Em 27 de fevereiro, Messari apresentou um podcast sobre "Building Decentralized Physical AI" com Michael Cho, cofundador do FrodoBot Lab. Eles conversaram sobre os desafios e oportunidades das redes de infraestrutura física descentralizada (DePIN) em robótica. Embora ainda esteja em sua infância, esse campo tem um grande potencial para revolucionar a maneira como os bots de IA funcionam no mundo real. No entanto, ao contrário da IA tradicional, que depende de grandes quantidades de dados da internet, a tecnologia de IA robótica DePIN enfrenta questões mais complexas, como coleta de dados, limitações de hardware, gargalos de avaliação e a sustentabilidade do modelo econômico.
No artigo de hoje, vamos detalhar os pontos-chave desta discussão, analisar os problemas encontrados pela robótica DePIN, quais são as principais barreiras para escalar bots descentralizados e por que o DePIN é mais vantajoso do que os métodos centralizados. Finalmente, vamos explorar o futuro da robótica DePIN para ver se estamos à beira de um "momento ChatGPT" para a robótica DePIN.
Onde está o gargalo dos robôs inteligentes DePIN?
Quando Michael Cho começou a trabalhar no FrodoBot, a sua maior dor de cabeça era o custo da robótica. O preço dos robôs comerciais no mercado é ridiculamente alto, o que dificulta a promoção de aplicações de IA no mundo real. Sua solução inicial foi construir um robô autônomo de baixo custo que custaria apenas US $ 500, com a intenção de ganhar a um preço mais barato do que a maioria dos projetos existentes.
Mas à medida que ele e sua equipe trabalhavam mais fundo, Michael percebeu que o custo não era realmente o gargalo. Os desafios de uma rede de infraestrutura física descentralizada (DePIN) em robótica são muito mais complexos do que "caro ou não". À medida que o FrodoBotLab continua a avançar, vários gargalos na robótica DePIN estão surgindo. Para alcançar a implantação em larga escala, os seguintes gargalos devem ser superados.
Gargalo 1: Dados
Ao contrário de grandes modelos de IA "online" treinados em grandes quantidades de dados da internet, a IA incorporada (AI) requer interação com o mundo real para desenvolver inteligência. O problema é que não existe uma base tão larga no mundo e não há consenso sobre como recolher esses dados. A recolha de dados para IA incorporada pode ser agrupada nas seguintes três grandes categorias:
▎A primeira categoria édados de operação humana, que são os dados gerados quando os seres humanos controlam manualmente os robôs. Esse tipo de dados é de alta qualidade e captura fluxos de vídeo e tags de movimento, ou seja, o que os seres humanos veem e como reagem de acordo. Esta é a maneira mais eficaz de treinar a IA para imitar o comportamento humano, mas tem a desvantagem de ser cara e trabalhosa.
▎O segundo tipo é dados sintéticos (dados de simulação), que são muito úteis para treinar robôs para se moverem em terrenos complexos, como treinar robôs para andar em terrenos acidentados, o que é muito útil para alguns campos especializados. Mas para algumas das mais variadas tarefas, como cozinhar, simular um ambiente não é tão bom. Podemos imaginar a situação de treinar um robô para fritar ovos: pequenas mudanças no tipo de panela, temperatura do óleo, condições da sala podem afetar os resultados, e é difícil para o ambiente virtual cobrir todas as cenas.
▎A terceira categoria é video learning, que é permitir que o modelo de IA aprenda observando vídeos do mundo real. Embora essa abordagem tenha potencial, ela carece do feedback interativo direto físico real necessário para a inteligência.
Gargalo 2: Nível de autonomia
Michael menciona que, quando testou o FrodoBot pela primeira vez no mundo real, ele estava usando principalmente robôs para entregas de última milha. Estatisticamente, os resultados são realmente muito bons – o robô completou com sucesso 90% das tarefas de entrega. Mas uma taxa de insucesso de 10% na vida real é inaceitável. Um robô que falha a cada 10 entregas simplesmente não é comercial. Tal como a tecnologia de condução automatizada, a condução autónoma pode ter um registo de 10.000 unidades bem-sucedidas, mas uma falha é suficiente para derrotar a confiança dos consumidores comerciais.
