي يتم إنشاؤها عندما يتحكم البشر يدويا في الروبوتات. هذا النوع من البيانات ذو جودة عالية ويلتقط تدفقات الفيديو وعلامات الحركة - أي ما يراه البشر وكيف يتفاعلون وفقا لذلك. هذه هي الطريقة الأكثر فعالية لتدريب الذكاء الاصطناعي على تقليد السلوك البشري ، ولكن لها عيب كونها مكلفة وكثيفة العمالة.
النوع الثاني هو البيانات الاصطناعية (بيانات المحاكاة)، وهي مفيدة جدا لتدريب الروبوتات على التحرك في التضاريس المعقدة، مثل تدريب الروبوتات على المشي على أرض وعرة، وهو مفيد جدا لبعض المجالات المتخصصة. ولكن بالنسبة لبعض المهام الأكثر تنوعا ، مثل الطهي ، فإن محاكاة البيئة ليست جيدة. يمكننا أن نتخيل حالة تدريب روبوت على قلي البيض: يمكن أن تؤثر التغييرات الصغيرة في نوع المقلاة ودرجة حرارة الزيت وظروف الغرفة على النتائج ، ومن الصعب على البيئة الافتراضية تغطية جميع المشاهد.
▎ الفئة الثالثة هي ** تعلم الفيديو ** ، وهي السماح للنموذج الذكاء الاصطناعي بالتعلم من خلال مراقبة مقاطع الفيديو في العالم الحقيقي. في حين أن هذا النهج لديه إمكانات ، إلا أنه يفتقر إلى ردود الفعل التفاعلية المباشرة المادية الحقيقية المطلوبة للذكاء.
عنق الزجاجة 2: مستوى الحكم الذاتي
يذكر مايكل أنه عندما اختبر FrodoBot لأول مرة في العالم الحقيقي ، كان يستخدم الروبوتات بشكل أساسي لعمليات التسليم في الميل الأخير. إحصائيا ، النتائج جيدة جدا في الواقع - أكمل الروبوت بنجاح 90٪ من مهام التسليم. لكن معدل الفشل بنسبة 10٪ في الحياة الواقعية أمر غير مقبول. الروبوت الذي يفشل في كل 10 عمليات تسليم هو ببساطة ليس تجاريا. تماما مثل تقنية القيادة الآلية ، يمكن أن يكون للقيادة الذاتية سجل 10000 قيادة ناجحة ، لكن فشلا واحدا يكفي لهزيمة ثقة المستهلكين التجاريين.
لذلك ، لكي تكون الروبوتات مفيدة حقا ، يجب أن يكون معدل النجاح قريبا من 99.99٪ أو أعلى. لكن المشكلة هي أنه مقابل كل تحسن بنسبة 0.001٪ في الدقة ، يستغرق الأمر وقتا وجهدا هائلين. كثير من الناس يقللون من صعوبة هذه الخطوة النهائية.
يتذكر مايكل أنه عندما جلس في النموذج الأولي لسيارة Google ذاتية القيادة في عام 2015 ، شعر أن القيادة الذاتية بالكامل كانت على وشك أن تصبح حقيقة واقعة. بعد عشر سنوات ، ما زلنا نناقش متى سيكون المستوى 5 مستقلا تماما. إن التقدم في مجال الروبوتات ليس خطيا ، ولكنه أسي بطبيعته - مع كل خطوة إلى الأمام ، تزداد الصعوبة بشكل كبير. قد يستغرق معدل الدقة الأخير بنسبة 1٪ سنوات أو حتى عقودا لتحقيقه.
عنق الزجاجة 3: الأجهزة: الذكاء الاصطناعي وحدها لا تستطيع حل مشكلة الروبوتات
بالرجوع خطوة إلى الوراء ، حتى مع أفضل نماذج الذكاء الاصطناعي ، فإن أجهزة الروبوت الحالية ليست جاهزة للاستقلالية الحقيقية. على سبيل المثال ، المشكلة الأكثر تجاهلا في الأجهزة هي الافتقار إلى أجهزة الاستشعار عن طريق اللمس - أفضل التقنيات الحالية ، مثل أبحاث Meta الذكاء الاصطناعي ، ليست قريبة من حساسية طرف الإصبع البشري. يتفاعل البشر مع العالم من خلال البصر واللمس ، بينما لا تعرف الروبوتات سوى القليل عن الملمس والقبضة وردود الفعل الضغطية.
هناك أيضا مشكلة الانسداد - عندما يتم حظر كائن جزئيا ، يصعب على الروبوت التعرف عليه والتفاعل معه. ويمكن للبشر فهم كائن ما بشكل حدسي حتى لو لم يتمكنوا من رؤيته بالكامل.
