Le 27 février, Messari a animé un podcast sur « Construire une IA physique décentralisée » avec Michael Cho, cofondateur de FrodoBot Lab. Ils ont discuté des défis et des opportunités des réseaux d’infrastructure physique décentralisés (DePIN) dans le domaine de la robotique. Bien qu’il n’en soit encore qu’à ses débuts, ce domaine a un grand potentiel pour révolutionner la façon dont les robots d’IA fonctionnent dans le monde réel. Cependant, contrairement à l’IA traditionnelle, qui repose sur de grandes quantités de données Internet, la technologie d’IA robotique DePIN est confrontée à des problèmes plus complexes, tels que la collecte de données, les limitations matérielles, les goulots d’étranglement de l’évaluation et la durabilité du modèle économique.
Dans l’article d’aujourd’hui, nous allons décomposer les points clés de cette discussion, examiner les problèmes rencontrés par la robotique DePIN, quels sont les principaux obstacles à la mise à l’échelle des robots décentralisés et pourquoi DePIN est plus avantageux que les méthodes centralisées. Enfin, nous explorerons l’avenir de la robotique DePIN pour voir si nous sommes à l’aube d’un « moment ChatGPT » pour la robotique DePIN.
Où se trouve le goulot d’étranglement des robots intelligents DePIN ?
Lorsque Michael Cho a commencé à travailler sur FrodoBot, son plus gros casse-tête était le coût de la robotique. Le prix des robots commerciaux sur le marché est ridiculement élevé, ce qui rend difficile la promotion des applications d’IA dans le monde réel. Sa solution initiale était de construire un robot autonome à faible coût qui ne coûterait que 500 dollars, avec l’intention de gagner à un prix inférieur à celui de la plupart des projets existants.
Mais au fur et à mesure que lui et son équipe travaillaient plus en profondeur, Michael s’est rendu compte que le coût n’était pas vraiment le goulot d’étranglement. Les défis d’un réseau d’infrastructure physique décentralisé (DePIN) en robotique sont beaucoup plus complexes que « coûteux ou non ». Au fur et à mesure que FrodoBotLab progresse, de multiples goulots d’étranglement dans la robotique DePIN apparaissent. Pour parvenir à un déploiement à grande échelle, les goulots d’étranglement suivants doivent être surmontés.
goulot d’étranglement 1 : les données
Contrairement aux grands modèles d’IA « en ligne » entraînés sur de grandes quantités de données Internet, l’IA incarnée (AI) nécessite une interaction avec le monde réel pour développer l’intelligence. Le problème, c’est qu’il n’existe pas de base à grande échelle dans le monde et qu’il n’y a pas de consensus sur la manière de collecter ces données. La collecte de données pour l’IA incarnée peut être regroupée dans les trois grandes catégories suivantes :
▎La première catégorie est les données d’exploitation humaine, qui sont les données générées lorsque les humains contrôlent manuellement les robots. Ce type de données est de haute qualité et capture les flux vidéo et les balises de mouvement, c’est-à-dire ce que les humains voient et comment ils réagissent en conséquence. C’est le moyen le plus efficace d’entraîner l’IA à imiter le comportement humain, mais il a l’inconvénient d’être coûteux et à forte intensité de main-d’œuvre.
▎Le deuxième type est les données synthétiques (données de simulation), qui sont très utiles pour entraîner les robots à se déplacer sur des terrains complexes, tels que l’entraînement des robots à marcher sur un sol accidenté, ce qui est très utile pour certains domaines spécialisés. Mais pour certaines des tâches les plus variées, comme la cuisine, la simulation d’un environnement n’est pas si bonne. Nous pouvons imaginer la situation de l’entraînement d’un robot à faire frire des œufs : de petits changements dans le type de poêle, la température de l’huile, les conditions ambiantes peuvent affecter les résultats, et il est difficile pour l’environnement virtuel de couvrir toutes les scènes.
▎La troisième catégorie est l’apprentissage vidéo, qui consiste à permettre au modèle d’IA d’apprendre en observant des vidéos du monde réel. Bien que cette approche ait du potentiel, elle n’a pas la rétroaction interactive directe et physique réelle requise pour l’intelligence.
