27 лютого Мессарі провів подкаст на тему «Створення децентралізованого фізичного штучного інтелекту» з Майклом Чо, співзасновником FrodoBot Lab. Вони поговорили про виклики та можливості децентралізованих мереж фізичної інфраструктури (DePIN) у робототехніці. Перебуваючи в зародковому стані, ця галузь має великий потенціал революціонізувати те, як працюють боти зі штучним інтелектом у реальному світі. Однак, на відміну від традиційного штучного інтелекту, який покладається на великі обсяги інтернет-даних, технологія штучного інтелекту робототехніки DePIN стикається з більш складними проблемами, такими як збір даних, апаратні обмеження, вузькі місця в оцінці та стійкість економічної моделі.
У сьогоднішній статті ми розберемо ключові моменти цієї дискусії, розглянемо, з якими проблемами зіткнулася робототехніка DePIN, які основні бар'єри для масштабування децентралізованих ботів і чому DePIN вигідніший за централізовані методи. Нарешті, ми дослідимо майбутнє робототехніки DePIN, щоб побачити, чи перебуваємо ми на порозі «моменту ChatGPT» для робототехніки DePIN.
Де вузьке місце інтелектуальних роботів DePIN?
Коли Майкл Чо тільки починав працювати над FrodoBot, його найбільшим головним болем була вартість робототехніки. Ціна комерційних роботів на ринку смішно висока, що ускладнює просування додатків ШІ в реальному світі. Його початкове рішення полягало в тому, щоб побудувати недорогого автономного робота, який коштував би всього 500 доларів, маючи намір виграти за нижчою ціною, ніж більшість існуючих проектів.
Але в міру того, як він і його команда працювали глибше, Майкл зрозумів, що насправді проблема не в вартості. Проблеми децентралізованої мережі фізичної інфраструктури (DePIN) у робототехніці набагато складніші, ніж «дорого чи ні». У міру того, як FrodoBotLab продовжує розвиватися, з'являються численні вузькі місця в робототехніці DePIN. Щоб досягти широкомасштабного розгортання, необхідно подолати такі вузькі місця.
Вузьке місце 1: Дані
На відміну від великих «онлайнових» моделей штучного інтелекту, навчених на великих обсягах інтернет-даних, втілений ШІ (AI) вимагає взаємодії з реальним світом для розвитку інтелекту. Проблема в тому, що у світі немає такої масштабної основи, і немає єдиної думки про те, як ці дані збирати. Збір даних для втіленого ШІ можна згрупувати за такими трьома великими категоріями:
▎Перша категорія - це дані про роботу людини, тобто дані, що генеруються, коли люди вручну керують роботами. Цей тип даних має високу якість і фіксує відеопотоки та теги руху, тобто те, що люди бачать і як вони реагують відповідно. Це найефективніший спосіб навчити ШІ імітувати людську поведінку, але він має недолік у тому, що він дорогий і трудомісткий.
▎Другий тип - це синтетичні дані (дані моделювання), які дуже корисні для навчання роботів пересуванню по складній місцевості, наприклад, навчання роботів ходити по пересіченій місцевості, що дуже корисно для деяких спеціалізованих областей. Але для деяких найрізноманітніших завдань, таких як приготування їжі, імітація навколишнього середовища не така вже й хороша. Можна уявити ситуацію з навчанням робота смажити яйця: невеликі зміни в типі сковороди, температурі масла, кімнатних умовах можуть вплинути на результати, а віртуальному середовищу складно охопити всі сцени.
▎Третя категорія – це відеонавчання, яке полягає в тому, щоб дозволити моделі штучного інтелекту навчатися, спостерігаючи за реальними відео. Хоча цей підхід має потенціал, йому не вистачає реального фізичного прямого інтерактивного зворотного зв'язку, необхідного для інтелекту.
Вузьке місце 2: Рівень автономності
Майкл згадує, що коли він вперше протестував FrodoBot у реальному світі, він в основному використовував роботів для доставки «останньої милі». За статистикою, результати насправді досить непогані – робот успішно виконав 90% завдань з доставки. Але 10% відмов у реальному житті неприпустимі. Робот, який провалює кожні 10 доставок, просто не є комерційним. Так само, як і технологія автоматизованого водіння, автономне водіння може мати рекорд у 10 000 успішних поїздок, але однієї невдачі достатньо, щоб підірвати довіру комерційних споживачів.