Portanto, para que a robótica seja realmente útil, a taxa de sucesso precisa estar próxima de 99,99% ou até maior. Mas o problema é que para cada 0,001% de melhoria na precisão, é necessário tempo e esforço exponenciais. Muitas pessoas subestimam a dificuldade desta etapa final.
Michael lembra que, quando participou do protótipo de carro autônomo do Google em 2015, sentiu que a direção totalmente autônoma estava prestes a se tornar uma realidade. Dez anos depois, ainda estamos debatendo quando o Nível 5 será totalmente autônomo. Os avanços na robótica não são lineares, mas exponenciais por natureza – a cada passo em frente, a dificuldade aumenta drasticamente. Esta última taxa de precisão de 1% pode levar anos ou até décadas para ser alcançada.
Gargalo 3: Hardware: a IA sozinha não pode resolver o problema dos robôs
Dando um passo atrás, mesmo com os melhores modelos de IA, o hardware de robô existente não está pronto para a verdadeira autonomia. Por exemplo, o problema mais negligenciado no hardware é a falta de sensores táteis – as melhores tecnologias atuais, como a pesquisa da Meta AI, não estão nem perto da sensibilidade de uma ponta do dedo humano. Os seres humanos interagem com o mundo através da visão e do tato, enquanto os robôs sabem pouco sobre textura, aderência e feedback de pressão.
Há também o problema da oclusão – quando um objeto é parcialmente bloqueado, é difícil para o robô reconhecer e interagir com ele. E os seres humanos podem intuitivamente entender um objeto, mesmo que não consigam vê-lo em sua totalidade.
Além do problema de perceção, o próprio atuador do robô também é falho. A maioria dos robôs humanoides coloca seus atuadores diretamente em suas articulações, tornando-os volumosos e potencialmente perigosos. Em contraste, a estrutura do tendão humano permite movimentos mais suaves e seguros. É por isso que os robôs humanoides existentes parecem rígidos e inflexíveis. Empresas como a Apptronik estão desenvolvendo mais designs de atuadores bio-inspirados, mas essas inovações levarão tempo para amadurecer.
Gargalo 4: Por que a expansão de hardware é tão difícil?
Ao contrário dos modelos tradicionais de IA, que dependem exclusivamente do poder de computação, a implementação da robótica inteligente requer a implantação de dispositivos físicos no mundo real. Esta situação coloca um desafio significativo em termos de capital. Construir robôs é caro, e apenas as grandes empresas mais ricas podem pagar experimentos em larga escala. Mesmo os robôs humanoides mais eficientes agora custam dezenas de milhares de dólares, tornando a adoção em massa simplesmente irrealista.
Gargalo 5: Avaliar a eficácia
Trata-se de um estrangulamento "invisível". Se você pensar sobre isso, um grande modelo de IA on-line como o ChatGPT pode testar sua funcionalidade quase instantaneamente – depois que um novo modelo de linguagem é lançado, pesquisadores ou usuários comuns em todo o mundo podem tirar conclusões sobre seu desempenho em questão de horas. Mas avaliar a IA física requer implantações no mundo real, o que leva tempo.
O software Full Self-Driving (FSD) da Tesla é um bom exemplo. Se a Tesla registra 1 milhão de milhas sem acidentes, isso significa que ela realmente atingiu o nível 5 de autonomia? E 10 milhões de milhas? O problema com a inteligência robótica é que a única maneira de validá-la é ver onde ela acaba falhando, o que significa implantações em larga escala, de longo prazo e em tempo real.
Gargalo 6: Mão de obra
Outro desafio subestimado é que o trabalho humano continua sendo indispensável no desenvolvimento da IA robótica. A IA por si só não é suficiente. Os robôs precisam de dados de formação de operadores humanos; A equipa de manutenção mantém o robô em funcionamento; e pesquisadores/desenvolvedores essenciais para otimizar continuamente os modelos de IA. Ao contrário dos modelos de IA que podem ser treinados na nuvem, os bots exigem intervenção humana constante – um grande desafio que o DePIN deve enfrentar.
O Futuro: Quando chegará o momento ChatGPT para a robótica?
Alguns acreditam que o momento ChatGPT para a robótica está chegando. Michael é um tanto cético. Dados os desafios de hardware, dados e avaliação, ele acredita que a IA robótica de uso geral ainda está longe da adoção em massa. No entanto, o progresso da robótica DePIN dá alguma esperança. O desenvolvimento da robótica deve ser descentralizado e não controlado por algumas grandes empresas. A escala e a coordenação de uma rede descentralizada podem distribuir o peso do capital. Em vez de depender de uma grande empresa para pagar por milhares de robôs, coloque indivíduos que podem contribuir em uma rede compartilhada.
