Les données nécessaires aux robots humanoïdes doivent être rentables, évolutives et combinables, tandis que le modèle d'incitation par jetons des cryptoactifs peut combler le vide le plus urgent actuellement.
Rédigé par : @brezshares
Compilation : AididiaoJP, Foresight News
Résumé du contexte
Les robots humanoïdes généraux passent rapidement de la science-fiction à la réalité commerciale. Grâce à la baisse des coûts matériels, à l'augmentation des investissements en capital et aux progrès en matière de mouvement et de flexibilité, le domaine du calcul AI est en train de préparer une nouvelle transformation majeure.
Bien que l'IA, le cloud computing et les infrastructures matérielles deviennent de plus en plus courants, offrant un environnement de fabrication à faible coût pour l'ingénierie des Bots, ce domaine reste néanmoins limité par un manque de données d'entraînement.
Reborn essaie d'utiliser DePAI pour des mouvements décentralisés haute fidélité et des données synthétiques, et construit un modèle de base de Bots. Les membres du projet viennent de l'Université de Californie à Berkeley, de l'Université Cornell, de l'Université Harvard et d'Apple.
Robots humanoïdes : de la science-fiction à la réalité
La commercialisation des robots n'est pas un nouveau concept, comme l'aspirateur iRobot Roomba lancé en 2002, ou la caméra pour animaux Kasa qui a gagné en popularité ces dernières années, mais ils ont généralement un design à fonction unique. Avec le développement des technologies d'intelligence artificielle, les robots évoluent progressivement d'appareils à fonction unique vers des équipements polyvalents, capables d'opérer en tant qu'agents dans des environnements non structurés.
Au cours des 5 à 15 prochaines années, les robots humanoïdes passeront de tâches de base telles que le nettoyage et la cuisine à des domaines complexes tels que les services de conciergerie, les secours en cas d'incendie et même la chirurgie. Dans les trois grandes tendances suivantes, la vision devient progressivement réalité :
Expansion rapide du marché : Plus de 100 entreprises dans le monde se consacrent au développement de robots humanoïdes, y compris des entreprises renommées telles que Tesla, Unitree, Figure, Clone, Agile, etc.
Percée technologique du matériel dans la "vallée inquiétante" : la nouvelle génération de robots humanoïdes se déplace de manière fluide et naturelle, capable d'interagir de manière riche avec les humains. Par exemple, la vitesse de marche de l'Unitree H1 atteint 3,3 mètres / seconde, bien au-delà de la moyenne humaine de 1,4 mètre / seconde.
Nouveau paradigme des coûts de la main-d'œuvre : d'ici 2032, les coûts d'exploitation des robots humanoïdes devraient être inférieurs aux niveaux de salaire de la main-d'œuvre américaine.
Goulot d'étranglement : la rareté des données d'entraînement du monde réel
Bien que le domaine des robots humanoïdes ait un grand avenir, la qualité et l'échelle des données d'entraînement limiteront toujours le déploiement à grande échelle.
D'autres domaines de l'IA (comme la conduite autonome) ont résolu les problèmes de données grâce à des caméras embarquées et des capteurs. Par exemple, Tesla et Waymo entraînent leurs systèmes de conduite autonome avec d'énormes données de conduite réelles. Waymo est capable de permettre aux véhicules de s'entraîner en temps réel sur la route et de prévoir un coach robot sur le siège passager pendant la formation.
Cependant, la volonté des consommateurs de fournir des données lors de l'utilisation de Bots est relativement faible, et ils sont peu susceptibles de tolérer l'existence de « nourrices robots ». Par conséquent, les robots humanoïdes doivent être dotés de hautes performances dès leur fabrication, ce qui rend la collecte de données avant le déploiement un défi clé.
Bien que chaque mode d'entraînement ait sa propre unité de mesure, l'échelle des données d'entraînement des Bots présente un écart de plusieurs ordres de grandeur par rapport à d'autres domaines de l'IA :
GPT-4 : Les données d'entraînement comprennent plus de 15 billions de textes.
Midjourney/Sora : dépend de milliards de vidéos annotées - paires texte.
Jeu de données Bots : la plus grande échelle compte environ 2,4 millions de segments de mouvement.
Cette différence explique pourquoi la technologie des robots n'a pas encore établi de véritable modèle de base, car les données ne peuvent tout simplement pas être collectées. Les méthodes traditionnelles de collecte de données ont du mal à répondre aux besoins :
Entraînement par simulation : coût faible mais manque de cas d'utilisation de niche du monde réel (c'est-à-dire le "écart Sim2Real").
Vidéo en ligne : manque de données de retour de force ou de perception corporelle nécessaires à l'apprentissage des Bots.
Collecte de données réelles : nécessite un contrôle à distance manuel, le coût d'une seule machine dépasse 40 000 dollars et il est difficile de se mettre à l'échelle.