Тому, щоб робототехніка була по-справжньому корисною, відсоток успіху повинен бути близьким до 99,99% або навіть вище. Але проблема в тому, що на кожні 0,001% підвищення точності потрібно експоненціальний час і зусилля. Багато людей недооцінюють складність цього останнього кроку.
Майкл згадує, що коли він сидів за прототипом безпілотного автомобіля Google у 2015 році, він відчував, що повністю автономне водіння ось-ось стане реальністю. Десять років потому ми все ще обговорюємо, коли 5-й рівень стане повністю автономним. Прогрес у робототехніці має не лінійний, а експоненціальний характер – з кожним кроком вперед складність різко зростає. На досягнення цього останнього показника точності в 1% можуть піти роки або навіть десятиліття.
Вузьке місце 3: Апаратне забезпечення: ШІ сам по собі не може вирішити проблему роботів
Зробивши крок назад, навіть з найкращими моделями штучного інтелекту, існуюче обладнання роботів не готове до справжньої автономності. Наприклад, проблемою, яку найбільше ігнорують в апаратному забезпеченні, є відсутність тактильних датчиків – найкращі сучасні технології, такі як дослідження Meta AI, далекі від чутливості кінчика пальця людини. Люди взаємодіють зі світом за допомогою зору та дотику, тоді як роботи мало знають про текстуру, зчеплення та зворотний зв'язок тиску.
Існує також проблема оклюзії – коли об'єкт частково заблокований, роботу важко розпізнати його та взаємодіяти з ним. І люди можуть інтуїтивно зрозуміти об'єкт, навіть якщо вони не можуть побачити його повністю.
Крім проблеми зі сприйняттям, сам привід робота також має недоліки. Більшість гуманоїдних роботів розміщують свої приводи безпосередньо на суглобах, що робить їх громіздкими та потенційно небезпечними. Навпаки, структура сухожилля людини дозволяє здійснювати більш плавні та безпечні рухи. Ось чому існуючі людиноподібні роботи виглядають жорсткими і негнучкими. Такі компанії, як Apptronik, розробляють більше конструкцій приводів, натхненних біотехнологіями, але для дозрівання цих інновацій потрібен час.
Вузьке місце 4: Чому апаратне розширення таке складне?
На відміну від традиційних моделей штучного інтелекту, які покладаються виключно на обчислювальні потужності, впровадження інтелектуальної робототехніки вимагає розгортання фізичних пристроїв у реальному світі. Це створює серйозну проблему для капіталу. Будувати роботів дорого, а масштабні експерименти можуть дозволити собі лише найбагатші великі компанії. Навіть найефективніші людиноподібні роботи зараз коштують десятки тисяч доларів, що робить масове впровадження просто нереальним.
Вузьке місце 5: Оцініть ефективність
Це «невидиме» вузьке місце. Якщо задуматися, то велика онлайн-модель штучного інтелекту на кшталт ChatGPT може майже миттєво протестувати свою функціональність – після виходу нової мовної моделі дослідники або звичайні користувачі по всьому світу можуть зробити висновки про її продуктивність за лічені години. Але оцінка фізичного ШІ вимагає реальних розгортань, які потребують часу.
Хорошим прикладом є програмне забезпечення Tesla Full Self-Driving (FSD). Якщо Tesla зафіксує 1 мільйон миль без аварій, чи означає це, що вона дійсно досягла 5-го рівня автономності? А як щодо 10 мільйонів миль? Проблема роботизованого інтелекту полягає в тому, що єдиний спосіб перевірити його – це побачити, де він зрештою зазнає невдачі, що означає широкомасштабне, довгострокове розгортання в режимі реального часу.
Вузьке місце 6: Жива сила
Ще одна недооцінена проблема полягає в тому, що людська праця залишається незамінною в розробці роботизованого штучного інтелекту. Одного штучного інтелекту недостатньо. Роботам потрібні навчальні дані від людей-операторів; Команда технічного обслуговування підтримує роботу робота; а також важливі дослідники/розробники для постійної оптимізації моделей штучного інтелекту. На відміну від моделей штучного інтелекту, які можна навчати в хмарі, боти вимагають постійного втручання людини, що є основною проблемою, яку DePIN повинен вирішити.
Майбутнє: коли настане момент ChatGPT для робототехніки?
Дехто вважає, що настає момент ChatGPT для робототехніки. Майкл налаштований дещо скептично. З огляду на проблеми з апаратним забезпеченням, даними та оцінкою, він вважає, що роботизований штучний інтелект загального призначення все ще далекий від масового впровадження. Однак прогрес робототехніки DePIN вселяє певну надію. Розвиток робототехніки має бути децентралізованим, а не контролюватися кількома великими компаніями. Масштаб і координація децентралізованої мережі можуть розподілити тягар капіталу. Замість того, щоб покладатися на велику компанію, яка платить за тисячі роботів, залучіть людей, які можуть зробити свій внесок, у спільну мережу.
