Robot hình người đang nhanh chóng từ tác phẩm khoa học viễn tưởng chuyển sang thực tế. Chi phí phần cứng ngày càng giảm, đầu tư vốn tiếp tục tăng, cộng với sự đột phá công nghệ trong linh hoạt vận động và khả năng thao tác, ba yếu tố này đang tích hợp và thúc đẩy sự lặp lại lớn tiếp theo trong lĩnh vực tính toán.
Mặc dù khả năng tính toán và thiết bị phần cứng ngày càng trở nên hàng hóa, mang lại lợi thế chi phí thấp cho kỹ thuật robot, nhưng ngành này vẫn bị hạn chế bởi nút thắt dữ liệu đào tạo.
Reborn là một trong số ít các dự án sử dụng trí tuệ nhân tạo vật lý phi tập trung (DePAI) để crowdsourcing dữ liệu chuyển động và dữ liệu tổng hợp có độ chính xác cao, đồng thời xây dựng các mô hình cơ bản cho robot, điều này giúp nó ở vị trí thuận lợi độc đáo trong việc thúc đẩy việc triển khai robot hình người. Dự án được lãnh đạo bởi một đội ngũ sáng lập có nền tảng kỹ thuật vững vàng, các thành viên trong đội có kinh nghiệm nghiên cứu học thuật và vị trí giáo sư tại Đại học California, Berkeley, Đại học Cornell, Đại học Harvard và Apple, vừa thể hiện trình độ học thuật xuất sắc, vừa có khả năng thực thi kỹ thuật trong thế giới thực.
Robot hình người: Từ tác phẩm khoa học viễn tưởng đến ứng dụng tiên tiến
Công nghệ robot hóa thương mại không phải là khái niệm mới. Những robot gia đình như iRobot Roomba được ra mắt vào năm 2002 hay camera giám sát thú cưng Kasa gần đây đều thuộc về thiết bị chức năng đơn. Với sự phát triển của trí tuệ nhân tạo, robot đang tiến hóa từ máy móc chức năng đơn sang hình thái đa chức năng, nhằm thích ứng với công việc trong môi trường mở.
Robot hình người sẽ dần dần nâng cấp từ các nhiệm vụ cơ bản như dọn dẹp, nấu ăn trong khoảng thời gian từ 5 đến 15 năm tới, và cuối cùng sẽ có khả năng đảm nhận các công việc phức tạp như dịch vụ tiếp tân, cứu hỏa và thậm chí là phẫu thuật.
Gần đây, sự phát triển đang biến robot hình người từ tiểu thuyết khoa học viễn tưởng thành hiện thực.
Thị trường động: Hơn 100 doanh nghiệp đang đầu tư vào robot hình người (chẳng hạn như Tesla, Yushu Technology, Figure AI, Clone, Agile, v.v.).
Công nghệ phần cứng đã thành công vượt qua thung lũng kinh dị: thế hệ robot hình người mới thể hiện những chuyển động tự nhiên, mềm mại như mây trôi, giúp chúng có thể tương tác giống như con người trong môi trường thực tế. Trong đó, tốc độ đi bộ của robot Yushu H1 có thể đạt 3,3 mét mỗi giây, vượt xa tốc độ bước trung bình của con người là 1,4 mét mỗi giây.
(Ghi chú: Lý thuyết Thung lũng kỳ lạ (The Uncanny Valley) là một lý thuyết tâm lý mô tả phản ứng cảm xúc của con người đối với các thực thể phi con người (như robot, búp bê, hình ảnh ảo, v.v.).)
Chi phí của robot hình người theo mô hình mới: Dự kiến đến năm 2032 sẽ thấp hơn mức lương nhân công tại Mỹ.
Rào cản phát triển: Dữ liệu huấn luyện từ thế giới thực
Mặc dù có những yếu tố thuận lợi rõ ràng trong lĩnh vực robot hình người, nhưng vấn đề chất lượng dữ liệu kém và thiếu hụt vẫn cản trở sự triển khai quy mô lớn của chúng.
Các công nghệ thực thể trí tuệ nhân tạo khác, chẳng hạn như công nghệ lái xe tự động, đã cơ bản giải quyết được vấn đề dữ liệu thông qua các camera và cảm biến được trang bị trên các phương tiện hiện có. Lấy ví dụ từ các hệ thống lái xe tự động như Tesla, Waymo, những đội xe này có khả năng tạo ra hàng tỷ dặm dữ liệu lái xe trên đường thực tế. Trong giai đoạn phát triển này, Waymo đã cho phép xe lưu thông trên đường với một người giám sát thực tế ngồi ở ghế phụ để thực hiện đào tạo theo thời gian thực.