Reborn essaie d'obtenir des données du monde réel de manière décentralisée, à faible coût et avec une grande efficacité, afin de résoudre efficacement le problème du fossé Sim2Real.
Reborn : la solution full stack de DePAI
Reborn s'engage à construire une plateforme de données et de logiciels AI physiques verticalement intégrée, dont l'objectif principal est de résoudre le goulot d'étranglement des données des robots humanoïdes, mais la vision va bien au-delà. Grâce à un matériel propriétaire, une infrastructure de simulation multimodale et le développement de modèles de base, Reborn vise à devenir un acteur full-stack dans le domaine des robots humanoïdes intelligents.
ReboCap : données de mouvement haute fidélité en crowdsourcing
ReboCap est un dispositif de capture de mouvement à bas coût développé par Reborn, avec plus de 5000 unités vendues et un nombre d'utilisateurs actifs mensuels (MAU) atteignant 160 000.
Reborn réalise la collecte de données avec une efficacité économique supérieure à celle des autres alternatives.
Les utilisateurs génèrent des données de mouvement haute fidélité via des jeux AR/VR et reçoivent des incitations en ligne. Ce modèle attire non seulement les joueurs, mais est également utilisé par les streamers numériques pour animer des avatars virtuels en temps réel. Cette interaction cyclique naturelle permet une génération de données évolutive, à faible coût et de haute fidélité.
Roboverse : plateforme de simulation multimodale unifiée
Roboverse est une plateforme de simulation multimodale visant à unifier des environnements de simulation dispersés. Les outils de simulation de robots actuels (comme MuJoCo, NVIDIA Isaac Lab) ont des fonctionnalités variées mais ne sont pas compatibles, ce qui nuit gravement à l'efficacité de recherche et développement. Roboverse, en établissant des normes par le biais de simulateurs, a créé une infrastructure virtuelle partagée pour le développement et l'évaluation de modèles de robots. En fournissant une plateforme unifiée de développement et d'évaluation, elle améliore la compatibilité des modèles.
Modèle de base Reborn (RFM)
Technologie Reborn
Le composant le plus crucial de Reborn Full Stack est le Modèle de Base Reborn (RFM). RFM est l'un des premiers modèles de base spécialement conçus pour les Robots, visant à devenir l'infrastructure fondamentale de DePAI. Cela ressemble à des modèles de base traditionnels orientés LLM, comme l'o4 d'OpenAI ou le Llama de Meta, mais le RFM est destiné aux Robots.
ReboCap, Roboverse et RFM ont construit une puissante barrière pour Reborn. En combinant les données réelles de ReboCap avec les capacités de simulation de Roboverse, RFM est capable de former des modèles haute performance adaptés à des scénarios complexes, pouvant soutenir une application diversifiée des robots industriels, grand public et de recherche.
Reborn est en train de promouvoir la commercialisation de la technologie, collaborant actuellement avec Galbot et Noematrix pour des projets pilotes payants, et établissant des partenariats stratégiques avec Yushu Technology, Booster Robotics, Swiss Mile et Agile Robots. Le marché des robots humanoïdes en Chine connaît une croissance rapide, représentant environ 32,7 % de la part de marché mondiale. Il convient de noter que Yushu Technology détient plus de 60 % de la part de marché mondiale des robots de simulation, et fait partie des fabricants de robots humanoïdes en Chine qui prévoient de produire plus de 1000 unités d'ici 2025.
Le rôle des cryptoactifs dans DePAI
La technologie de chiffrement permet à DePAI de réaliser une pile verticale complète.
Reborn est le projet leader dans le domaine de DePAI
Le projet DePAI garantit une extensibilité ouverte, modulaire et sans autorisation grâce à l'incitation par des jetons, réalisant ainsi un modèle efficace de collecte de données décentralisées et d'incitation.
Reborn n'a pas encore émis de jetons, mais l'économie des jetons pourrait accélérer l'adoption à grande échelle de Reborn. Une fois que le mécanisme d'incitation par jetons sera en ligne, la participation au réseau devrait augmenter rapidement :
Incitation par jeton : les utilisateurs qui achètent ReboCap peuvent recevoir des récompenses en jeton, tandis que la société de robots paie pour obtenir des données, créant ainsi un cycle positif.
Extraction de cas limites : grâce à un mécanisme d'incitation dynamique, encourager les utilisateurs à contribuer des données de cas limites à haute valeur, comblant ainsi le fossé Sim2Real.
La roue de croissance DePAI de Reborn
Les données sont la clé
L'avantage concurrentiel réel des Robots humanoïdes réside dans les données et les modèles. Plus précisément, il s'agit de l'échelle, de la qualité et de la diversité des données intelligentes utilisées pour entraîner ces machines.