بالإضافة إلى مشكلة الإدراك ، فإن مشغل الروبوت نفسه معيب أيضا. تضع معظم الروبوتات البشرية مشغلاتها مباشرة على مفاصلها ، مما يجعلها ضخمة ويحتمل أن تكون خطرة. في المقابل ، تسمح بنية الأوتار البشرية بحركات أكثر سلاسة وأمانا. هذا هو السبب في أن الروبوتات البشرية الحالية تبدو صلبة وغير مرنة. تقوم شركات مثل Apptronik بتطوير المزيد من تصميمات المحركات المستوحاة من الناحية الحيوية ، لكن هذه الابتكارات ستستغرق وقتا حتى تنضج.
عنق الزجاجة 4: لماذا يعد توسيع الأجهزة صعبا للغاية؟
على عكس نماذج الذكاء الاصطناعي التقليدية ، التي تعتمد فقط على قوة الحوسبة ، يتطلب تنفيذ الروبوتات الذكية نشر الأجهزة المادية في العالم الحقيقي. وهذا يشكل تحديا كبيرا لرأس المال. بناء الروبوتات مكلف ، ولا تستطيع سوى أغنى الشركات الكبرى تحمل تكاليف التجارب واسعة النطاق. حتى أكثر الروبوتات البشرية كفاءة تكلف الآن عشرات الآلاف من الدولارات ، مما يجعل التبني الجماعي ببساطة غير واقعي.
عنق الزجاجة 5: تقييم الفعالية
هذا عنق زجاجة "غير مرئي". إذا فكرت في الأمر ، يمكن لنموذج الذكاء الاصطناعي كبير عبر الإنترنت مثل ChatGPT اختبار وظائفه على الفور تقريبا - بعد إصدار نموذج لغة جديد ، يمكن للباحثين أو المستخدمين العاديين في جميع أنحاء العالم استخلاص استنتاجات حول أدائه في غضون ساعات. لكن تقييم الذكاء الاصطناعي المادية يتطلب عمليات نشر في العالم الحقيقي ، والتي تستغرق وقتا.
يعد برنامج القيادة الذاتية الكاملة (FSD) من Tesla مثالا جيدا. إذا سجلت تسلا 1 مليون ميل بدون حوادث ، فهل هذا يعني أنها وصلت بالفعل إلى المستوى 5 من الاستقلالية؟ ماذا عن 10 ملايين ميل؟ تكمن مشكلة الذكاء الآلي في أن الطريقة الوحيدة للتحقق من صحته هي معرفة أين يفشل في النهاية ، مما يعني عمليات نشر واسعة النطاق وطويلة الأجل في الوقت الفعلي.
عنق الزجاجة 6: القوى العاملة
التحدي الآخر الذي تم التقليل من شأنه هو أن العمل البشري لا يزال لا غنى عنه في تطوير الذكاء الاصطناعي الروبوتية. الذكاء الاصطناعي وحده لا يكفي. تحتاج الروبوتات إلى بيانات تدريب من المشغلين البشريين. يحافظ فريق الصيانة على تشغيل الروبوت. والباحثين / المطورين الأساسيين لتحسين نماذج الذكاء الاصطناعي باستمرار. على عكس النماذج الذكاء الاصطناعي التي يمكن تدريبها في السحابة ، تتطلب الروبوتات تدخلا بشريا مستمرا - وهو تحد كبير يجب على DePIN معالجته.
المستقبل: متى ستصل لحظة ChatGPT للروبوتات؟
يعتقد البعض أن لحظة ChatGPT للروبوتات قادمة. مايكل متشكك إلى حد ما. بالنظر إلى تحديات الأجهزة والبيانات والتقييم ، يعتقد أن الذكاء الاصطناعي الروبوتية للأغراض العامة لا تزال بعيدة عن التبني الشامل. ومع ذلك ، فإن تقدم روبوتات DePIN يعطي بعض الأمل. يجب أن يكون تطوير الروبوتات لامركزيا ولا يخضع لسيطرة عدد قليل من الشركات الكبيرة. يمكن أن يؤدي حجم وتنسيق الشبكة اللامركزية إلى توزيع عبء رأس المال. بدلا من الاعتماد على شركة كبيرة لدفع ثمن الآلاف من الروبوتات ، ضع الأفراد الذين يمكنهم المساهمة في شبكة مشتركة.