Tuy nhiên, người tiêu dùng ít có khả năng chấp nhận sự tồn tại của "vú em robot". Robot phải có hiệu suất cao ngay từ khi mở hộp, điều này làm cho việc thu thập dữ liệu trước khi triển khai trở nên vô cùng quan trọng. Tất cả các giai đoạn đào tạo phải được hoàn thành trước khi sản xuất thương mại, trong khi quy mô và chất lượng dữ liệu vẫn là những vấn đề tồn tại.
Mặc dù mỗi chế độ đào tạo đều có đơn vị quy mô riêng (chẳng hạn như mô hình ngôn ngữ lớn sử dụng Token, trình tạo hình ảnh sử dụng cặp video - văn bản, và công nghệ robot sử dụng đoạn chuyển động), nhưng sự so sánh dưới đây rõ ràng cho thấy khoảng cách độ lớn mà dữ liệu robot phải đối mặt về sự sẵn có.
Dữ liệu huấn luyện của GPT-4 vượt quá 150 nghìn tỷ văn bản đánh dấu.
Midjourney và Sora sử dụng hàng tỷ cặp video văn bản có nhãn.
So với đó, tập dữ liệu robot lớn nhất chỉ chứa khoảng 2.4 triệu bản ghi tương tác.
Sự chênh lệch này giải thích tại sao công nghệ robot chưa đạt được mô hình cơ bản thực sự giống như các mô hình ngôn ngữ lớn, điều quan trọng là cơ sở dữ liệu vẫn chưa đầy đủ.
Các phương pháp thu thập dữ liệu truyền thống khó đáp ứng nhu cầu quy mô của dữ liệu đào tạo robot hình người. Các phương pháp hiện có bao gồm:
Mô phỏng: Chi phí thấp nhưng thiếu bối cảnh biên giới thực tế (khoảng cách giữa mô phỏng và thực tế)
Video Internet: Không thể cung cấp cảm giác bản thể và môi trường phản hồi lực cần thiết cho việc học của robot.
Dữ liệu thế giới thực: Mặc dù chính xác, nhưng cần điều khiển từ xa và hoạt động vòng khép kín bằng sức người, điều này dẫn đến chi phí cao (trên 40.000 USD cho mỗi robot) và thiếu khả năng mở rộng.
Việc đào tạo mô hình trong môi trường ảo có chi phí thấp và khả năng mở rộng mạnh mẽ, nhưng những mô hình này thường gặp khó khăn khi triển khai trong thế giới thực. Vấn đề này được gọi là khoảng cách từ ảo đến thực (Sim2Real).
Chẳng hạn, những con robot được đào tạo trong môi trường mô phỏng có thể dễ dàng nhặt những vật thể có ánh sáng hoàn hảo và bề mặt phẳng, nhưng khi đối mặt với môi trường lộn xộn, những kết cấu gồ ghề, hoặc các tình huống bất ngờ mà con người thường gặp trong thế giới thực, chúng thường không biết phải làm gì.
Reborn cung cấp một phương pháp tiết kiệm chi phí và nhanh chóng để crowdsourcing dữ liệu thế giới thực, giúp tăng cường đào tạo robot và giải quyết vấn đề "khoảng cách từ mô phỏng đến thực tế" (Sim2Real).
Reborn: Tầm nhìn toàn diện của AI phi tập trung
Reborn đang xây dựng một nền tảng phần mềm và dữ liệu tích hợp theo chiều dọc cho ứng dụng robot thông minh có hình thể. Mục tiêu cốt lõi của công ty là giải quyết vấn đề tắc nghẽn dữ liệu trong lĩnh vực robot hình người, nhưng tầm nhìn của họ không chỉ dừng lại ở đó. Thông qua việc tự phát triển phần cứng, cơ sở hạ tầng mô phỏng đa phương thức và sự kết hợp của các mô hình cơ bản, Reborn sẽ trở thành động lực toàn diện cho việc hiện thực hóa trí thông minh có hình thể.