Goulot d’étranglement 2 : Niveau d’autonomie
Michael mentionne que lorsqu’il a testé FrodoBot pour la première fois dans le monde réel, il utilisait principalement des robots pour les livraisons du dernier kilomètre. D’un point de vue statistique, les résultats sont plutôt bons : le robot a accompli avec succès 90 % des tâches de livraison. Mais un taux d’échec de 10% dans la vraie vie est inacceptable. Un robot qui échoue toutes les 10 livraisons n’est tout simplement pas commercial. Tout comme la technologie de conduite automatisée, la conduite autonome peut avoir un record de 10 000 trajets réussis, mais un seul échec suffit à vaincre la confiance des consommateurs commerciaux.
Par conséquent, pour que la robotique soit vraiment utile, le taux de réussite doit être proche de 99,99 %, voire plus. Mais le problème est que pour chaque amélioration de 0,001 % de la précision, il faut du temps et des efforts exponentiels. Beaucoup de gens sous-estiment la difficulté de cette dernière étape.
Michael se souvient que lorsqu’il s’est assis dans le prototype de voiture autonome de Google en 2015, il a senti que la conduite entièrement autonome était sur le point de devenir une réalité. Dix ans plus tard, nous sommes toujours en train de débattre de la date à laquelle le niveau 5 sera entièrement autonome. Les progrès de la robotique ne sont pas linéaires, mais de nature exponentielle – à chaque pas en avant, la difficulté augmente considérablement. Ce dernier taux de précision de 1 % peut prendre des années, voire des décennies.
Goulot d’étranglement 3 : Matériel : l’IA seule ne peut pas résoudre le problème des robots
En prenant un peu de recul, même avec les meilleurs modèles d’IA, le matériel robotique existant n’est pas prêt pour une véritable autonomie. Par exemple, le problème le plus négligé en matière de matériel est le manque de capteurs tactiles – les meilleures technologies actuelles, telles que les recherches de Meta AI, sont loin d’atteindre la sensibilité d’un doigt humain. Les humains interagissent avec le monde par la vue et le toucher, tandis que les robots en savent peu sur la texture, l’adhérence et le retour de pression.
Il y a aussi le problème de l’occlusion : lorsqu’un objet est partiellement bloqué, il est difficile pour le robot de le reconnaître et d’interagir avec lui. Et les humains peuvent comprendre intuitivement un objet même s’ils ne peuvent pas le voir dans son intégralité.
En plus du problème de perception, l’actionneur du robot lui-même est également défectueux. La plupart des robots humanoïdes placent leurs actionneurs directement sur leurs articulations, ce qui les rend encombrants et potentiellement dangereux. En revanche, la structure du tendon humain permet des mouvements plus fluides et plus sûrs. C’est pourquoi les robots humanoïdes existants ont l’air rigides et inflexibles. Des entreprises comme Apptronik développent de plus en plus de conceptions d’actionneurs bio-inspirés, mais ces innovations mettront du temps à mûrir.
Bottleneck 4 : Pourquoi l’extension matérielle est-elle si difficile ?
Contrairement aux modèles d’IA traditionnels, qui reposent uniquement sur la puissance de calcul, la mise en œuvre de la robotique intelligente nécessite le déploiement d’appareils physiques dans le monde réel. Il s’agit là d’un important défi en matière de capital. Construire des robots coûte cher, et seules les grandes entreprises les plus riches peuvent se permettre des expériences à grande échelle. Même les robots humanoïdes les plus efficaces coûtent maintenant des dizaines de milliers de dollars, ce qui rend l’adoption massive tout simplement irréaliste.
Goulot d’étranglement 5 : Évaluer l’efficacité
Il s’agit d’un goulot d’étranglement « invisible ». Si vous y réfléchissez, un grand modèle d’IA en ligne comme ChatGPT peut tester ses fonctionnalités presque instantanément – après la publication d’un nouveau modèle de langage, les chercheurs ou les utilisateurs ordinaires du monde entier peuvent tirer des conclusions sur ses performances en quelques heures. Mais l’évaluation de l’IA physique nécessite des déploiements dans le monde réel, ce qui prend du temps.