Наприклад, DePIN прискорює збір та оцінку даних. Замість того, щоб чекати, поки компанія розгорне обмежену кількість ботів для збору даних, децентралізовані мережі можуть працювати паралельно і збирати дані в набагато більшому масштабі. Наприклад, на нещодавньому змаганні з робототехніки «штучний інтелект людині» в Абу-Дабі дослідники з таких установ, як DeepMind і UT Austin, випробували свої моделі штучного інтелекту проти гравців-людей. Хоча люди все ще переважають, дослідники в захваті від унікальних наборів даних, зібраних із взаємодії реальних роботів. Це свідчить про потребу в підмережах, які з'єднують різні компоненти робототехніки. Ентузіазм дослідницької спільноти також показує, що навіть якщо повна автономія залишається довгостроковою метою, робототехніка DePIN продемонструвала відчутну цінність від збору даних і навчання до розгортання та валідації в реальному світі.
З іншого боку, вдосконалення апаратного дизайну на основі штучного інтелекту, такі як оптимізація мікросхем і інженерії матеріалів за допомогою штучного інтелекту, можуть значно скоротити терміни. Конкретним прикладом є партнерство FrodoBot Lab з іншими установами, щоб отримати дві коробки графічних процесорів NVIDIA H100, кожна з яких містить вісім чіпів H100. Це надає дослідникам необхідну обчислювальну потужність для обробки та оптимізації моделей штучного інтелекту для реальних даних, зібраних під час розгортання роботів. Без таких обчислювальних ресурсів навіть найцінніші набори даних не можуть бути використані повною мірою. Маючи доступ до децентралізованої обчислювальної інфраструктури DePIN, робототехнічна мережа дозволяє дослідникам по всьому світу навчати та оцінювати моделі, не будучи обмеженими капіталомістким володінням графічними процесорами. Якщо DePIN досягне успіху в краудсорсингу даних та апаратних удосконалень, майбутнє робототехніки може настати раніше, ніж очікувалося.
Крім того, агенти штучного інтелекту, такі як Сем (мандрівний бот KOL з монетами-мемами), демонструють нову модель монетизації для децентралізованих робототехнічних мереж. Sam працює автономно, транслюючи прямі трансляції 24/7 у кількох містах, і його монети-меми також зростають у ціні. Ця модель показує, як інтелектуальні боти, що працюють на базі DEPIN, можуть підтримувати свої фінанси за допомогою децентралізованої власності та стимулів для токенів. У майбутньому ці агенти штучного інтелекту можуть навіть використовувати токени для оплати допомоги від операторів-людей, оренди додаткових активів ботів або ставок на реальні завдання, створюючи економічний цикл, який принесе користь як розвитку штучного інтелекту, так і учасникам DePIN.
Підсумки
Розвиток robot AI залежить не лише від алгоритмів, а й від оновлення апаратного забезпечення, накопичення даних, фінансової підтримки та участі людини. У минулому зростання індустрії робототехніки було обмежене високими витратами і домінуванням великих підприємств, що стримувало швидкість інновацій. Створення мережі ботів DePIN означає, що за допомогою потужності децентралізованої мережі можна координувати збір даних роботів, обчислювальні ресурси та капітальні інвестиції в глобальному масштабі, не тільки прискорюючи навчання ШІ та оптимізацію апаратного забезпечення, але й знижуючи бар'єр розробки, щоб дозволити більшій кількості дослідників, підприємців та окремих користувачів брати участь. Ми також очікуємо, що індустрія робототехніки більше не покладатиметься на кількох технологічних гігантів, а буде спонукана світовою спільнотою рухатися до справді відкритої та стійкої технологічної екосистеми.
*Весь контент на платформі Coinspire призначений лише для інформаційних цілей і не є пропозицією чи рекомендацією будь-якої інвестиційної стратегії, а будь-які індивідуальні рішення, прийняті на основі змісту цієї статті, є виключною відповідальністю інвестора, і Coinspire не несе відповідальності за будь-які прибутки чи збитки, що виникають у зв'язку з цим.