La "moment ChatGPT" des robots humanoïdes ne sera pas dominée par les entreprises de matériel, car le déploiement matériel fait face à des défis inhérents tels que des coûts élevés et des cycles longs. La propagation virale de la technologie des robots est essentiellement limitée par les coûts, la disponibilité du matériel et la complexité logistique, tandis que des logiciels purement numériques comme ChatGPT ne sont pas soumis à de telles contraintes.
Conclusion clé : Les données sont la clé du succès
Le véritable tournant viendra de l'avantage des données et des modèles après la baisse des coûts. Les données nécessaires aux robots humanoïdes sont rentables, évolutives et combinables, tandis que le modèle d'incitation par jetons des cryptoactifs peut combler le manque le plus urgent actuellement. Reborn transforme les gens ordinaires en « mineurs de données sportives » grâce au modèle d'incitation par jetons de cryptoactifs.
Voir l'original
Le contenu est fourni à titre de référence uniquement, il ne s'agit pas d'une sollicitation ou d'une offre. Aucun conseil en investissement, fiscalité ou juridique n'est fourni. Consultez l'Avertissement pour plus de détails sur les risques.
Le rôle des Cryptoactifs dans le domaine des robots humanoïdes
Rédigé par : @brezshares
Compilation : AididiaoJP, Foresight News
Résumé du contexte
Les robots humanoïdes généraux passent rapidement de la science-fiction à la réalité commerciale. Grâce à la baisse des coûts matériels, à l'augmentation des investissements en capital et aux progrès en matière de mouvement et de flexibilité, le domaine du calcul AI est en train de préparer une nouvelle transformation majeure.
Bien que l'IA, le cloud computing et les infrastructures matérielles deviennent de plus en plus courants, offrant un environnement de fabrication à faible coût pour l'ingénierie des Bots, ce domaine reste néanmoins limité par un manque de données d'entraînement.
Reborn essaie d'utiliser DePAI pour des mouvements décentralisés haute fidélité et des données synthétiques, et construit un modèle de base de Bots. Les membres du projet viennent de l'Université de Californie à Berkeley, de l'Université Cornell, de l'Université Harvard et d'Apple.
Robots humanoïdes : de la science-fiction à la réalité
La commercialisation des robots n'est pas un nouveau concept, comme l'aspirateur iRobot Roomba lancé en 2002, ou la caméra pour animaux Kasa qui a gagné en popularité ces dernières années, mais ils ont généralement un design à fonction unique. Avec le développement des technologies d'intelligence artificielle, les robots évoluent progressivement d'appareils à fonction unique vers des équipements polyvalents, capables d'opérer en tant qu'agents dans des environnements non structurés.
Au cours des 5 à 15 prochaines années, les robots humanoïdes passeront de tâches de base telles que le nettoyage et la cuisine à des domaines complexes tels que les services de conciergerie, les secours en cas d'incendie et même la chirurgie. Dans les trois grandes tendances suivantes, la vision devient progressivement réalité :
Goulot d'étranglement : la rareté des données d'entraînement du monde réel
Bien que le domaine des robots humanoïdes ait un grand avenir, la qualité et l'échelle des données d'entraînement limiteront toujours le déploiement à grande échelle.
D'autres domaines de l'IA (comme la conduite autonome) ont résolu les problèmes de données grâce à des caméras embarquées et des capteurs. Par exemple, Tesla et Waymo entraînent leurs systèmes de conduite autonome avec d'énormes données de conduite réelles. Waymo est capable de permettre aux véhicules de s'entraîner en temps réel sur la route et de prévoir un coach robot sur le siège passager pendant la formation.
Cependant, la volonté des consommateurs de fournir des données lors de l'utilisation de Bots est relativement faible, et ils sont peu susceptibles de tolérer l'existence de « nourrices robots ». Par conséquent, les robots humanoïdes doivent être dotés de hautes performances dès leur fabrication, ce qui rend la collecte de données avant le déploiement un défi clé.
Bien que chaque mode d'entraînement ait sa propre unité de mesure, l'échelle des données d'entraînement des Bots présente un écart de plusieurs ordres de grandeur par rapport à d'autres domaines de l'IA :
Cette différence explique pourquoi la technologie des robots n'a pas encore établi de véritable modèle de base, car les données ne peuvent tout simplement pas être collectées. Les méthodes traditionnelles de collecte de données ont du mal à répondre aux besoins :
Reborn essaie d'obtenir des données du monde réel de manière décentralisée, à faible coût et avec une grande efficacité, afin de résoudre efficacement le problème du fossé Sim2Real.
Reborn : la solution full stack de DePAI
Reborn s'engage à construire une plateforme de données et de logiciels AI physiques verticalement intégrée, dont l'objectif principal est de résoudre le goulot d'étranglement des données des robots humanoïdes, mais la vision va bien au-delà. Grâce à un matériel propriétaire, une infrastructure de simulation multimodale et le développement de modèles de base, Reborn vise à devenir un acteur full-stack dans le domaine des robots humanoïdes intelligents.