Le logiciel de conduite entièrement autonome (FSD) de Tesla en est un bon exemple. Si Tesla enregistre 1 million de kilomètres sans accident, cela signifie-t-il qu’elle a vraiment atteint le niveau 5 d’autonomie ? Qu’en est-il de 10 millions de miles ? Le problème avec l’intelligence robotique est que la seule façon de la valider est de voir où elle échoue en fin de compte, ce qui signifie des déploiements à grande échelle, à long terme et en temps réel.
Goulot d’étranglement 6 : Main-d’œuvre
Un autre défi sous-estimé est que le travail humain reste indispensable dans le développement de l’IA robotique. L’IA seule ne suffit pas. Les robots ont besoin de données d’entraînement de la part d’opérateurs humains ; L’équipe de maintenance assure le fonctionnement du robot ; et les chercheurs/développeurs essentiels pour optimiser en permanence les modèles d’IA. Contrairement aux modèles d’IA qui peuvent être entraînés dans le cloud, les bots nécessitent une intervention humaine constante, un défi majeur que DePIN doit relever.
L’avenir : quand le moment ChatGPT pour la robotique arrivera-t-il ?
Certains pensent que le moment ChatGPT pour la robotique arrive. Michael est quelque peu sceptique. Compte tenu des défis liés au matériel, aux données et à l’évaluation, il estime que l’IA robotique à usage général est encore loin d’être adoptée en masse. Cependant, les progrès de la robotique DePIN donnent un peu d’espoir. Le développement de la robotique doit être décentralisé et non contrôlé par quelques grandes entreprises. L’échelle et la coordination d’un réseau décentralisé peuvent répartir le fardeau du capital. Au lieu de compter sur une grande entreprise pour payer des milliers de robots, mettez des personnes qui peuvent contribuer dans un réseau partagé.
À titre d’exemple, DePIN accélère d’abord et avant tout la collecte et l’évaluation des données. Au lieu d’attendre qu’une entreprise déploie un nombre limité de bots pour collecter des données, les réseaux décentralisés peuvent fonctionner en parallèle et collecter des données à une échelle beaucoup plus grande. Par exemple, lors d’un récent concours de robotique de l’IA à l’homme à Abu Dhabi, des chercheurs d’institutions telles que DeepMind et UT Austin ont mis leurs modèles d’IA à l’épreuve contre des joueurs humains. Bien que les humains prédominent toujours, les chercheurs sont enthousiasmés par les ensembles de données uniques collectés à partir des interactions réelles avec les robots. Cela témoigne de la nécessité de sous-réseaux qui relient les différents composants de la robotique. L’enthousiasme de la communauté des chercheurs montre également que même si l’autonomie complète reste un objectif à long terme, la robotique DePIN a démontré une valeur tangible, de la collecte de données et de la formation au déploiement et à la validation dans le monde réel.
D’autre part, les améliorations de la conception matérielle basées sur l’IA, telles que l’optimisation des puces et de l’ingénierie des matériaux avec l’IA, pourraient considérablement raccourcir le délai. Un exemple concret est celui où FrodoBot Lab s’est associé à d’autres institutions pour sécuriser deux boîtes de GPU NVIDIA H100, contenant chacune huit puces H100. Cela fournit aux chercheurs la puissance de calcul nécessaire pour traiter et optimiser les modèles d’IA pour les données réelles collectées lors des déploiements de robots. Sans de telles ressources informatiques, même les ensembles de données les plus précieux ne peuvent pas être pleinement utilisés. Grâce à l’accès à l’infrastructure informatique décentralisée de DePIN, le réseau robotique permet aux chercheurs du monde entier d’entraîner et d’évaluer des modèles sans être contraints par la possession d’un GPU à forte intensité de capital. Si DePIN réussit à faire du crowdsourcing de données et d’avancées matérielles, l’avenir de la robotique pourrait arriver plus tôt que prévu.
