Децентрализованный физический искусственный интеллект, сокращенно DePAI(, предоставляет децентрализованную альтернативу для стека роботов и физического искусственного интеллекта, избавляясь от традиционной централизованной модели управления.
От сбора данных из реального мира до управления физическими роботами с помощью развертывания DePIN, DePAI уверенно движется вперед к будущему.
(Оригинальное изображение предоставлено Диланом Бэйном, составлено TechFlow)
"Момент наступления ChatGPT в области общего робототехники уже почти наступил."
——Генеральный директор NVIDIA Дженсен Хуанг (Jensen Huang)
Цифровая эпоха началась с аппаратного обеспечения, а затем превратилась в неосязаемую сферу программного обеспечения. Эра искусственного интеллекта, с другой стороны, пошла другим путем, начав с программного обеспечения и теперь двигаясь к физическому миру, последнему рубежу, который ему еще предстоит завоевать.
(Изначальное изображение от Dylan Bane, переведено DeepTech TechFlow)
В будущем, где доминируют роботы, дроны, беспилотные автомобили и человекоподобные роботы, эти машины управляются автономными физическими агентами ИИ и постепенно вытесняют традиционный труд, и вопрос «кому принадлежат эти машины» стал важной социальной проблемой.
DePAI предоставляет возможность создать экосистему физического искусственного интеллекта Web3 до того, как централизованные гиганты займут доминирующее положение.
Исходное изображение от Дилана Бейна, переведено TechFlow.
В настоящее время инфраструктура стека DePAI быстро развивается.
На текущем этапе уровень сбора данных является наиболее активной частью. Этот уровень не только может предоставить реальные мировые данные, необходимые для обучения физических AI интеллектуальных агентов, размещенных на роботах, но также может помочь роботам навигировать сложные окружающие среды и выполнять задачи с помощью потоковых данных в реальном времени.
（Изображение предоставлено Диланом Бейном, переведено TechFlow из DeepTide）
Однако получение реальных данных по-прежнему является основным узким местом для обучения физическому искусственному интеллекту.
Несмотря на то, что платформы NVIDIA, такие как Omniverse и Cosmos, предоставляют многообещающее решение через симуляцию окружения, синтетические данные могут решить только часть проблемы. Для дальнейшего улучшения обучения необходимы также удаленное управление и реальные видеоданные из реального мира.
(Оригинальное изображение предоставлено Диланом Бэйном, составлено TechFlow)
В области удаленных операций @frodobots использует DePIN для развертывания недорогих роботов-доставщиков по всему миру. Эти роботы работают, отражая сложность принятия решений человеком в реальной среде, генерируя ценные наборы данных и эффективно решая проблему первоначальной нехватки капитала.
（Изображение предоставлено Dylan Bane и переведено DeepTech TechFlow）
DePIN ) децентрализованной сети физической инфраструктуры ( Благодаря эффекту маховика на основе токенов он обеспечивает надежную поддержку для быстрого развертывания датчиков сбора данных и роботов.
Для компаний, занимающихся робототехникой, которые хотят ускорить продажи и сократить капитальные затраты (CapEx) и операционные расходы (OpEx), DePIN предлагает более эффективное и экономичное решение, чем традиционные методы.
Изображение от Dylan Bane, переведено Deep Tide TechFlow
DePAI ) децентрализованную физику AI( также использует видеоданные реального мира для обучения физических систем искусственного интеллекта и создания общего пространственного понимания реального мира.
Например, @Hivemapper и @NATIXNetwork обладают уникальным набором видеоданных, которые могут стать важным ресурсом для обучения физическому искусственному интеллекту.
(Оригинальное изображение от Дилан Бейн, переведено DeepTech TechFlow)
Как говорит @masonnystrom, «данные отдельных пользователей трудно монетизировать, но когда они агрегированы, они создают огромную ценность». ”
Через сеть DePIN можно объединить реальные данные из различных устройств и узлов, создавая высокоценный набор данных.
