Tóm tắt điều hành

Robot hình người đa năng đang nhanh chóng chuyển từ khoa học viễn tưởng sang thực tế thương mại. Chi phí phần cứng giảm, đầu tư vốn gia tăng, và những tiến bộ trong di động và sự khéo léo đang hội tụ để thúc đẩy sự chuyển mình lớn tiếp theo trong lĩnh vực máy tính.

Trong khi tính toán và phần cứng ngày càng trở nên hàng hóa hóa, cung cấp động lực chi phí thấp cho kỹ thuật robot, lĩnh vực này vẫn bị hạn chế bởi nút thắt dữ liệu huấn luyện.

Reborn là một trong số ít dự án tận dụng trí tuệ nhân tạo vật lý phi tập trung (DePAI) để crowdsourcing dữ liệu chuyển động và dữ liệu tổng hợp độ chính xác cao, và xây dựng các mô hình nền tảng robot, làm cho nó có vị trí độc đáo để thúc đẩy việc triển khai người máy. Dự án được dẫn dắt bởi một đội ngũ sáng lập có chuyên môn sâu, với bề dày nghiên cứu và giảng dạy tại UC Berkeley, Cornell, Harvard và Apple, kết hợp xuất sắc học thuật và thực thi kỹ thuật trong thế giới thực.

Nhân dạng: Từ Hư cấu đến Tiền tuyến

Robotics thương mại không phải là một khái niệm mới. Hầu hết mọi người đều quen thuộc với các sản phẩm như máy hút bụi iRobot Roomba, ra mắt vào năm 2002, hoặc các robot gia đình gần đây hơn như camera thú cưng của Kasa. Cả hai đều được xây dựng cho một mục đích duy nhất. Với sự trợ giúp của AI, robot đang phát triển từ những cỗ máy đơn mục đích thành những cỗ máy đa mục đích, được thiết kế để hoạt động trong những môi trường không cấu trúc.

Robot hình người sẽ phát triển từ những nhiệm vụ cơ bản như dọn dẹp và nấu ăn đến tiếp tân, cứu hỏa và thậm chí là phẫu thuật trong vòng 5–15 năm tới.

Những phát triển gần đây đang biến robot hình người từ khoa học viễn tưởng thành hiện thực.

• Mở rộng thị trường: Hơn 100 công ty đang xây dựng người máy (ví dụ: Tesla, Unitree, Figure, Clone, Agile, v.v.).
• Công nghệ phần cứng đã vượt qua thung lũng kỳ lạ: Các humanoid mới thể hiện chuyển động linh hoạt, tự nhiên, cho phép tương tác giống như con người trong các môi trường thực tế. H1 của Unitree đi nhanh hơn trung bình con người (3,3 m/s so với 1,4 m/s).
• Mô hình mới về chi phí lao động: Dự kiến các robot hình người sẽ hạ giá lương tại Hoa Kỳ vào năm 2032.

Nút thắt: Dữ liệu đào tạo thế giới thực

Mặc dù có những yếu tố thuận lợi rõ ràng cho robot hình người, nhưng việc triển khai đại trà vẫn bị kẹt lại do chất lượng dữ liệu và sự khan hiếm.

Các hình thức AI khác, như lái xe tự động, đã phần lớn vượt qua vấn đề dữ liệu thông qua camera và cảm biến trên các phương tiện hiện có. Trong trường hợp lái xe tự động (ví dụ: Tesla, Waymo), các đội xe này có khả năng tạo ra hàng tỷ dặm dữ liệu lái xe thực tế. Waymo đã có thể cho xe của họ ra đường để huấn luyện theo thời gian thực với một "người trông trẻ" ngồi ở ghế hành khách trong giai đoạn này.

Tuy nhiên, người tiêu dùng khó có thể chấp nhận sự hiện diện của một "người giữ trẻ robot". Robots phải hoạt động hiệu quả ngay từ đầu, làm cho việc thu thập dữ liệu trước khi triển khai trở nên thiết yếu. Việc đào tạo phải được hoàn thành trước khi sản xuất thương mại, trong đó quy mô và chất lượng dữ liệu vẫn là một vấn đề.