De plus, des agents d’IA comme Sam (un robot KOL itinérant avec des pièces mèmes) font la démonstration d’un nouveau modèle de monétisation pour les réseaux robotiques décentralisés. Sam fonctionne de manière autonome, diffusant en direct 24 heures sur 24 et 7 jours sur 7 dans plusieurs villes, et ses pièces mèmes prennent également de la valeur. Ce modèle montre comment les bots intelligents alimentés par DEPIN peuvent soutenir leurs finances grâce à une propriété décentralisée et à des incitations symboliques. À l’avenir, ces agents d’IA pourraient même utiliser des jetons pour payer l’assistance d’opérateurs humains, louer des actifs de bot supplémentaires ou enchérir sur des tâches réelles, créant ainsi un cycle économique qui profite à la fois au développement de l’IA et aux participants à DePIN.
Résumé
Le développement de l’IA robotique dépend non seulement des algorithmes, mais aussi des mises à niveau matérielles, de l’accumulation de données, du soutien financier et de l’implication humaine. Dans le passé, la croissance de l’industrie de la robotique était limitée par des coûts élevés et la domination des grandes entreprises, ce qui entravait la vitesse de l’innovation. La mise en place du réseau de bots DePIN signifie qu’avec la puissance du réseau décentralisé, la collecte de données robotisées, les ressources informatiques et les investissements en capital peuvent être coordonnés à l’échelle mondiale, non seulement en accélérant la formation de l’IA et l’optimisation du matériel, mais aussi en abaissant la barrière du développement pour permettre à davantage de chercheurs, d’entrepreneurs et d’utilisateurs individuels de participer. Nous nous attendons également à ce que l’industrie de la robotique ne dépende plus de quelques géants de la technologie, mais qu’elle soit poussée par la communauté mondiale à évoluer vers un écosystème technologique véritablement ouvert et durable.
*Tout le contenu de la plateforme Coinspire est fourni à titre informatif uniquement et ne constitue pas une offre ou une recommandation d’une stratégie d’investissement, et toute décision individuelle prise sur la base du contenu de cet article relève de la seule responsabilité de l’investisseur, et Coinspire n’est pas responsable des gains ou pertes qui en découlent.
L’investissement est risqué et les décisions doivent être prises avec soin
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Les défis techniques et l’avenir de DePIN et de l’intelligence incarnée
! Défis techniques et avenir de DePIN et de l’intelligence incarnée
Le 27 février, Messari a animé un podcast sur « Construire une IA physique décentralisée » avec Michael Cho, cofondateur de FrodoBot Lab. Ils ont discuté des défis et des opportunités des réseaux d’infrastructure physique décentralisés (DePIN) dans le domaine de la robotique. Bien qu’il n’en soit encore qu’à ses débuts, ce domaine a un grand potentiel pour révolutionner la façon dont les robots d’IA fonctionnent dans le monde réel. Cependant, contrairement à l’IA traditionnelle, qui repose sur de grandes quantités de données Internet, la technologie d’IA robotique DePIN est confrontée à des problèmes plus complexes, tels que la collecte de données, les limitations matérielles, les goulots d’étranglement de l’évaluation et la durabilité du modèle économique.
Dans l’article d’aujourd’hui, nous allons décomposer les points clés de cette discussion, examiner les problèmes rencontrés par la robotique DePIN, quels sont les principaux obstacles à la mise à l’échelle des robots décentralisés et pourquoi DePIN est plus avantageux que les méthodes centralisées. Enfin, nous explorerons l’avenir de la robotique DePIN pour voir si nous sommes à l’aube d’un « moment ChatGPT » pour la robotique DePIN.
Où se trouve le goulot d’étranglement des robots intelligents DePIN ?
Lorsque Michael Cho a commencé à travailler sur FrodoBot, son plus gros casse-tête était le coût de la robotique. Le prix des robots commerciaux sur le marché est ridiculement élevé, ce qui rend difficile la promotion des applications d’IA dans le monde réel. Sa solution initiale était de construire un robot autonome à faible coût qui ne coûterait que 500 dollars, avec l’intention de gagner à un prix inférieur à celui de la plupart des projets existants.