Nền tảng Reborn được xây dựng trên một hệ sinh thái mở rộng nhanh chóng của các trò chơi thực tế ảo và tăng cường, bắt đầu với một thiết bị chụp chuyển động độc quyền của người tiêu dùng có tên là "ReboCap". Người dùng có thể cung cấp dữ liệu thể thao có độ trung thực cao để đổi lấy các ưu đãi và phần thưởng trực tuyến để thúc đẩy sự phát triển bền vững của nền tảng. Cho đến nay, Reborn đã bán được hơn 5.000 thiết bị ReboCap, có 160.000 người dùng hoạt động hàng tháng và đã thiết lập một lộ trình tăng trưởng rõ ràng để vượt qua 2 triệu người dùng vào cuối năm nay.
Reborn hỗ trợ hiệu quả thu thập dữ liệu vượt trội hơn hẳn so với các giải pháp khác.
Đáng chú ý, sự tăng trưởng này là hoàn toàn tự nhiên: người dùng bị thu hút bởi sự giải trí của chính trò chơi và những người phát trực tuyến được thúc đẩy bởi việc chụp tư thế thời gian thực của hình đại diện kỹ thuật số của họ với ReboCap. Chu kỳ đạo đức tự phát này cho phép sản xuất dữ liệu có thể mở rộng, chi phí thấp, độ trung thực cao, làm cho bộ dữ liệu Reborn trở thành tài nguyên đào tạo mà các công ty robot hàng đầu đang cạnh tranh để áp dụng.
Lớp thứ hai của ngăn xếp phần mềm ReBorn là Roboverse: một nền tảng dữ liệu đa phương thức hợp nhất một môi trường mô phỏng phân mảnh. Bối cảnh mô phỏng ngày nay rất phân mảnh, với các công cụ như Mujoco và NVIDIA Isaac Lab hoạt động trong các silo, mỗi công cụ có điểm mạnh riêng nhưng không thể tương tác. Sự phân mảnh này làm chậm quá trình R&D và làm trầm trọng thêm khoảng cách giữa mô phỏng và thực tế. Roboverse đã tạo ra một cơ sở hạ tầng ảo được chia sẻ để phát triển và đánh giá các mô hình robot bằng cách chuẩn hóa trên nhiều trình mô phỏng. Tích hợp này hỗ trợ điểm chuẩn nhất quán, giúp cải thiện đáng kể khả năng mở rộng và khái quát hóa hệ thống.
Roboverse đã thực hiện sự hợp tác liền mạch. Cái trước thu thập dữ liệu thế giới thực trên quy mô lớn, cái sau xây dựng môi trường mô phỏng để thúc đẩy việc đào tạo mô hình, cả hai phối hợp thể hiện sức mạnh thực sự của mạng lưới trí tuệ vật lý phân tán Reborn. Nền tảng này đang xây dựng một hệ sinh thái nhà phát triển trí tuệ nhân tạo vật lý vượt ra ngoài việc chỉ thu thập dữ liệu, với các chức năng đã mở rộng đến triển khai mô hình thực tế và lĩnh vực cấp phép thương mại.
Mô hình cơ bản Reborn
Có lẽ thành phần quan trọng nhất trong công nghệ Reborn là mô hình cơ bản Reborn (RFM). Là một trong những mô hình cơ bản cho robot đầu tiên, mô hình này đang được phát triển thành hệ thống cốt lõi cho hạ tầng trí tuệ nhân tạo vật lý mới nổi. Vị trí của nó tương tự như những mô hình ngôn ngữ lớn truyền thống, giống như GPT-4 của OpenAI hoặc Llama của Meta, nhưng hướng đến lĩnh vực robot.
Công nghệ Reborn
Ba thành phần cốt lõi của công nghệ Reborn (nền tảng dữ liệu ReboCap, hệ thống mô phỏng Roboverse và cơ chế cấp phép mô hình RFM) cùng nhau tạo ra một hàng rào tích hợp dọc vững chắc. Bằng cách kết hợp dữ liệu thể thao crowdsourcing với hệ thống mô phỏng mạnh mẽ và hệ thống cấp phép mô hình, Reborn có thể đào tạo ra các mô hình cơ bản có khả năng tổng quát xuyên cảnh. Mô hình này có thể hỗ trợ các ứng dụng robot đa dạng trong các lĩnh vực công nghiệp, tiêu dùng và nghiên cứu, thực hiện triển khai phổ quát dưới dữ liệu đa dạng khổng lồ.
Reborn đang tích cực thúc đẩy quá trình thương mại hóa công nghệ của mình, khởi động các dự án thí điểm có trả phí cùng với Galbot và Noematrix, đồng thời thiết lập quan hệ đối tác chiến lược với Unitree, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người tại Trung Quốc đang trải qua sự tăng trưởng nhanh chóng, chiếm khoảng 32,7% thị trường toàn cầu. Đáng chú ý, Yushu Technology chiếm hơn 60% thị phần thị trường robot bốn chân toàn cầu và là một trong sáu nhà sản xuất Trung Quốc dự kiến sản xuất hơn 1000 chiếc (robot hình người) vào năm 2025.