@iotex_io система Quicksilver не только способна объединять эти данные, но также решать вопросы проверки данных и защиты конфиденциальности, обеспечивая безопасность децентрализованного использования данных.
Кроме того, пространственный интеллект и протокол вычислений также используют технологии DePIN и DePAI для продвижения децентрализованного развития пространственной координации и 3D виртуального двойника реального мира.
Например, технология Posemesh от @AukiNetwork обеспечивает возможность реального пространственного восприятия, обеспечивая мощную поддержку для физического искусственного интеллекта, сохраняя конфиденциальность и децентрализацию.
(Оригинальное изображение от Дилана Бейна, переведено DeepTech TechFlow)
В настоящее время первоначальное применение физических агентов ИИ вошло в реальность.
Например, @SamIsMoving использует глобальный автопарк Frodobots для анализа данных и прогнозирования местоположения.
В будущем, благодаря таким фреймворкам, как Quicksilver, AI-агенты смогут в режиме реального времени получать доступ к данным, предоставляемым DePIN, что позволит им более эффективно выполнять сложные задачи и способствовать дальнейшему развитию физического AI.
（оригинальное изображение от Dylan Bane, переведено DeepTech TechFlow）
Если вы хотите участвовать в развитии физического искусственного интеллекта )Physical AI(, возможно, одним из самых прямых способов является инвестирование в DAO )децентрализованная автономная организация(.
Через свою платформу @xmaquinaDAO предоставляет участникам доступ к физическим активам ИИ, включая физические активы машин )Real World Assets, RWAs(, протокол DePIN ) децентрализованная физическая инфраструктура, кибер (, робототехнические компании и )IP( интеллектуальной собственности. Кроме того, эти инвестиции поддерживаются собственной командой по исследованиям и разработкам для обеспечения технологического и рыночного лидерства.
(Полный текст доклада здесь)
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Messari: будет ли DePAI следующим трендом в рассказах?
Автор: Дилан Бейн
Компиляция: DeepTech TechFlow
Децентрализованный физический искусственный интеллект, сокращенно DePAI(, предоставляет децентрализованную альтернативу для стека роботов и физического искусственного интеллекта, избавляясь от традиционной централизованной модели управления.
От сбора данных из реального мира до управления физическими роботами с помощью развертывания DePIN, DePAI уверенно движется вперед к будущему.
(Оригинальное изображение предоставлено Диланом Бэйном, составлено TechFlow)
"Момент наступления ChatGPT в области общего робототехники уже почти наступил."
——Генеральный директор NVIDIA Дженсен Хуанг (Jensen Huang)
Цифровая эпоха началась с аппаратного обеспечения, а затем превратилась в неосязаемую сферу программного обеспечения. Эра искусственного интеллекта, с другой стороны, пошла другим путем, начав с программного обеспечения и теперь двигаясь к физическому миру, последнему рубежу, который ему еще предстоит завоевать.
(Изначальное изображение от Dylan Bane, переведено DeepTech TechFlow)
В будущем, где доминируют роботы, дроны, беспилотные автомобили и человекоподобные роботы, эти машины управляются автономными физическими агентами ИИ и постепенно вытесняют традиционный труд, и вопрос «кому принадлежат эти машины» стал важной социальной проблемой.
DePAI предоставляет возможность создать экосистему физического искусственного интеллекта Web3 до того, как централизованные гиганты займут доминирующее положение.
Исходное изображение от Дилана Бейна, переведено TechFlow.
В настоящее время инфраструктура стека DePAI быстро развивается.
На текущем этапе уровень сбора данных является наиболее активной частью. Этот уровень не только может предоставить реальные мировые данные, необходимые для обучения физических AI интеллектуальных агентов, размещенных на роботах, но также может помочь роботам навигировать сложные окружающие среды и выполнять задачи с помощью потоковых данных в реальном времени.