Mais au fur et à mesure que lui et son équipe travaillaient plus en profondeur, Michael s’est rendu compte que le coût n’était pas vraiment le goulot d’étranglement. Les défis d’un réseau d’infrastructure physique décentralisé (DePIN) en robotique sont beaucoup plus complexes que « coûteux ou non ». Au fur et à mesure que FrodoBotLab progresse, de multiples goulots d’étranglement dans la robotique DePIN apparaissent. Pour parvenir à un déploiement à grande échelle, les goulots d’étranglement suivants doivent être surmontés.
goulot d’étranglement 1 : les données
Contrairement aux grands modèles d’IA « en ligne » entraînés sur de grandes quantités de données Internet, l’IA incarnée (AI) nécessite une interaction avec le monde réel pour développer l’intelligence. Le problème, c’est qu’il n’existe pas de base à grande échelle dans le monde et qu’il n’y a pas de consensus sur la manière de collecter ces données. La collecte de données pour l’IA incarnée peut être regroupée dans les trois grandes catégories suivantes :
▎La première catégorie est les données d’exploitation humaine, qui sont les données générées lorsque les humains contrôlent manuellement les robots. Ce type de données est de haute qualité et capture les flux vidéo et les balises de mouvement, c’est-à-dire ce que les humains voient et comment ils réagissent en conséquence. C’est le moyen le plus efficace d’entraîner l’IA à imiter le comportement humain, mais il a l’inconvénient d’être coûteux et à forte intensité de main-d’œuvre.
▎Le deuxième type est les données synthétiques (données de simulation), qui sont très utiles pour entraîner les robots à se déplacer sur des terrains complexes, tels que l’entraînement des robots à marcher sur un sol accidenté, ce qui est très utile pour certains domaines spécialisés. Mais pour certaines des tâches les plus variées, comme la cuisine, la simulation d’un environnement n’est pas si bonne. Nous pouvons imaginer la situation de l’entraînement d’un robot à faire frire des œufs : de petits changements dans le type de poêle, la température de l’huile, les conditions ambiantes peuvent affecter les résultats, et il est difficile pour l’environnement virtuel de couvrir toutes les scènes.
▎La troisième catégorie est l’apprentissage vidéo, qui consiste à permettre au modèle d’IA d’apprendre en observant des vidéos du monde réel. Bien que cette approche ait du potentiel, elle n’a pas la rétroaction interactive directe et physique réelle requise pour l’intelligence.
Goulot d’étranglement 2 : Niveau d’autonomie
Michael mentionne que lorsqu’il a testé FrodoBot pour la première fois dans le monde réel, il utilisait principalement des robots pour les livraisons du dernier kilomètre. D’un point de vue statistique, les résultats sont plutôt bons : le robot a accompli avec succès 90 % des tâches de livraison. Mais un taux d’échec de 10% dans la vraie vie est inacceptable. Un robot qui échoue toutes les 10 livraisons n’est tout simplement pas commercial. Tout comme la technologie de conduite automatisée, la conduite autonome peut avoir un record de 10 000 trajets réussis, mais un seul échec suffit à vaincre la confiance des consommateurs commerciaux.
Par conséquent, pour que la robotique soit vraiment utile, le taux de réussite doit être proche de 99,99 %, voire plus. Mais le problème est que pour chaque amélioration de 0,001 % de la précision, il faut du temps et des efforts exponentiels. Beaucoup de gens sous-estiment la difficulté de cette dernière étape.
Michael se souvient que lorsqu’il s’est assis dans le prototype de voiture autonome de Google en 2015, il a senti que la conduite entièrement autonome était sur le point de devenir une réalité. Dix ans plus tard, nous sommes toujours en train de débattre de la date à laquelle le niveau 5 sera entièrement autonome. Les progrès de la robotique ne sont pas linéaires, mais de nature exponentielle – à chaque pas en avant, la difficulté augmente considérablement. Ce dernier taux de précision de 1 % peut prendre des années, voire des décennies.
Goulot d’étranglement 3 : Matériel : l’IA seule ne peut pas résoudre le problème des robots
En prenant un peu de recul, même avec les meilleurs modèles d’IA, le matériel robotique existant n’est pas prêt pour une véritable autonomie. Par exemple, le problème le plus négligé en matière de matériel est le manque de capteurs tactiles – les meilleures technologies actuelles, telles que les recherches de Meta AI, sont loin d’atteindre la sensibilité d’un doigt humain. Les humains interagissent avec le monde par la vue et le toucher, tandis que les robots en savent peu sur la texture, l’adhérence et le retour de pression.