لتوضيح - أولا وقبل كل شيء ، يعمل DePIN على تسريع جمع البيانات وتقييمها. بدلا من انتظار قيام الشركة بنشر عدد محدود من الروبوتات لجمع البيانات ، يمكن تشغيل الشبكات اللامركزية بالتوازي وجمع البيانات على نطاق أوسع بكثير. على سبيل المثال، في مسابقة حديثة للروبوتات من الذكاء الاصطناعي إلى الإنسان في أبو ظبي، وضع باحثون من مؤسسات مثل DeepMind و UT Austin نماذجهم الذكاء الاصطناعي على المحك ضد اللاعبين البشريين. بينما لا يزال البشر سائدين ، فإن الباحثين متحمسون لمجموعات البيانات الفريدة التي تم جمعها من تفاعلات الروبوت في العالم الحقيقي. هذه شهادة على الحاجة إلى شبكات فرعية تربط المكونات المختلفة للروبوتات. يظهر حماس مجتمع البحث أيضا أنه حتى لو ظل الاستقلالية الكاملة هدفا طويل الأجل ، فقد أظهرت روبوتات DePIN قيمة ملموسة من جمع البيانات والتدريب إلى النشر والتحقق من الصحة في العالم الحقيقي.
من ناحية أخرى ، يمكن أن تؤدي تحسينات تصميم الأجهزة التي تعتمد على الذكاء الاصطناعي ، مثل تحسين الرقائق وهندسة المواد باستخدام الذكاء الاصطناعي ، إلى تقصير الجدول الزمني بشكل كبير. ومن الأمثلة الملموسة على ذلك عندما دخل FrodoBot Lab في شراكة مع مؤسسات أخرى لتأمين صندوقين من وحدات معالجة الرسومات NVIDIA H100 - يحتوي كل منهما على ثماني شرائح H100. يوفر هذا للباحثين قوة الحوسبة اللازمة لمعالجة وتحسين النماذج الذكاء الاصطناعي لبيانات العالم الحقيقي التي تم جمعها من عمليات نشر الروبوتات. بدون موارد الحوسبة هذه ، لا يمكن استخدام حتى مجموعات البيانات الأكثر قيمة بشكل كامل. من خلال الوصول إلى البنية التحتية للحوسبة اللامركزية في DePIN ، تسمح شبكة الروبوتات للباحثين في جميع أنحاء العالم بتدريب وتقييم النماذج دون التقيد بملكية GPU كثيفة رأس المال. إذا نجحت DePIN في التعهيد الجماعي للبيانات وتطورات الأجهزة ، فقد يأتي مستقبل الروبوتات في وقت أقرب مما كان متوقعا.
بالإضافة إلى ذلك ، يعرض وكلاء الذكاء الاصطناعي مثل Sam (روبوت KOL متنقل بعملات meme) نموذجا جديدا لتحقيق الدخل لشبكات الروبوتات اللامركزية. يعمل Sam بشكل مستقل ، ويتدفق مباشرة 24/7 في مدن متعددة ، كما تزداد قيمة عملات meme الخاصة به. يوضح هذا النموذج كيف يمكن للروبوتات الذكية المدعومة من DEPIN الحفاظ على مواردها المالية من خلال الملكية اللامركزية والحوافز الرمزية. في المستقبل ، يمكن لوكلاء الذكاء الاصطناعي هؤلاء استخدام الرموز المميزة لدفع ثمن المساعدة من المشغلين البشريين ، أو استئجار أصول روبوت إضافية ، أو المزايدة على مهام العالم الحقيقي ، مما يخلق دورة اقتصادية تفيد كل من الذكاء الاصطناعي التنمية والمشاركين في DePIN.
ملخص
لا يعتمد تطوير الذكاء الاصطناعي الروبوت على الخوارزميات فحسب ، بل يعتمد أيضا على ترقيات الأجهزة وتراكم البيانات والدعم المالي والمشاركة البشرية. في الماضي ، كان نمو صناعة الروبوتات محدودا بسبب ارتفاع التكاليف وهيمنة الشركات الكبيرة ، مما أعاق سرعة الابتكار. يعني إنشاء شبكة DePIN bot أنه مع قوة الشبكة اللامركزية ، يمكن تنسيق جمع بيانات الروبوت وموارد الحوسبة واستثمار رأس المال على نطاق عالمي ، ليس فقط تسريع التدريب الذكاء الاصطناعي وتحسين الأجهزة ، ولكن أيضا تقليل حاجز التطوير للسماح لمزيد من الباحثين ورجال الأعمال والمستخدمين الأفراد بالمشاركة. نتوقع أيضا أن صناعة الروبوتات لن تعتمد بعد الآن على عدد قليل من عمالقة التكنولوجيا ، ولكن سيتم دفعها من قبل المجتمع العالمي للتحرك نحو نظام بيئي تكنولوجي مفتوح ومستدام حقا.
الاستثمار محفوف بالمخاطر ، ويجب اتخاذ القرارات بعناية