Vai trò của công nghệ tiền điện tử trong ngăn xếp công nghệ trí tuệ nhân tạo vật lý
Công nghệ mã hóa đang xây dựng một ngăn xếp dọc hoàn chỉnh cho trí tuệ nhân tạo thế giới vật lý.
Reborn là dự án tiền điện tử trí tuệ nhân tạo thân thể hàng đầu.
Mặc dù những dự án này thuộc các lớp khác nhau của ngăn xếp trí tuệ nhân tạo vật lý, nhưng chúng có một điểm chung: tất cả đều là dự án DePAI. DePAI tạo ra một cơ chế mở, có thể kết hợp và không cần phép với các kích thích bằng token xuyên suốt toàn bộ ngăn xếp công nghệ, và chính sự đổi mới này đã biến sự phát triển phi tập trung của trí tuệ nhân tạo vật lý trở thành hiện thực.
Reborn cho đến nay vẫn chưa phát hành token, sự tăng trưởng hữu cơ của doanh nghiệp càng trở nên quý giá hơn. Khi cơ chế khuyến khích token chính thức được khởi động, mức độ tham gia của mạng lưới sẽ là yếu tố then chốt thúc đẩy hiệu ứng vòng quay DePAI: người dùng mua thiết bị phần cứng Reborn (thiết bị thu thập ReboCap) sẽ nhận được khuyến khích từ bên dự án, công ty phát triển robot sẽ trả thưởng cho những người nắm giữ ReboCap vì những đóng góp của họ, sự khuyến khích kép này sẽ thúc đẩy nhiều người hơn mua và sử dụng thiết bị ReboCap. Đồng thời, bên dự án sẽ khuyến khích động việc thu thập dữ liệu hành vi tùy chỉnh có giá trị cao, từ đó thu hẹp hiệu quả khoảng cách công nghệ giữa mô phỏng (Sim) và ứng dụng thực tế (Real).
Reborn của DePAI bánh đà đang hoạt động
Thời điểm "ChatGPT của robot" sẽ không được kích hoạt bởi chính các công ty robot, vì việc triển khai phần cứng phức tạp hơn nhiều so với phần mềm. Sự tăng trưởng bùng nổ của công nghệ robot tự nhiên bị hạn chế bởi chi phí, tính khả dụng của phần cứng và độ phức tạp trong việc triển khai, trong khi những rào cản này hoàn toàn không tồn tại trong các phần mềm số thuần túy như ChatGPT.
Điểm chuyển mình của robot hình người không nằm ở việc nguyên mẫu ấn tượng như thế nào, mà ở việc chi phí giảm xuống mức mà đại chúng có thể chi trả, giống như sự phổ biến của điện thoại thông minh hay máy tính ngày trước. Khi chi phí giảm, phần cứng sẽ trở thành vé vào cửa, lợi thế cạnh tranh thực sự nằm ở dữ liệu và mô hình: cụ thể là quy mô, chất lượng và sự đa dạng của trí thông minh vận động được sử dụng để đào tạo máy.
Kết luận
Cuộc cách mạng nền tảng robot là không thể ngăn cản, nhưng giống như tất cả các nền tảng, sự phát triển quy mô lớn của nó không thể tách rời khỏi hỗ trợ dữ liệu. Reborn là một đặt cược có đòn bẩy cao rằng tiền điện tử có thể lấp đầy khoảng trống quan trọng nhất trong ngăn xếp robot AI: giải pháp dữ liệu robot của nó, DePAI, tiết kiệm chi phí, có khả năng mở rộng cao và mô-đun. Trong khi robot là biên giới tiếp theo của AI, Reborn đang biến công chúng thành "thợ đào" dữ liệu hành động. Cũng giống như các mô hình ngôn ngữ lớn cần được hỗ trợ bởi các điểm đánh dấu văn bản, robot hình người cần được đào tạo với các chuỗi hành động lớn. Với Reborn, chúng ta sẽ vượt qua nút thắt cổ chai cuối cùng và nhận ra bước nhảy vọt từ khoa học viễn tưởng đến thực tế cho robot hình người.
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Người hình Bots + Tài sản tiền điện tử: Reborn làm thế nào để xây dựng bánh đà DePAI?