Trong khi mỗi phương thức đào tạo đều có đơn vị đo lường riêng (ví dụ: token cho LLM, cặp video-đoạn văn cho các trình tạo hình ảnh, và tập chuyển động cho robot), so sánh dưới đây nổi bật sự chênh lệch về quy mô dữ liệu mà dữ liệu robot đang phải đối mặt:

• GPT-4 đã được huấn luyện trên hơn 15 triệu tỷ token văn bản
• Midjourney/Sora tận dụng hàng tỷ cặp video-văn bản đã được gán nhãn
• Ngược lại, các tập dữ liệu robot lớn nhất chỉ chứa khoảng 2,4 triệu tập.

Sự chênh lệch này minh họa lý do tại sao robot vẫn chưa đạt được một mô hình nền tảng thực sự theo cách mà LLM đã làm. Dữ liệu đơn giản là chưa có ở đó.

Các phương pháp thu thập dữ liệu truyền thống không thể mở rộng cho dữ liệu đào tạo robot hình người. Các phương pháp hiện tại bao gồm:

• Mô phỏng: Rẻ nhưng thiếu các trường hợp biên thực tế (khoảng cách Sim2Real)
• Video Internet: Không chứa bối cảnh phản hồi cảm giác hoặc lực cần thiết cho việc học của robot
• Dữ liệu thế giới thực: Chính xác, nhưng cần điều khiển từ xa và có con người trong quy trình, điều này tốn kém (trên 40.000 đô la mỗi robot) và thiếu khả năng mở rộng.

Đào tạo trong các môi trường ảo là rẻ và có thể mở rộng, nhưng các mô hình thường gặp khó khăn khi được triển khai trong thế giới thực. Vấn đề này được biết đến với tên gọi khoảng cách Sim2Real.

Ví dụ, một robot được đào tạo trong mô phỏng có thể thành công trong việc nhặt các vật thể với ánh sáng hoàn hảo và bề mặt phẳng, nhưng sẽ thất bại khi đối mặt với những môi trường lộn xộn, kết cấu không đồng đều, hoặc những tình huống không hoàn hảo mà con người quen thuộc trong thế giới vật lý.

Reborn cung cấp một cách để thu thập dữ liệu thế giới thực một cách nhanh chóng và rẻ tiền, cho phép đào tạo robot mạnh mẽ và giải quyết khoảng cách Sim2Real.

Tái sinh: Một Tầm Nhìn Toàn Diện cho AI Vật Lý Phi Tập Trung

Reborn đang xây dựng một nền tảng phần mềm và dữ liệu tích hợp theo chiều dọc cho AI vật lý. Tại cốt lõi của nó, Reborn đang giải quyết vấn đề tắc nghẽn dữ liệu cho robot hình người, nhưng tham vọng của nó vượt xa hơn thế. Thông qua sự kết hợp của phần cứng độc quyền, cơ sở hạ tầng mô phỏng đa phương thức và phát triển mô hình nền tảng, Reborn trở thành một nhà cung cấp đầy đủ các giải pháp cho trí tuệ hiện thân.

Bộ Reborn bắt đầu với “ReboCap”, một thiết bị ghi lại chuyển động tiêu dùng độc quyền. Điều này cung cấp sức mạnh cho một hệ sinh thái trò chơi AR/VR đang phát triển nhanh chóng, nơi người dùng tạo ra dữ liệu chuyển động chất lượng cao để đổi lấy các ưu đãi mạng. Reborn đã bán được hơn 5.000 đơn vị ReboCap và hiện hỗ trợ 160.000 người dùng hoạt động hàng tháng (MAUs), với một lộ trình rõ ràng hướng tới hai triệu người vào cuối năm.

Reborn cho phép thu thập dữ liệu với chi phí tốt hơn nhiều so với các phương pháp thay thế.