ReboCap : données de mouvement haute fidélité en crowdsourcing
ReboCap est un dispositif de capture de mouvement à bas coût développé par Reborn, avec plus de 5000 unités vendues et un nombre d'utilisateurs actifs mensuels (MAU) atteignant 160 000.
Reborn réalise la collecte de données avec une efficacité économique supérieure à celle des autres alternatives.
Les utilisateurs génèrent des données de mouvement haute fidélité via des jeux AR/VR et reçoivent des incitations en ligne. Ce modèle attire non seulement les joueurs, mais est également utilisé par les streamers numériques pour animer des avatars virtuels en temps réel. Cette interaction cyclique naturelle permet une génération de données évolutive, à faible coût et de haute fidélité.
Roboverse : plateforme de simulation multimodale unifiée
Roboverse est une plateforme de simulation multimodale visant à unifier des environnements de simulation dispersés. Les outils de simulation de robots actuels (comme MuJoCo, NVIDIA Isaac Lab) ont des fonctionnalités variées mais ne sont pas compatibles, ce qui nuit gravement à l'efficacité de recherche et développement. Roboverse, en établissant des normes par le biais de simulateurs, a créé une infrastructure virtuelle partagée pour le développement et l'évaluation de modèles de robots. En fournissant une plateforme unifiée de développement et d'évaluation, elle améliore la compatibilité des modèles.
Modèle de base Reborn (RFM)
Technologie Reborn
Le composant le plus crucial de Reborn Full Stack est le Modèle de Base Reborn (RFM). RFM est l'un des premiers modèles de base spécialement conçus pour les Robots, visant à devenir l'infrastructure fondamentale de DePAI. Cela ressemble à des modèles de base traditionnels orientés LLM, comme l'o4 d'OpenAI ou le Llama de Meta, mais le RFM est destiné aux Robots.
ReboCap, Roboverse et RFM ont construit une puissante barrière pour Reborn. En combinant les données réelles de ReboCap avec les capacités de simulation de Roboverse, RFM est capable de former des modèles haute performance adaptés à des scénarios complexes, pouvant soutenir une application diversifiée des robots industriels, grand public et de recherche.
Reborn est en train de promouvoir la commercialisation de la technologie, collaborant actuellement avec Galbot et Noematrix pour des projets pilotes payants, et établissant des partenariats stratégiques avec Yushu Technology, Booster Robotics, Swiss Mile et Agile Robots. Le marché des robots humanoïdes en Chine connaît une croissance rapide, représentant environ 32,7 % de la part de marché mondiale. Il convient de noter que Yushu Technology détient plus de 60 % de la part de marché mondiale des robots de simulation, et fait partie des fabricants de robots humanoïdes en Chine qui prévoient de produire plus de 1000 unités d'ici 2025.
Le rôle des cryptoactifs dans DePAI
La technologie de chiffrement permet à DePAI de réaliser une pile verticale complète.
Reborn est le projet leader dans le domaine de DePAI
Le projet DePAI garantit une extensibilité ouverte, modulaire et sans autorisation grâce à l'incitation par des jetons, réalisant ainsi un modèle efficace de collecte de données décentralisées et d'incitation.
Reborn n'a pas encore émis de jetons, mais l'économie des jetons pourrait accélérer l'adoption à grande échelle de Reborn. Une fois que le mécanisme d'incitation par jetons sera en ligne, la participation au réseau devrait augmenter rapidement :
La roue de croissance DePAI de Reborn
Les données sont la clé
L'avantage concurrentiel réel des Robots humanoïdes réside dans les données et les modèles. Plus précisément, il s'agit de l'échelle, de la qualité et de la diversité des données intelligentes utilisées pour entraîner ces machines.
La "moment ChatGPT" des robots humanoïdes ne sera pas dominée par les entreprises de matériel, car le déploiement matériel fait face à des défis inhérents tels que des coûts élevés et des cycles longs. La propagation virale de la technologie des robots est essentiellement limitée par les coûts, la disponibilité du matériel et la complexité logistique, tandis que des logiciels purement numériques comme ChatGPT ne sont pas soumis à de telles contraintes.
Conclusion clé : Les données sont la clé du succès
Le véritable tournant viendra de l'avantage des données et des modèles après la baisse des coûts. Les données nécessaires aux robots humanoïdes sont rentables, évolutives et combinables, tandis que le modèle d'incitation par jetons des cryptoactifs peut combler le manque le plus urgent actuellement. Reborn transforme les gens ordinaires en « mineurs de données sportives » grâce au modèle d'incitation par jetons de cryptoactifs.