Tác giả: brianbreslow, Hypersphere Ventures
Biên dịch: Tim, PANews
Tóm tắt thi hành
Robot hình người đang nhanh chóng từ tác phẩm khoa học viễn tưởng chuyển sang thực tế. Chi phí phần cứng ngày càng giảm, đầu tư vốn tiếp tục tăng, cộng với sự đột phá công nghệ trong linh hoạt vận động và khả năng thao tác, ba yếu tố này đang tích hợp và thúc đẩy sự lặp lại lớn tiếp theo trong lĩnh vực tính toán.
Mặc dù khả năng tính toán và thiết bị phần cứng ngày càng trở nên hàng hóa, mang lại lợi thế chi phí thấp cho kỹ thuật robot, nhưng ngành này vẫn bị hạn chế bởi nút thắt dữ liệu đào tạo.
Reborn là một trong số ít các dự án sử dụng trí tuệ nhân tạo vật lý phi tập trung (DePAI) để crowdsourcing dữ liệu chuyển động và dữ liệu tổng hợp có độ chính xác cao, đồng thời xây dựng các mô hình cơ bản cho robot, điều này giúp nó ở vị trí thuận lợi độc đáo trong việc thúc đẩy việc triển khai robot hình người. Dự án được lãnh đạo bởi một đội ngũ sáng lập có nền tảng kỹ thuật vững vàng, các thành viên trong đội có kinh nghiệm nghiên cứu học thuật và vị trí giáo sư tại Đại học California, Berkeley, Đại học Cornell, Đại học Harvard và Apple, vừa thể hiện trình độ học thuật xuất sắc, vừa có khả năng thực thi kỹ thuật trong thế giới thực.
Robot hình người: Từ tác phẩm khoa học viễn tưởng đến ứng dụng tiên tiến
Công nghệ robot hóa thương mại không phải là khái niệm mới. Những robot gia đình như iRobot Roomba được ra mắt vào năm 2002 hay camera giám sát thú cưng Kasa gần đây đều thuộc về thiết bị chức năng đơn. Với sự phát triển của trí tuệ nhân tạo, robot đang tiến hóa từ máy móc chức năng đơn sang hình thái đa chức năng, nhằm thích ứng với công việc trong môi trường mở.
Robot hình người sẽ dần dần nâng cấp từ các nhiệm vụ cơ bản như dọn dẹp, nấu ăn trong khoảng thời gian từ 5 đến 15 năm tới, và cuối cùng sẽ có khả năng đảm nhận các công việc phức tạp như dịch vụ tiếp tân, cứu hỏa và thậm chí là phẫu thuật.
Gần đây, sự phát triển đang biến robot hình người từ tiểu thuyết khoa học viễn tưởng thành hiện thực.
Thị trường động: Hơn 100 doanh nghiệp đang đầu tư vào robot hình người (chẳng hạn như Tesla, Yushu Technology, Figure AI, Clone, Agile, v.v.).
Công nghệ phần cứng đã thành công vượt qua thung lũng kinh dị: thế hệ robot hình người mới thể hiện những chuyển động tự nhiên, mềm mại như mây trôi, giúp chúng có thể tương tác giống như con người trong môi trường thực tế. Trong đó, tốc độ đi bộ của robot Yushu H1 có thể đạt 3,3 mét mỗi giây, vượt xa tốc độ bước trung bình của con người là 1,4 mét mỗi giây.
(Ghi chú: Lý thuyết Thung lũng kỳ lạ (The Uncanny Valley) là một lý thuyết tâm lý mô tả phản ứng cảm xúc của con người đối với các thực thể phi con người (như robot, búp bê, hình ảnh ảo, v.v.).)
Chi phí của robot hình người theo mô hình mới: Dự kiến đến năm 2032 sẽ thấp hơn mức lương nhân công tại Mỹ.
Rào cản phát triển: Dữ liệu huấn luyện từ thế giới thực
Mặc dù có những yếu tố thuận lợi rõ ràng trong lĩnh vực robot hình người, nhưng vấn đề chất lượng dữ liệu kém và thiếu hụt vẫn cản trở sự triển khai quy mô lớn của chúng.
Các công nghệ thực thể trí tuệ nhân tạo khác, chẳng hạn như công nghệ lái xe tự động, đã cơ bản giải quyết được vấn đề dữ liệu thông qua các camera và cảm biến được trang bị trên các phương tiện hiện có. Lấy ví dụ từ các hệ thống lái xe tự động như Tesla, Waymo, những đội xe này có khả năng tạo ra hàng tỷ dặm dữ liệu lái xe trên đường thực tế. Trong giai đoạn phát triển này, Waymo đã cho phép xe lưu thông trên đường với một người giám sát thực tế ngồi ở ghế phụ để thực hiện đào tạo theo thời gian thực.