Інвестиції пов'язані з ризиком, і рішення потрібно приймати виважено
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Технічні виклики та майбутнє DePIN та втіленого інтелекту
! Технічні виклики та майбутнє DePIN та втіленого інтелекту
27 лютого Мессарі провів подкаст на тему «Створення децентралізованого фізичного штучного інтелекту» з Майклом Чо, співзасновником FrodoBot Lab. Вони поговорили про виклики та можливості децентралізованих мереж фізичної інфраструктури (DePIN) у робототехніці. Перебуваючи в зародковому стані, ця галузь має великий потенціал революціонізувати те, як працюють боти зі штучним інтелектом у реальному світі. Однак, на відміну від традиційного штучного інтелекту, який покладається на великі обсяги інтернет-даних, технологія штучного інтелекту робототехніки DePIN стикається з більш складними проблемами, такими як збір даних, апаратні обмеження, вузькі місця в оцінці та стійкість економічної моделі.
У сьогоднішній статті ми розберемо ключові моменти цієї дискусії, розглянемо, з якими проблемами зіткнулася робототехніка DePIN, які основні бар'єри для масштабування децентралізованих ботів і чому DePIN вигідніший за централізовані методи. Нарешті, ми дослідимо майбутнє робототехніки DePIN, щоб побачити, чи перебуваємо ми на порозі «моменту ChatGPT» для робототехніки DePIN.
Де вузьке місце інтелектуальних роботів DePIN?
Коли Майкл Чо тільки починав працювати над FrodoBot, його найбільшим головним болем була вартість робототехніки. Ціна комерційних роботів на ринку смішно висока, що ускладнює просування додатків ШІ в реальному світі. Його початкове рішення полягало в тому, щоб побудувати недорогого автономного робота, який коштував би всього 500 доларів, маючи намір виграти за нижчою ціною, ніж більшість існуючих проектів.
Але в міру того, як він і його команда працювали глибше, Майкл зрозумів, що насправді проблема не в вартості. Проблеми децентралізованої мережі фізичної інфраструктури (DePIN) у робототехніці набагато складніші, ніж «дорого чи ні». У міру того, як FrodoBotLab продовжує розвиватися, з'являються численні вузькі місця в робототехніці DePIN. Щоб досягти широкомасштабного розгортання, необхідно подолати такі вузькі місця.
Вузьке місце 1: Дані
На відміну від великих «онлайнових» моделей штучного інтелекту, навчених на великих обсягах інтернет-даних, втілений ШІ (AI) вимагає взаємодії з реальним світом для розвитку інтелекту. Проблема в тому, що у світі немає такої масштабної основи, і немає єдиної думки про те, як ці дані збирати. Збір даних для втіленого ШІ можна згрупувати за такими трьома великими категоріями:
▎Перша категорія - це дані про роботу людини, тобто дані, що генеруються, коли люди вручну керують роботами. Цей тип даних має високу якість і фіксує відеопотоки та теги руху, тобто те, що люди бачать і як вони реагують відповідно. Це найефективніший спосіб навчити ШІ імітувати людську поведінку, але він має недолік у тому, що він дорогий і трудомісткий.
▎Другий тип - це синтетичні дані (дані моделювання), які дуже корисні для навчання роботів пересуванню по складній місцевості, наприклад, навчання роботів ходити по пересіченій місцевості, що дуже корисно для деяких спеціалізованих областей. Але для деяких найрізноманітніших завдань, таких як приготування їжі, імітація навколишнього середовища не така вже й хороша. Можна уявити ситуацію з навчанням робота смажити яйця: невеликі зміни в типі сковороди, температурі масла, кімнатних умовах можуть вплинути на результати, а віртуальному середовищу складно охопити всі сцени.
▎Третя категорія – це відеонавчання, яке полягає в тому, щоб дозволити моделі штучного інтелекту навчатися, спостерігаючи за реальними відео. Хоча цей підхід має потенціал, йому не вистачає реального фізичного прямого інтерактивного зворотного зв'язку, необхідного для інтелекту.
Вузьке місце 2: Рівень автономності
Майкл згадує, що коли він вперше протестував FrodoBot у реальному світі, він в основному використовував роботів для доставки «останньої милі». За статистикою, результати насправді досить непогані – робот успішно виконав 90% завдань з доставки. Але 10% відмов у реальному житті неприпустимі. Робот, який провалює кожні 10 доставок, просто не є комерційним. Так само, як і технологія автоматизованого водіння, автономне водіння може мати рекорд у 10 000 успішних поїздок, але однієї невдачі достатньо, щоб підірвати довіру комерційних споживачів.