Para ilustrar – em primeiro lugar, o DePIN acelera a recolha e avaliação de dados. Em vez de esperar que uma empresa implante um número limitado de bots para coletar dados, as redes descentralizadas podem funcionar em paralelo e coletar dados em uma escala muito maior. Por exemplo, em uma recente competição de robótica entre IA e humanos em Abu Dhabi, pesquisadores de instituições como DeepMind e UT Austin testaram seus modelos de IA contra jogadores humanos. Embora os humanos ainda prevaleçam, os pesquisadores estão entusiasmados com os conjuntos de dados únicos coletados de interações de robôs do mundo real. Esta é uma prova da necessidade de sub-redes que liguem os vários componentes da robótica. O entusiasmo da comunidade de investigação também mostra que, mesmo que a autonomia total continue a ser um objetivo a longo prazo, a robótica DePIN demonstrou um valor tangível, desde a recolha de dados e formação até à implementação e validação no mundo real.
Por outro lado, melhorias no design de hardware orientadas por IA, como a otimização de chips e engenharia de materiais com IA, podem encurtar significativamente o cronograma. Um exemplo concreto é quando o FrodoBot Lab fez parceria com outras instituições para garantir duas caixas de GPUs NVIDIA H100 — cada uma contendo oito chips H100. Isso fornece aos pesquisadores o poder de computação necessário para processar e otimizar modelos de IA para dados do mundo real coletados de implantações de robôs. Sem esses recursos de computação, mesmo os conjuntos de dados mais valiosos não podem ser totalmente utilizados. Com acesso à infraestrutura de computação descentralizada da DePIN, a rede robótica permite que pesquisadores de todo o mundo treinem e avaliem modelos sem serem limitados pela propriedade de GPU de capital intensivo. Se o DePIN for bem-sucedido no crowdsourcing de dados e avanços de hardware, o futuro da robótica pode vir mais cedo do que o esperado.
Além disso, agentes de IA como Sam (um bot KOL itinerante com moedas meme) demonstram um novo modelo de monetização para redes robóticas descentralizadas. Sam opera de forma autônoma, transmitindo ao vivo 24 horas por dia, 7 dias por semana em várias cidades, e suas moedas meme também estão aumentando de valor. Este modelo mostra como bots inteligentes alimentados por DEPIN podem sustentar suas finanças por meio de propriedade descentralizada e incentivos de token. No futuro, esses agentes de IA podem até usar tokens para pagar por assistência de operadores humanos, alugar ativos adicionais de bot ou dar lances em tarefas do mundo real, criando um ciclo econômico que beneficia tanto o desenvolvimento de IA quanto os participantes do DePIN.
Resumo
O desenvolvimento da IA robótica depende não só de algoritmos, mas também de atualizações de hardware, acumulação de dados, apoio financeiro e envolvimento humano. No passado, o crescimento da indústria da robótica era limitado pelos elevados custos e pelo domínio das grandes empresas, o que dificultava a velocidade da inovação. O estabelecimento da rede de bots DePIN significa que, com o poder da rede descentralizada, a coleta de dados de robôs, recursos de computação e investimento de capital podem ser coordenados em escala global, não apenas acelerando o treinamento de IA e a otimização de hardware, mas também reduzindo a barreira de desenvolvimento para permitir que mais pesquisadores, empreendedores e usuários individuais participem. Esperamos também que a indústria da robótica deixe de depender de alguns gigantes tecnológicos, mas seja impulsionada pela comunidade global a avançar para um ecossistema tecnológico verdadeiramente aberto e sustentável.
*Todo o conteúdo da plataforma Coinspire é apenas para fins informativos e não constitui uma oferta ou recomendação de qualquer estratégia de investimento, e quaisquer decisões individuais tomadas com base no conteúdo deste artigo são da exclusiva responsabilidade do investidor, e a Coinspire não é responsável por quaisquer ganhos ou perdas daí decorrentes.