Tuy nhiên, người tiêu dùng ít có khả năng chấp nhận sự tồn tại của "vú em robot". Robot phải có hiệu suất cao ngay từ khi mở hộp, điều này làm cho việc thu thập dữ liệu trước khi triển khai trở nên vô cùng quan trọng. Tất cả các giai đoạn đào tạo phải được hoàn thành trước khi sản xuất thương mại, trong khi quy mô và chất lượng dữ liệu vẫn là những vấn đề tồn tại.
Mặc dù mỗi chế độ đào tạo đều có đơn vị quy mô riêng (chẳng hạn như mô hình ngôn ngữ lớn sử dụng Token, trình tạo hình ảnh sử dụng cặp video - văn bản, và công nghệ robot sử dụng đoạn chuyển động), nhưng sự so sánh dưới đây rõ ràng cho thấy khoảng cách độ lớn mà dữ liệu robot phải đối mặt về sự sẵn có.
Dữ liệu huấn luyện của GPT-4 vượt quá 150 nghìn tỷ văn bản đánh dấu.
Midjourney và Sora sử dụng hàng tỷ cặp video văn bản có nhãn.
So với đó, tập dữ liệu robot lớn nhất chỉ chứa khoảng 2.4 triệu bản ghi tương tác.
Sự chênh lệch này giải thích tại sao công nghệ robot chưa đạt được mô hình cơ bản thực sự giống như các mô hình ngôn ngữ lớn, điều quan trọng là cơ sở dữ liệu vẫn chưa đầy đủ.
Các phương pháp thu thập dữ liệu truyền thống khó đáp ứng nhu cầu quy mô của dữ liệu đào tạo robot hình người. Các phương pháp hiện có bao gồm:
Mô phỏng: Chi phí thấp nhưng thiếu bối cảnh biên giới thực tế (khoảng cách giữa mô phỏng và thực tế)
Video Internet: Không thể cung cấp cảm giác bản thể và môi trường phản hồi lực cần thiết cho việc học của robot.
Dữ liệu thế giới thực: Mặc dù chính xác, nhưng cần điều khiển từ xa và hoạt động vòng khép kín bằng sức người, điều này dẫn đến chi phí cao (trên 40.000 USD cho mỗi robot) và thiếu khả năng mở rộng.
Việc đào tạo mô hình trong môi trường ảo có chi phí thấp và khả năng mở rộng mạnh mẽ, nhưng những mô hình này thường gặp khó khăn khi triển khai trong thế giới thực. Vấn đề này được gọi là khoảng cách từ ảo đến thực (Sim2Real).
Chẳng hạn, những con robot được đào tạo trong môi trường mô phỏng có thể dễ dàng nhặt những vật thể có ánh sáng hoàn hảo và bề mặt phẳng, nhưng khi đối mặt với môi trường lộn xộn, những kết cấu gồ ghề, hoặc các tình huống bất ngờ mà con người thường gặp trong thế giới thực, chúng thường không biết phải làm gì.
Reborn cung cấp một phương pháp tiết kiệm chi phí và nhanh chóng để crowdsourcing dữ liệu thế giới thực, giúp tăng cường đào tạo robot và giải quyết vấn đề "khoảng cách từ mô phỏng đến thực tế" (Sim2Real).
Reborn: Tầm nhìn toàn diện của AI phi tập trung
Reborn đang xây dựng một nền tảng phần mềm và dữ liệu tích hợp theo chiều dọc cho ứng dụng robot thông minh có hình thể. Mục tiêu cốt lõi của công ty là giải quyết vấn đề tắc nghẽn dữ liệu trong lĩnh vực robot hình người, nhưng tầm nhìn của họ không chỉ dừng lại ở đó. Thông qua việc tự phát triển phần cứng, cơ sở hạ tầng mô phỏng đa phương thức và sự kết hợp của các mô hình cơ bản, Reborn sẽ trở thành động lực toàn diện cho việc hiện thực hóa trí thông minh có hình thể.