Тому, щоб робототехніка була по-справжньому корисною, відсоток успіху повинен бути близьким до 99,99% або навіть вище. Але проблема в тому, що на кожні 0,001% підвищення точності потрібно експоненціальний час і зусилля. Багато людей недооцінюють складність цього останнього кроку.
Майкл згадує, що коли він сидів за прототипом безпілотного автомобіля Google у 2015 році, він відчував, що повністю автономне водіння ось-ось стане реальністю. Десять років потому ми все ще обговорюємо, коли 5-й рівень стане повністю автономним. Прогрес у робототехніці має не лінійний, а експоненціальний характер – з кожним кроком вперед складність різко зростає. На досягнення цього останнього показника точності в 1% можуть піти роки або навіть десятиліття.
Вузьке місце 3: Апаратне забезпечення: ШІ сам по собі не може вирішити проблему роботів
Зробивши крок назад, навіть з найкращими моделями штучного інтелекту, існуюче обладнання роботів не готове до справжньої автономності. Наприклад, проблемою, яку найбільше ігнорують в апаратному забезпеченні, є відсутність тактильних датчиків – найкращі сучасні технології, такі як дослідження Meta AI, далекі від чутливості кінчика пальця людини. Люди взаємодіють зі світом за допомогою зору та дотику, тоді як роботи мало знають про текстуру, зчеплення та зворотний зв'язок тиску.
Існує також проблема оклюзії – коли об'єкт частково заблокований, роботу важко розпізнати його та взаємодіяти з ним. І люди можуть інтуїтивно зрозуміти об'єкт, навіть якщо вони не можуть побачити його повністю.
Крім проблеми зі сприйняттям, сам привід робота також має недоліки. Більшість гуманоїдних роботів розміщують свої приводи безпосередньо на суглобах, що робить їх громіздкими та потенційно небезпечними. Навпаки, структура сухожилля людини дозволяє здійснювати більш плавні та безпечні рухи. Ось чому існуючі людиноподібні роботи виглядають жорсткими і негнучкими. Такі компанії, як Apptronik, розробляють більше конструкцій приводів, натхненних біотехнологіями, але для дозрівання цих інновацій потрібен час.
Вузьке місце 4: Чому апаратне розширення таке складне?
На відміну від традиційних моделей штучного інтелекту, які покладаються виключно на обчислювальні потужності, впровадження інтелектуальної робототехніки вимагає розгортання фізичних пристроїв у реальному світі. Це створює серйозну проблему для капіталу. Будувати роботів дорого, а масштабні експерименти можуть дозволити собі лише найбагатші великі компанії. Навіть найефективніші людиноподібні роботи зараз коштують десятки тисяч доларів, що робить масове впровадження просто нереальним.
Вузьке місце 5: Оцініть ефективність
Це «невидиме» вузьке місце. Якщо задуматися, то велика онлайн-модель штучного інтелекту на кшталт ChatGPT може майже миттєво протестувати свою функціональність – після виходу нової мовної моделі дослідники або звичайні користувачі по всьому світу можуть зробити висновки про її продуктивність за лічені години. Але оцінка фізичного ШІ вимагає реальних розгортань, які потребують часу.
Хорошим прикладом є програмне забезпечення Tesla Full Self-Driving (FSD). Якщо Tesla зафіксує 1 мільйон миль без аварій, чи означає це, що вона дійсно досягла 5-го рівня автономності? А як щодо 10 мільйонів миль? Проблема роботизованого інтелекту полягає в тому, що єдиний спосіб перевірити його – це побачити, де він зрештою зазнає невдачі, що означає широкомасштабне, довгострокове розгортання в режимі реального часу.
Вузьке місце 6: Жива сила
Ще одна недооцінена проблема полягає в тому, що людська праця залишається незамінною в розробці роботизованого штучного інтелекту. Одного штучного інтелекту недостатньо. Роботам потрібні навчальні дані від людей-операторів; Команда технічного обслуговування підтримує роботу робота; а також важливі дослідники/розробники для постійної оптимізації моделей штучного інтелекту. На відміну від моделей штучного інтелекту, які можна навчати в хмарі, боти вимагають постійного втручання людини, що є основною проблемою, яку DePIN повинен вирішити.
Майбутнє: коли настане момент ChatGPT для робототехніки?