O investimento é arriscado e as decisões têm de ser tomadas com cuidado
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
Os desafios técnicos e o futuro do DePIN e da inteligência incorporada
! Desafios Técnicos e Futuro do DePIN e Inteligência Incorporada
Em 27 de fevereiro, Messari apresentou um podcast sobre "Building Decentralized Physical AI" com Michael Cho, cofundador do FrodoBot Lab. Eles conversaram sobre os desafios e oportunidades das redes de infraestrutura física descentralizada (DePIN) em robótica. Embora ainda esteja em sua infância, esse campo tem um grande potencial para revolucionar a maneira como os bots de IA funcionam no mundo real. No entanto, ao contrário da IA tradicional, que depende de grandes quantidades de dados da internet, a tecnologia de IA robótica DePIN enfrenta questões mais complexas, como coleta de dados, limitações de hardware, gargalos de avaliação e a sustentabilidade do modelo econômico.
No artigo de hoje, vamos detalhar os pontos-chave desta discussão, analisar os problemas encontrados pela robótica DePIN, quais são as principais barreiras para escalar bots descentralizados e por que o DePIN é mais vantajoso do que os métodos centralizados. Finalmente, vamos explorar o futuro da robótica DePIN para ver se estamos à beira de um "momento ChatGPT" para a robótica DePIN.
Onde está o gargalo dos robôs inteligentes DePIN?
Quando Michael Cho começou a trabalhar no FrodoBot, a sua maior dor de cabeça era o custo da robótica. O preço dos robôs comerciais no mercado é ridiculamente alto, o que dificulta a promoção de aplicações de IA no mundo real. Sua solução inicial foi construir um robô autônomo de baixo custo que custaria apenas US $ 500, com a intenção de ganhar a um preço mais barato do que a maioria dos projetos existentes.
Mas à medida que ele e sua equipe trabalhavam mais fundo, Michael percebeu que o custo não era realmente o gargalo. Os desafios de uma rede de infraestrutura física descentralizada (DePIN) em robótica são muito mais complexos do que "caro ou não". À medida que o FrodoBotLab continua a avançar, vários gargalos na robótica DePIN estão surgindo. Para alcançar a implantação em larga escala, os seguintes gargalos devem ser superados.
Gargalo 1: Dados
Ao contrário de grandes modelos de IA "online" treinados em grandes quantidades de dados da internet, a IA incorporada (AI) requer interação com o mundo real para desenvolver inteligência. O problema é que não existe uma base tão larga no mundo e não há consenso sobre como recolher esses dados. A recolha de dados para IA incorporada pode ser agrupada nas seguintes três grandes categorias:
▎A primeira categoria édados de operação humana, que são os dados gerados quando os seres humanos controlam manualmente os robôs. Esse tipo de dados é de alta qualidade e captura fluxos de vídeo e tags de movimento, ou seja, o que os seres humanos veem e como reagem de acordo. Esta é a maneira mais eficaz de treinar a IA para imitar o comportamento humano, mas tem a desvantagem de ser cara e trabalhosa.
▎O segundo tipo é dados sintéticos (dados de simulação), que são muito úteis para treinar robôs para se moverem em terrenos complexos, como treinar robôs para andar em terrenos acidentados, o que é muito útil para alguns campos especializados. Mas para algumas das mais variadas tarefas, como cozinhar, simular um ambiente não é tão bom. Podemos imaginar a situação de treinar um robô para fritar ovos: pequenas mudanças no tipo de panela, temperatura do óleo, condições da sala podem afetar os resultados, e é difícil para o ambiente virtual cobrir todas as cenas.
▎A terceira categoria é video learning, que é permitir que o modelo de IA aprenda observando vídeos do mundo real. Embora essa abordagem tenha potencial, ela carece do feedback interativo direto físico real necessário para a inteligência.
Gargalo 2: Nível de autonomia
Michael menciona que, quando testou o FrodoBot pela primeira vez no mundo real, ele estava usando principalmente robôs para entregas de última milha. Estatisticamente, os resultados são realmente muito bons – o robô completou com sucesso 90% das tarefas de entrega. Mas uma taxa de insucesso de 10% na vida real é inaceitável. Um robô que falha a cada 10 entregas simplesmente não é comercial. Tal como a tecnologia de condução automatizada, a condução autónoma pode ter um registo de 10.000 unidades bem-sucedidas, mas uma falha é suficiente para derrotar a confiança dos consumidores comerciais.