Il y a aussi le problème de l’occlusion : lorsqu’un objet est partiellement bloqué, il est difficile pour le robot de le reconnaître et d’interagir avec lui. Et les humains peuvent comprendre intuitivement un objet même s’ils ne peuvent pas le voir dans son intégralité.
En plus du problème de perception, l’actionneur du robot lui-même est également défectueux. La plupart des robots humanoïdes placent leurs actionneurs directement sur leurs articulations, ce qui les rend encombrants et potentiellement dangereux. En revanche, la structure du tendon humain permet des mouvements plus fluides et plus sûrs. C’est pourquoi les robots humanoïdes existants ont l’air rigides et inflexibles. Des entreprises comme Apptronik développent de plus en plus de conceptions d’actionneurs bio-inspirés, mais ces innovations mettront du temps à mûrir.
Bottleneck 4 : Pourquoi l’extension matérielle est-elle si difficile ?
Contrairement aux modèles d’IA traditionnels, qui reposent uniquement sur la puissance de calcul, la mise en œuvre de la robotique intelligente nécessite le déploiement d’appareils physiques dans le monde réel. Il s’agit là d’un important défi en matière de capital. Construire des robots coûte cher, et seules les grandes entreprises les plus riches peuvent se permettre des expériences à grande échelle. Même les robots humanoïdes les plus efficaces coûtent maintenant des dizaines de milliers de dollars, ce qui rend l’adoption massive tout simplement irréaliste.
Goulot d’étranglement 5 : Évaluer l’efficacité
Il s’agit d’un goulot d’étranglement « invisible ». Si vous y réfléchissez, un grand modèle d’IA en ligne comme ChatGPT peut tester ses fonctionnalités presque instantanément – après la publication d’un nouveau modèle de langage, les chercheurs ou les utilisateurs ordinaires du monde entier peuvent tirer des conclusions sur ses performances en quelques heures. Mais l’évaluation de l’IA physique nécessite des déploiements dans le monde réel, ce qui prend du temps.
Le logiciel de conduite entièrement autonome (FSD) de Tesla en est un bon exemple. Si Tesla enregistre 1 million de kilomètres sans accident, cela signifie-t-il qu’elle a vraiment atteint le niveau 5 d’autonomie ? Qu’en est-il de 10 millions de miles ? Le problème avec l’intelligence robotique est que la seule façon de la valider est de voir où elle échoue en fin de compte, ce qui signifie des déploiements à grande échelle, à long terme et en temps réel.
Goulot d’étranglement 6 : Main-d’œuvre
Un autre défi sous-estimé est que le travail humain reste indispensable dans le développement de l’IA robotique. L’IA seule ne suffit pas. Les robots ont besoin de données d’entraînement de la part d’opérateurs humains ; L’équipe de maintenance assure le fonctionnement du robot ; et les chercheurs/développeurs essentiels pour optimiser en permanence les modèles d’IA. Contrairement aux modèles d’IA qui peuvent être entraînés dans le cloud, les bots nécessitent une intervention humaine constante, un défi majeur que DePIN doit relever.
L’avenir : quand le moment ChatGPT pour la robotique arrivera-t-il ?
Certains pensent que le moment ChatGPT pour la robotique arrive. Michael est quelque peu sceptique. Compte tenu des défis liés au matériel, aux données et à l’évaluation, il estime que l’IA robotique à usage général est encore loin d’être adoptée en masse. Cependant, les progrès de la robotique DePIN donnent un peu d’espoir. Le développement de la robotique doit être décentralisé et non contrôlé par quelques grandes entreprises. L’échelle et la coordination d’un réseau décentralisé peuvent répartir le fardeau du capital. Au lieu de compter sur une grande entreprise pour payer des milliers de robots, mettez des personnes qui peuvent contribuer dans un réseau partagé.