Nền tảng Reborn được xây dựng trên một hệ sinh thái mở rộng nhanh chóng của các trò chơi thực tế ảo và tăng cường, bắt đầu với một thiết bị chụp chuyển động độc quyền của người tiêu dùng có tên là "ReboCap". Người dùng có thể cung cấp dữ liệu thể thao có độ trung thực cao để đổi lấy các ưu đãi và phần thưởng trực tuyến để thúc đẩy sự phát triển bền vững của nền tảng. Cho đến nay, Reborn đã bán được hơn 5.000 thiết bị ReboCap, có 160.000 người dùng hoạt động hàng tháng và đã thiết lập một lộ trình tăng trưởng rõ ràng để vượt qua 2 triệu người dùng vào cuối năm nay.
Reborn hỗ trợ hiệu quả thu thập dữ liệu vượt trội hơn hẳn so với các giải pháp khác.
Đáng chú ý, sự tăng trưởng này là hoàn toàn tự nhiên: người dùng bị thu hút bởi sự giải trí của chính trò chơi và những người phát trực tuyến được thúc đẩy bởi việc chụp tư thế thời gian thực của hình đại diện kỹ thuật số của họ với ReboCap. Chu kỳ đạo đức tự phát này cho phép sản xuất dữ liệu có thể mở rộng, chi phí thấp, độ trung thực cao, làm cho bộ dữ liệu Reborn trở thành tài nguyên đào tạo mà các công ty robot hàng đầu đang cạnh tranh để áp dụng.
Lớp thứ hai của ngăn xếp phần mềm ReBorn là Roboverse: một nền tảng dữ liệu đa phương thức hợp nhất một môi trường mô phỏng phân mảnh. Bối cảnh mô phỏng ngày nay rất phân mảnh, với các công cụ như Mujoco và NVIDIA Isaac Lab hoạt động trong các silo, mỗi công cụ có điểm mạnh riêng nhưng không thể tương tác. Sự phân mảnh này làm chậm quá trình R&D và làm trầm trọng thêm khoảng cách giữa mô phỏng và thực tế. Roboverse đã tạo ra một cơ sở hạ tầng ảo được chia sẻ để phát triển và đánh giá các mô hình robot bằng cách chuẩn hóa trên nhiều trình mô phỏng. Tích hợp này hỗ trợ điểm chuẩn nhất quán, giúp cải thiện đáng kể khả năng mở rộng và khái quát hóa hệ thống.
Roboverse đã thực hiện sự hợp tác liền mạch. Cái trước thu thập dữ liệu thế giới thực trên quy mô lớn, cái sau xây dựng môi trường mô phỏng để thúc đẩy việc đào tạo mô hình, cả hai phối hợp thể hiện sức mạnh thực sự của mạng lưới trí tuệ vật lý phân tán Reborn. Nền tảng này đang xây dựng một hệ sinh thái nhà phát triển trí tuệ nhân tạo vật lý vượt ra ngoài việc chỉ thu thập dữ liệu, với các chức năng đã mở rộng đến triển khai mô hình thực tế và lĩnh vực cấp phép thương mại.
Mô hình cơ bản Reborn
Có lẽ thành phần quan trọng nhất trong công nghệ Reborn là mô hình cơ bản Reborn (RFM). Là một trong những mô hình cơ bản cho robot đầu tiên, mô hình này đang được phát triển thành hệ thống cốt lõi cho hạ tầng trí tuệ nhân tạo vật lý mới nổi. Vị trí của nó tương tự như những mô hình ngôn ngữ lớn truyền thống, giống như GPT-4 của OpenAI hoặc Llama của Meta, nhưng hướng đến lĩnh vực robot.
Công nghệ Reborn
Ba thành phần cốt lõi của công nghệ Reborn (nền tảng dữ liệu ReboCap, hệ thống mô phỏng Roboverse và cơ chế cấp phép mô hình RFM) cùng nhau tạo ra một hàng rào tích hợp dọc vững chắc. Bằng cách kết hợp dữ liệu thể thao crowdsourcing với hệ thống mô phỏng mạnh mẽ và hệ thống cấp phép mô hình, Reborn có thể đào tạo ra các mô hình cơ bản có khả năng tổng quát xuyên cảnh. Mô hình này có thể hỗ trợ các ứng dụng robot đa dạng trong các lĩnh vực công nghiệp, tiêu dùng và nghiên cứu, thực hiện triển khai phổ quát dưới dữ liệu đa dạng khổng lồ.