Portanto, para que a robótica seja realmente útil, a taxa de sucesso precisa estar próxima de 99,99% ou até maior. Mas o problema é que para cada 0,001% de melhoria na precisão, é necessário tempo e esforço exponenciais. Muitas pessoas subestimam a dificuldade desta etapa final.
Michael lembra que, quando participou do protótipo de carro autônomo do Google em 2015, sentiu que a direção totalmente autônoma estava prestes a se tornar uma realidade. Dez anos depois, ainda estamos debatendo quando o Nível 5 será totalmente autônomo. Os avanços na robótica não são lineares, mas exponenciais por natureza – a cada passo em frente, a dificuldade aumenta drasticamente. Esta última taxa de precisão de 1% pode levar anos ou até décadas para ser alcançada.
Gargalo 3: Hardware: a IA sozinha não pode resolver o problema dos robôs
Dando um passo atrás, mesmo com os melhores modelos de IA, o hardware de robô existente não está pronto para a verdadeira autonomia. Por exemplo, o problema mais negligenciado no hardware é a falta de sensores táteis – as melhores tecnologias atuais, como a pesquisa da Meta AI, não estão nem perto da sensibilidade de uma ponta do dedo humano. Os seres humanos interagem com o mundo através da visão e do tato, enquanto os robôs sabem pouco sobre textura, aderência e feedback de pressão.
Há também o problema da oclusão – quando um objeto é parcialmente bloqueado, é difícil para o robô reconhecer e interagir com ele. E os seres humanos podem intuitivamente entender um objeto, mesmo que não consigam vê-lo em sua totalidade.
Além do problema de perceção, o próprio atuador do robô também é falho. A maioria dos robôs humanoides coloca seus atuadores diretamente em suas articulações, tornando-os volumosos e potencialmente perigosos. Em contraste, a estrutura do tendão humano permite movimentos mais suaves e seguros. É por isso que os robôs humanoides existentes parecem rígidos e inflexíveis. Empresas como a Apptronik estão desenvolvendo mais designs de atuadores bio-inspirados, mas essas inovações levarão tempo para amadurecer.
Gargalo 4: Por que a expansão de hardware é tão difícil?
Ao contrário dos modelos tradicionais de IA, que dependem exclusivamente do poder de computação, a implementação da robótica inteligente requer a implantação de dispositivos físicos no mundo real. Esta situação coloca um desafio significativo em termos de capital. Construir robôs é caro, e apenas as grandes empresas mais ricas podem pagar experimentos em larga escala. Mesmo os robôs humanoides mais eficientes agora custam dezenas de milhares de dólares, tornando a adoção em massa simplesmente irrealista.
Gargalo 5: Avaliar a eficácia
Trata-se de um estrangulamento "invisível". Se você pensar sobre isso, um grande modelo de IA on-line como o ChatGPT pode testar sua funcionalidade quase instantaneamente – depois que um novo modelo de linguagem é lançado, pesquisadores ou usuários comuns em todo o mundo podem tirar conclusões sobre seu desempenho em questão de horas. Mas avaliar a IA física requer implantações no mundo real, o que leva tempo.
O software Full Self-Driving (FSD) da Tesla é um bom exemplo. Se a Tesla registra 1 milhão de milhas sem acidentes, isso significa que ela realmente atingiu o nível 5 de autonomia? E 10 milhões de milhas? O problema com a inteligência robótica é que a única maneira de validá-la é ver onde ela acaba falhando, o que significa implantações em larga escala, de longo prazo e em tempo real.
Gargalo 6: Mão de obra
Outro desafio subestimado é que o trabalho humano continua sendo indispensável no desenvolvimento da IA robótica. A IA por si só não é suficiente. Os robôs precisam de dados de formação de operadores humanos; A equipa de manutenção mantém o robô em funcionamento; e pesquisadores/desenvolvedores essenciais para otimizar continuamente os modelos de IA. Ao contrário dos modelos de IA que podem ser treinados na nuvem, os bots exigem intervenção humana constante – um grande desafio que o DePIN deve enfrentar.
O Futuro: Quando chegará o momento ChatGPT para a robótica?