À titre d’exemple, DePIN accélère d’abord et avant tout la collecte et l’évaluation des données. Au lieu d’attendre qu’une entreprise déploie un nombre limité de bots pour collecter des données, les réseaux décentralisés peuvent fonctionner en parallèle et collecter des données à une échelle beaucoup plus grande. Par exemple, lors d’un récent concours de robotique de l’IA à l’homme à Abu Dhabi, des chercheurs d’institutions telles que DeepMind et UT Austin ont mis leurs modèles d’IA à l’épreuve contre des joueurs humains. Bien que les humains prédominent toujours, les chercheurs sont enthousiasmés par les ensembles de données uniques collectés à partir des interactions réelles avec les robots. Cela témoigne de la nécessité de sous-réseaux qui relient les différents composants de la robotique. L’enthousiasme de la communauté des chercheurs montre également que même si l’autonomie complète reste un objectif à long terme, la robotique DePIN a démontré une valeur tangible, de la collecte de données et de la formation au déploiement et à la validation dans le monde réel.
D’autre part, les améliorations de la conception matérielle basées sur l’IA, telles que l’optimisation des puces et de l’ingénierie des matériaux avec l’IA, pourraient considérablement raccourcir le délai. Un exemple concret est celui où FrodoBot Lab s’est associé à d’autres institutions pour sécuriser deux boîtes de GPU NVIDIA H100, contenant chacune huit puces H100. Cela fournit aux chercheurs la puissance de calcul nécessaire pour traiter et optimiser les modèles d’IA pour les données réelles collectées lors des déploiements de robots. Sans de telles ressources informatiques, même les ensembles de données les plus précieux ne peuvent pas être pleinement utilisés. Grâce à l’accès à l’infrastructure informatique décentralisée de DePIN, le réseau robotique permet aux chercheurs du monde entier d’entraîner et d’évaluer des modèles sans être contraints par la possession d’un GPU à forte intensité de capital. Si DePIN réussit à faire du crowdsourcing de données et d’avancées matérielles, l’avenir de la robotique pourrait arriver plus tôt que prévu.
De plus, des agents d’IA comme Sam (un robot KOL itinérant avec des pièces mèmes) font la démonstration d’un nouveau modèle de monétisation pour les réseaux robotiques décentralisés. Sam fonctionne de manière autonome, diffusant en direct 24 heures sur 24 et 7 jours sur 7 dans plusieurs villes, et ses pièces mèmes prennent également de la valeur. Ce modèle montre comment les bots intelligents alimentés par DEPIN peuvent soutenir leurs finances grâce à une propriété décentralisée et à des incitations symboliques. À l’avenir, ces agents d’IA pourraient même utiliser des jetons pour payer l’assistance d’opérateurs humains, louer des actifs de bot supplémentaires ou enchérir sur des tâches réelles, créant ainsi un cycle économique qui profite à la fois au développement de l’IA et aux participants à DePIN.
Résumé
Le développement de l’IA robotique dépend non seulement des algorithmes, mais aussi des mises à niveau matérielles, de l’accumulation de données, du soutien financier et de l’implication humaine. Dans le passé, la croissance de l’industrie de la robotique était limitée par des coûts élevés et la domination des grandes entreprises, ce qui entravait la vitesse de l’innovation. La mise en place du réseau de bots DePIN signifie qu’avec la puissance du réseau décentralisé, la collecte de données robotisées, les ressources informatiques et les investissements en capital peuvent être coordonnés à l’échelle mondiale, non seulement en accélérant la formation de l’IA et l’optimisation du matériel, mais aussi en abaissant la barrière du développement pour permettre à davantage de chercheurs, d’entrepreneurs et d’utilisateurs individuels de participer. Nous nous attendons également à ce que l’industrie de la robotique ne dépende plus de quelques géants de la technologie, mais qu’elle soit poussée par la communauté mondiale à évoluer vers un écosystème technologique véritablement ouvert et durable.
*Tout le contenu de la plateforme Coinspire est fourni à titre informatif uniquement et ne constitue pas une offre ou une recommandation d’une stratégie d’investissement, et toute décision individuelle prise sur la base du contenu de cet article relève de la seule responsabilité de l’investisseur, et Coinspire n’est pas responsable des gains ou pertes qui en découlent.
L’investissement est risqué et les décisions doivent être prises avec soin