Дехто вважає, що настає момент ChatGPT для робототехніки. Майкл налаштований дещо скептично. З огляду на проблеми з апаратним забезпеченням, даними та оцінкою, він вважає, що роботизований штучний інтелект загального призначення все ще далекий від масового впровадження. Однак прогрес робототехніки DePIN вселяє певну надію. Розвиток робототехніки має бути децентралізованим, а не контролюватися кількома великими компаніями. Масштаб і координація децентралізованої мережі можуть розподілити тягар капіталу. Замість того, щоб покладатися на велику компанію, яка платить за тисячі роботів, залучіть людей, які можуть зробити свій внесок, у спільну мережу.
Наприклад, DePIN прискорює збір та оцінку даних. Замість того, щоб чекати, поки компанія розгорне обмежену кількість ботів для збору даних, децентралізовані мережі можуть працювати паралельно і збирати дані в набагато більшому масштабі. Наприклад, на нещодавньому змаганні з робототехніки «штучний інтелект людині» в Абу-Дабі дослідники з таких установ, як DeepMind і UT Austin, випробували свої моделі штучного інтелекту проти гравців-людей. Хоча люди все ще переважають, дослідники в захваті від унікальних наборів даних, зібраних із взаємодії реальних роботів. Це свідчить про потребу в підмережах, які з'єднують різні компоненти робототехніки. Ентузіазм дослідницької спільноти також показує, що навіть якщо повна автономія залишається довгостроковою метою, робототехніка DePIN продемонструвала відчутну цінність від збору даних і навчання до розгортання та валідації в реальному світі.
З іншого боку, вдосконалення апаратного дизайну на основі штучного інтелекту, такі як оптимізація мікросхем і інженерії матеріалів за допомогою штучного інтелекту, можуть значно скоротити терміни. Конкретним прикладом є партнерство FrodoBot Lab з іншими установами, щоб отримати дві коробки графічних процесорів NVIDIA H100, кожна з яких містить вісім чіпів H100. Це надає дослідникам необхідну обчислювальну потужність для обробки та оптимізації моделей штучного інтелекту для реальних даних, зібраних під час розгортання роботів. Без таких обчислювальних ресурсів навіть найцінніші набори даних не можуть бути використані повною мірою. Маючи доступ до децентралізованої обчислювальної інфраструктури DePIN, робототехнічна мережа дозволяє дослідникам по всьому світу навчати та оцінювати моделі, не будучи обмеженими капіталомістким володінням графічними процесорами. Якщо DePIN досягне успіху в краудсорсингу даних та апаратних удосконалень, майбутнє робототехніки може настати раніше, ніж очікувалося.
Крім того, агенти штучного інтелекту, такі як Сем (мандрівний бот KOL з монетами-мемами), демонструють нову модель монетизації для децентралізованих робототехнічних мереж. Sam працює автономно, транслюючи прямі трансляції 24/7 у кількох містах, і його монети-меми також зростають у ціні. Ця модель показує, як інтелектуальні боти, що працюють на базі DEPIN, можуть підтримувати свої фінанси за допомогою децентралізованої власності та стимулів для токенів. У майбутньому ці агенти штучного інтелекту можуть навіть використовувати токени для оплати допомоги від операторів-людей, оренди додаткових активів ботів або ставок на реальні завдання, створюючи економічний цикл, який принесе користь як розвитку штучного інтелекту, так і учасникам DePIN.
Підсумки
Розвиток robot AI залежить не лише від алгоритмів, а й від оновлення апаратного забезпечення, накопичення даних, фінансової підтримки та участі людини. У минулому зростання індустрії робототехніки було обмежене високими витратами і домінуванням великих підприємств, що стримувало швидкість інновацій. Створення мережі ботів DePIN означає, що за допомогою потужності децентралізованої мережі можна координувати збір даних роботів, обчислювальні ресурси та капітальні інвестиції в глобальному масштабі, не тільки прискорюючи навчання ШІ та оптимізацію апаратного забезпечення, але й знижуючи бар'єр розробки, щоб дозволити більшій кількості дослідників, підприємців та окремих користувачів брати участь. Ми також очікуємо, що індустрія робототехніки більше не покладатиметься на кількох технологічних гігантів, а буде спонукана світовою спільнотою рухатися до справді відкритої та стійкої технологічної екосистеми.
*Весь контент на платформі Coinspire призначений лише для інформаційних цілей і не є пропозицією чи рекомендацією будь-якої інвестиційної стратегії, а будь-які індивідуальні рішення, прийняті на основі змісту цієї статті, є виключною відповідальністю інвестора, і Coinspire не несе відповідальності за будь-які прибутки чи збитки, що виникають у зв'язку з цим.
Інвестиції пов'язані з ризиком, і рішення потрібно приймати виважено