Alguns acreditam que o momento ChatGPT para a robótica está chegando. Michael é um tanto cético. Dados os desafios de hardware, dados e avaliação, ele acredita que a IA robótica de uso geral ainda está longe da adoção em massa. No entanto, o progresso da robótica DePIN dá alguma esperança. O desenvolvimento da robótica deve ser descentralizado e não controlado por algumas grandes empresas. A escala e a coordenação de uma rede descentralizada podem distribuir o peso do capital. Em vez de depender de uma grande empresa para pagar por milhares de robôs, coloque indivíduos que podem contribuir em uma rede compartilhada.
Para ilustrar – em primeiro lugar, o DePIN acelera a recolha e avaliação de dados. Em vez de esperar que uma empresa implante um número limitado de bots para coletar dados, as redes descentralizadas podem funcionar em paralelo e coletar dados em uma escala muito maior. Por exemplo, em uma recente competição de robótica entre IA e humanos em Abu Dhabi, pesquisadores de instituições como DeepMind e UT Austin testaram seus modelos de IA contra jogadores humanos. Embora os humanos ainda prevaleçam, os pesquisadores estão entusiasmados com os conjuntos de dados únicos coletados de interações de robôs do mundo real. Esta é uma prova da necessidade de sub-redes que liguem os vários componentes da robótica. O entusiasmo da comunidade de investigação também mostra que, mesmo que a autonomia total continue a ser um objetivo a longo prazo, a robótica DePIN demonstrou um valor tangível, desde a recolha de dados e formação até à implementação e validação no mundo real.
Por outro lado, melhorias no design de hardware orientadas por IA, como a otimização de chips e engenharia de materiais com IA, podem encurtar significativamente o cronograma. Um exemplo concreto é quando o FrodoBot Lab fez parceria com outras instituições para garantir duas caixas de GPUs NVIDIA H100 — cada uma contendo oito chips H100. Isso fornece aos pesquisadores o poder de computação necessário para processar e otimizar modelos de IA para dados do mundo real coletados de implantações de robôs. Sem esses recursos de computação, mesmo os conjuntos de dados mais valiosos não podem ser totalmente utilizados. Com acesso à infraestrutura de computação descentralizada da DePIN, a rede robótica permite que pesquisadores de todo o mundo treinem e avaliem modelos sem serem limitados pela propriedade de GPU de capital intensivo. Se o DePIN for bem-sucedido no crowdsourcing de dados e avanços de hardware, o futuro da robótica pode vir mais cedo do que o esperado.
Além disso, agentes de IA como Sam (um bot KOL itinerante com moedas meme) demonstram um novo modelo de monetização para redes robóticas descentralizadas. Sam opera de forma autônoma, transmitindo ao vivo 24 horas por dia, 7 dias por semana em várias cidades, e suas moedas meme também estão aumentando de valor. Este modelo mostra como bots inteligentes alimentados por DEPIN podem sustentar suas finanças por meio de propriedade descentralizada e incentivos de token. No futuro, esses agentes de IA podem até usar tokens para pagar por assistência de operadores humanos, alugar ativos adicionais de bot ou dar lances em tarefas do mundo real, criando um ciclo econômico que beneficia tanto o desenvolvimento de IA quanto os participantes do DePIN.
Resumo
O desenvolvimento da IA robótica depende não só de algoritmos, mas também de atualizações de hardware, acumulação de dados, apoio financeiro e envolvimento humano. No passado, o crescimento da indústria da robótica era limitado pelos elevados custos e pelo domínio das grandes empresas, o que dificultava a velocidade da inovação. O estabelecimento da rede de bots DePIN significa que, com o poder da rede descentralizada, a coleta de dados de robôs, recursos de computação e investimento de capital podem ser coordenados em escala global, não apenas acelerando o treinamento de IA e a otimização de hardware, mas também reduzindo a barreira de desenvolvimento para permitir que mais pesquisadores, empreendedores e usuários individuais participem. Esperamos também que a indústria da robótica deixe de depender de alguns gigantes tecnológicos, mas seja impulsionada pela comunidade global a avançar para um ecossistema tecnológico verdadeiramente aberto e sustentável.
*Todo o conteúdo da plataforma Coinspire é apenas para fins informativos e não constitui uma oferta ou recomendação de qualquer estratégia de investimento, e quaisquer decisões individuais tomadas com base no conteúdo deste artigo são da exclusiva responsabilidade do investidor, e a Coinspire não é responsável por quaisquer ganhos ou perdas daí decorrentes.
O investimento é arriscado e as decisões têm de ser tomadas com cuidado