Ấn tượng là, sự tăng trưởng này đã diễn ra một cách tự nhiên: người dùng bị thu hút bởi giá trị giải trí của chính các trò chơi, và các livestreamer đang sử dụng ReboCap để làm sinh động các avatar kỹ thuật số với việc theo dõi cơ thể theo thời gian thực. Vòng lặp tương tác tự nhiên này cung cấp khả năng tạo ra dữ liệu quy mô lớn, chi phí thấp và độ chính xác cao, khiến bộ dữ liệu của Reborn trở thành một nguồn tài nguyên đào tạo quý giá cho các công ty robot hàng đầu.

Lớp thứ hai của ngăn xếp phần mềm Reborn làRoboverse, một nền tảng dữ liệu đa phương thức thống nhất các môi trường mô phỏng phân mảnh. Cảnh quan mô phỏng ngày nay rất phân mảnh, ví dụ như các công cụ như Mujoco và NVIDIA Isaac Lab mỗi công cụ có những ưu điểm khác nhau nhưng thiếu khả năng tương tác. Sự phân chia này làm chậm tiến trình và làm trầm trọng thêm khoảng cách Sim2Real. Roboverse giải quyết vấn đề này bằng cách tiêu chuẩn hóa trên các mô phỏng, tạo ra một hạ tầng ảo chung để phát triển và đánh giá các mô hình robot. Sự tích hợp này cho phép đánh giá hiệu suất nhất quán, cải thiện khả năng mở rộng và tính tổng quát.

Cùng nhau, ReboCap và Roboverse tạo thành nền tảng của nền tảng toàn diện Reborn. ReboCap thu thập dữ liệu thế giới thực trên quy mô lớn, trong khi Roboverse tổ chức các môi trường mô phỏng cho việc đào tạo mô hình. Cách tiếp cận tích hợp này thể hiện sức mạnh thực sự của mạng lưới DePAI của Reborn. Nó đang xây dựng một nền tảng phát triển cho AI Vật lý mà vượt ra ngoài việc thu thập dữ liệu đơn giản, đến việc triển khai và cấp phép mô hình thực tế.

Mô hình Quỹ Tái Sinh

Có lẽ thành phần quan trọng nhất trong bộ phần mềm của Reborn là mô hình nền tảng Reborn (RFM). Reborn đang xây dựng một trong những mô hình nền tảng robotics đầu tiên, được thiết kế để phục vụ như cơ sở hạ tầng cốt lõi cho hệ thống AI Vật lý đang nổi lên. Hãy nghĩ đến các mô hình nền tảng truyền thống cho LLMs, chẳng hạn như o4 của OpenAI hoặc Llama của Meta, nhưng dành cho robot.

Công nghệ Tái sinh

Sự kết hợp của ba yếu tố chính trong hệ thống của Reborn (ReboCap, Roboverse và RFM) tạo ra một hàng rào tích hợp dọc mạnh mẽ cho Reborn. Bằng cách kết hợp dữ liệu chuyển động được crowdsourced với mô phỏng mạnh mẽ và cấp phép mô hình, Reborn có thể huấn luyện các mô hình với quy mô và sự đa dạng cần thiết để tổng quát qua các trường hợp sử dụng. Kết quả là một mô hình nền tảng hỗ trợ các ứng dụng hạ nguồn trong nhiều trường hợp sử dụng khác nhau, bao gồm robot công nghiệp, tiêu dùng và nghiên cứu.

Reborn đang tích cực thương mại hóa công nghệ của mình, ra mắt các chương trình thí điểm có trả phí với Galbot và Noematrix và thiết lập các quan hệ đối tác chiến lược với Unitree, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người của Trung Quốc đang trải qua sự tăng trưởng nhanh chóng, chiếm khoảng 32,7% thị trường toàn cầu. Đáng chú ý, Unitree nắm giữ hơn 60% thị trường robot bốn chân toàn cầu và nằm trong số sáu nhà sản xuất robot hình người của Trung Quốc dự kiến sản xuất hơn 1.000 đơn vị vào năm 2025.

Vai trò của Tiền điện tử trong Ngăn xếp AI Vật lý

Tiền điện tử đang cho phép cấu trúc dọc đầy đủ cho AI vật lý.