（Изображение предоставлено Диланом Бейном, переведено TechFlow из DeepTide）
Однако получение реальных данных по-прежнему является основным узким местом для обучения физическому искусственному интеллекту.
Несмотря на то, что платформы NVIDIA, такие как Omniverse и Cosmos, предоставляют многообещающее решение через симуляцию окружения, синтетические данные могут решить только часть проблемы. Для дальнейшего улучшения обучения необходимы также удаленное управление и реальные видеоданные из реального мира.
(Оригинальное изображение предоставлено Диланом Бэйном, составлено TechFlow)
В области удаленных операций @frodobots использует DePIN для развертывания недорогих роботов-доставщиков по всему миру. Эти роботы работают, отражая сложность принятия решений человеком в реальной среде, генерируя ценные наборы данных и эффективно решая проблему первоначальной нехватки капитала.
（Изображение предоставлено Dylan Bane и переведено DeepTech TechFlow）
DePIN ) децентрализованной сети физической инфраструктуры ( Благодаря эффекту маховика на основе токенов он обеспечивает надежную поддержку для быстрого развертывания датчиков сбора данных и роботов.
Для компаний, занимающихся робототехникой, которые хотят ускорить продажи и сократить капитальные затраты (CapEx) и операционные расходы (OpEx), DePIN предлагает более эффективное и экономичное решение, чем традиционные методы.
Изображение от Dylan Bane, переведено Deep Tide TechFlow
DePAI ) децентрализованную физику AI( также использует видеоданные реального мира для обучения физических систем искусственного интеллекта и создания общего пространственного понимания реального мира.
Например, @Hivemapper и @NATIXNetwork обладают уникальным набором видеоданных, которые могут стать важным ресурсом для обучения физическому искусственному интеллекту.
(Оригинальное изображение от Дилан Бейн, переведено DeepTech TechFlow)
Как говорит @masonnystrom, «данные отдельных пользователей трудно монетизировать, но когда они агрегированы, они создают огромную ценность». ”
Через сеть DePIN можно объединить реальные данные из различных устройств и узлов, создавая высокоценный набор данных.
@iotex_io система Quicksilver не только способна объединять эти данные, но также решать вопросы проверки данных и защиты конфиденциальности, обеспечивая безопасность децентрализованного использования данных.
（Изображение: Дилан Бейн, перевод: DeepTech TechFlow）
Кроме того, пространственный интеллект и протокол вычислений также используют технологии DePIN и DePAI для продвижения децентрализованного развития пространственной координации и 3D виртуального двойника реального мира.
Например, технология Posemesh от @AukiNetwork обеспечивает возможность реального пространственного восприятия, обеспечивая мощную поддержку для физического искусственного интеллекта, сохраняя конфиденциальность и децентрализацию.
(Оригинальное изображение от Дилана Бейна, переведено DeepTech TechFlow)
В настоящее время первоначальное применение физических агентов ИИ вошло в реальность.
Например, @SamIsMoving использует глобальный автопарк Frodobots для анализа данных и прогнозирования местоположения.
В будущем, благодаря таким фреймворкам, как Quicksilver, AI-агенты смогут в режиме реального времени получать доступ к данным, предоставляемым DePIN, что позволит им более эффективно выполнять сложные задачи и способствовать дальнейшему развитию физического AI.
（оригинальное изображение от Dylan Bane, переведено DeepTech TechFlow）
Если вы хотите участвовать в развитии физического искусственного интеллекта )Physical AI(, возможно, одним из самых прямых способов является инвестирование в DAO )децентрализованная автономная организация(.
Через свою платформу @xmaquinaDAO предоставляет участникам доступ к физическим активам ИИ, включая физические активы машин )Real World Assets, RWAs(, протокол DePIN ) децентрализованная физическая инфраструктура, кибер (, робототехнические компании и )IP( интеллектуальной собственности. Кроме того, эти инвестиции поддерживаются собственной командой по исследованиям и разработкам для обеспечения технологического и рыночного лидерства.
(Полный текст доклада здесь)