Reborn đang tích cực thúc đẩy quá trình thương mại hóa công nghệ của mình, khởi động các dự án thí điểm có trả phí cùng với Galbot và Noematrix, đồng thời thiết lập quan hệ đối tác chiến lược với Unitree, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người tại Trung Quốc đang trải qua sự tăng trưởng nhanh chóng, chiếm khoảng 32,7% thị trường toàn cầu. Đáng chú ý, Yushu Technology chiếm hơn 60% thị phần thị trường robot bốn chân toàn cầu và là một trong sáu nhà sản xuất Trung Quốc dự kiến sản xuất hơn 1000 chiếc (robot hình người) vào năm 2025.
Vai trò của công nghệ tiền điện tử trong ngăn xếp công nghệ trí tuệ nhân tạo vật lý
Công nghệ mã hóa đang xây dựng một ngăn xếp dọc hoàn chỉnh cho trí tuệ nhân tạo thế giới vật lý.
Reborn là dự án tiền điện tử trí tuệ nhân tạo thân thể hàng đầu.
Mặc dù những dự án này thuộc các lớp khác nhau của ngăn xếp trí tuệ nhân tạo vật lý, nhưng chúng có một điểm chung: tất cả đều là dự án DePAI. DePAI tạo ra một cơ chế mở, có thể kết hợp và không cần phép với các kích thích bằng token xuyên suốt toàn bộ ngăn xếp công nghệ, và chính sự đổi mới này đã biến sự phát triển phi tập trung của trí tuệ nhân tạo vật lý trở thành hiện thực.
Reborn cho đến nay vẫn chưa phát hành token, sự tăng trưởng hữu cơ của doanh nghiệp càng trở nên quý giá hơn. Khi cơ chế khuyến khích token chính thức được khởi động, mức độ tham gia của mạng lưới sẽ là yếu tố then chốt thúc đẩy hiệu ứng vòng quay DePAI: người dùng mua thiết bị phần cứng Reborn (thiết bị thu thập ReboCap) sẽ nhận được khuyến khích từ bên dự án, công ty phát triển robot sẽ trả thưởng cho những người nắm giữ ReboCap vì những đóng góp của họ, sự khuyến khích kép này sẽ thúc đẩy nhiều người hơn mua và sử dụng thiết bị ReboCap. Đồng thời, bên dự án sẽ khuyến khích động việc thu thập dữ liệu hành vi tùy chỉnh có giá trị cao, từ đó thu hẹp hiệu quả khoảng cách công nghệ giữa mô phỏng (Sim) và ứng dụng thực tế (Real).
Reborn của DePAI bánh đà đang hoạt động
Thời điểm "ChatGPT của robot" sẽ không được kích hoạt bởi chính các công ty robot, vì việc triển khai phần cứng phức tạp hơn nhiều so với phần mềm. Sự tăng trưởng bùng nổ của công nghệ robot tự nhiên bị hạn chế bởi chi phí, tính khả dụng của phần cứng và độ phức tạp trong việc triển khai, trong khi những rào cản này hoàn toàn không tồn tại trong các phần mềm số thuần túy như ChatGPT.
Điểm chuyển mình của robot hình người không nằm ở việc nguyên mẫu ấn tượng như thế nào, mà ở việc chi phí giảm xuống mức mà đại chúng có thể chi trả, giống như sự phổ biến của điện thoại thông minh hay máy tính ngày trước. Khi chi phí giảm, phần cứng sẽ trở thành vé vào cửa, lợi thế cạnh tranh thực sự nằm ở dữ liệu và mô hình: cụ thể là quy mô, chất lượng và sự đa dạng của trí thông minh vận động được sử dụng để đào tạo máy.
Kết luận
Cuộc cách mạng nền tảng robot là không thể ngăn cản, nhưng giống như tất cả các nền tảng, sự phát triển quy mô lớn của nó không thể tách rời khỏi hỗ trợ dữ liệu. Reborn là một đặt cược có đòn bẩy cao rằng tiền điện tử có thể lấp đầy khoảng trống quan trọng nhất trong ngăn xếp robot AI: giải pháp dữ liệu robot của nó, DePAI, tiết kiệm chi phí, có khả năng mở rộng cao và mô-đun. Trong khi robot là biên giới tiếp theo của AI, Reborn đang biến công chúng thành "thợ đào" dữ liệu hành động. Cũng giống như các mô hình ngôn ngữ lớn cần được hỗ trợ bởi các điểm đánh dấu văn bản, robot hình người cần được đào tạo với các chuỗi hành động lớn. Với Reborn, chúng ta sẽ vượt qua nút thắt cổ chai cuối cùng và nhận ra bước nhảy vọt từ khoa học viễn tưởng đến thực tế cho robot hình người.