Reborn là một dự án tiền điện tử AI thể hiện hàng đầu

Trong khi tất cả những dự án này nằm ở những phần khác nhau của ngăn xếp AI vật lý, chúng đều có một điểm chung: 100% trong số chúng là dự án DePAI! DePAI làm cho AI vật lý phi tập trung trở nên khả thi bằng cách đảm bảo khả năng mở, có thể kết hợp và không cần cấp phép thông qua các ưu đãi token trên toàn bộ ngăn xếp.

Việc Reborn chưa ra mắt token nào cho đến giờ càng làm cho sự tăng trưởng tự nhiên của nó trở nên ấn tượng hơn. Khi các ưu đãi token được khởi chạy, sự tham gia vào mạng lưới dự kiến sẽ tăng tốc như một phần của vòng quay DePAI: Reborn phát hành các ưu đãi để mua phần cứng của mình (ReboCap), các công ty robot sẽ trả tiền cho những người sở hữu ReboCap vì những đóng góp của họ, khuyến khích nhiều người mua và sử dụng ReboCap hơn. Reborn cũng sẽ khuyến khích một cách linh hoạt những hành vi trường hợp ngoại lệ có giá trị cao – đảm bảo phủ sóng tốt hơn nữa khoảng cách Sim2Real.

DePAI Flywheel của Reborn đang hoạt động

Tất cả đều liên quan đến Dữ liệu

Khoảnh khắc "ChatGPT" trong ngành robot sẽ không đến từ chính các công ty robot vì phần cứng khó triển khai hơn phần mềm. Tính lan truyền trong robot bị hạn chế bởi chi phí, sự sẵn có của phần cứng và các phức tạp về hậu cần. Những yếu tố này không tồn tại trong phần mềm hoàn toàn kỹ thuật số như ChatGPT.

Điểm bùng phát cho robot hình người sẽ không đến khi các nguyên mẫu ấn tượng, mà khi chi phí giảm đủ cho việc áp dụng đại trà — giống như với điện thoại thông minh hoặc máy tính cá nhân. Khi chi phí giảm, phần cứng trở thành điều cần thiết. Lợi thế cạnh tranh thực sự sẽ nằm ở dữ liệu và mô hình. Cụ thể, quy mô, chất lượng và sự đa dạng của trí thông minh chuyển động được sử dụng để huấn luyện những cỗ máy này.

Kết luận

Sự chuyển mình của nền tảng robotics là điều không thể tránh khỏi nhưng, giống như tất cả các nền tảng, nó cần dữ liệu để mở rộng. Reborn là một cược có sức ảnh hưởng lớn rằng tiền điện tử có thể lấp đầy khoảng trống nghiêm trọng nhất trong ngăn xếp AI robotics. DePAI cho dữ liệu robotics là hiệu quả về chi phí, có khả năng mở rộng và có thể kết hợp. Trong một thế giới mà robotics là biên giới tiếp theo của AI, Reborn tương đương với việc biến con người hàng ngày thành "thợ mỏ" của dữ liệu chuyển động. Khi các LLM cần các token văn bản, thì các robot hình người cần các tập phim chuyển động. Reborn là cách chúng ta mở khóa một trong những nút thắt còn lại trong việc biến robotics hình người từ khoa học viễn tưởng thành hiện thực.

Thông báo:

1. Bài viết này được tái bản từ [hypersphere_]. Tất cả quyền tác giả thuộc về tác giả gốc [hypersphere_]. Nếu có phản đối đối với việc tái bản này, vui lòng liên hệ với Gate Learnđội ngũ, và họ sẽ xử lý nó kịp thời.
2. Tuyên bố miễn trách nhiệm: Quan điểm và ý kiến được trình bày trong bài viết này hoàn toàn là của tác giả và không cấu thành bất kỳ lời khuyên đầu tư nào.
3. Bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi đội ngũ Gate Learn. Trừ khi có ghi chú, việc sao chép, phân phối hoặc đạo văn các bài viết đã được dịch là bị cấm.