加密貨幣在人形機器人領域的作用

人形機器人所需要的數據具有成本效益、可擴展性和可組合性，而加密貨幣的代幣激勵模型可以填補目前最急需的缺口。

撰文：@brezshares

編譯：AididiaoJP，Foresight News

背景摘要

通用人形機器人正在迅速地從科幻小說走向商業現實。得益於硬件成本的下降、資本投入的激增以及運動和靈活性的進步，AI 計算領域正在醞釀着下一輪重大轉型變革。

雖然 AI 雲計算和硬件設施日益普及，爲機器人工程提供了低成本的制造環境，但該領域仍然受到訓練數據不足的限制。

Reborn 嘗試利用 DePAI 進行去中心化高保真運動和合成數據，並構建機器人基礎模型。該項目成員來自加州大學伯克利分校、康奈爾大學、哈佛大學和蘋果公司等。

人形機器人：從科幻到現實

機器人商業化並非新概念，例如 2002 年推出的 iRobot Roomba 吸塵器，或近年流行的 Kasa 寵物攝像頭，但它們通常只有單一的功能設計。隨着人工智能技術的發展，機器人正逐漸從單一功能機器演變爲多用途設備，並且能夠在非結構化環境中運行的智能體。

未來 5 至 15 年內，人形機器人將從基礎的清潔、烹飪等任務，逐步擴展至禮賓服務、消防救災甚至外科手術等復雜領域。在以下三大趨勢中，願景逐漸變成現實：

• 市場快速擴張：全球已有超過 100 家公司投身於人形機器人研發，包括特斯拉、Unitree、Figure、Clone、Agile 等知名企業。
• 硬件技術突破「恐怖谷」：新一代人形機器人動作流暢自然，能夠與人類進行豐富的互動。例如，Unitree H1 的行走速度達到 3.3 米 / 秒，遠超人類平均的 1.4 米 / 秒。
• 勞動力成本新範式：預計到 2032 年，人形機器人的運營成本將低於美國普通勞動力的工資水平。

瓶頸：真實世界訓練數據的稀缺性

盡管人形機器人領域前景廣闊，但如果要進行大規模部署，仍會受限於訓練數據的質量與規模。

其他 AI 領域（如自動駕駛）已通過車載攝像頭和傳感器解決了數據問題。例如，特斯拉和 Waymo 通過龐大的真實駕駛數據訓練其自動駕駛系統。Waymo 能夠讓車輛在道路上進行實時訓練，並在訓練期間在副駕駛座位上安排一名機器人教練。

但是消費者在使用機器人時主動提供數據的意願較弱，消費者不太可能容忍「機器人保姆」的存在。因此人形機器人必須在出廠時即具備高性能，這使得部署前的數據採集成爲關鍵挑戰。

雖然每種訓練模式都有自己的規模單位，但機器人訓練數據的規模與其他 AI 領域存在的差距達到數量級：

• GPT-4：訓練數據包含超過 15 萬億文本。
• Midjourney/Sora：依賴數十億的標注視頻 - 文本對。
• 機器人數據集：最大規模僅約 240 萬條運動片段。

這種差異說明了爲什麼機器人技術尚未建立真正的基礎模型，因爲數據根本無法收集。傳統數據收集方法難以滿足需求：

1. 仿真訓練：成本低廉但缺乏真實世界的小衆案例（即「Sim2Real 鴻溝」）。
2. 網路視頻：缺少機器人學習所需的受力反饋或本體感知數據。
3. 真實數據採集：需人工遠程操控，單臺機器的成本超 4 萬美元且難以規模化。

Reborn 嘗試通過去中心化模式低成本、高效率地獲取真實世界數據，從而有效解決 Sim2Real 鴻溝問題。

Reborn：DePAI 的全棧解決方案

Reborn 致力於構建一個垂直整合的物理 AI 軟件與數據平台，其核心目標是解決人形機器人的數據瓶頸，但願景遠不止於此。通過專有硬件、多模態仿真基礎設施和基礎模型開發，Reborn 旨在成爲智能人形機器人領域的全棧推動者。

ReboCap：衆包高保真運動數據

ReboCap 是 Reborn 開發的低成本動作捕捉設備，目前已售出超 5000 臺，月活躍用戶（MAU）達 16 萬。

Reborn 以優於其他替代方案的經濟效益實現數據採集。

用戶通過 AR/VR 遊戲生成高保真運動數據，並獲得網路激勵。這種模式不僅吸引了遊戲玩家，還被數字主播用於實時驅動的數字虛擬形象。這種自然的循環互動完成了可擴展、低成本且高保真度的數據生成。

Roboverse：統一多模態仿真平台

Roboverse 是一個多模態仿真平台，旨在統一分散的仿真環境。當前機器人仿真工具（如 MuJoCo、NVIDIA Isaac Lab）功能各異但互不兼容，嚴重拖累了研發效率。Roboverse 通過模擬器設定標準化制度，創建了一個用於開發和評估機器人模型的共享虛擬基礎架構。通過提供統一的開發與評估平台，提升了模型兼容能力。

Reborn 基礎模型（RFM）

Reborn 技術棧

Reborn 全棧中最關鍵的組件是 Reborn 基礎模型（RFM）。RFM 是首批專爲機器人設計的基礎模型之一，旨在成爲 DePAI 的核心基礎設施。這類似於面向 LLM 的傳統基礎模型，例如 OpenAI 的 o4 或 Meta 的 Llama，但 RFM 面向的是機器人。

ReboCap、Roboverse 和 RFM 爲 Reborn 構建了強大的護城河。結合 ReboCap 的真實數據與 Roboverse 的仿真能力，RFM 能夠訓練出適應復雜場景的高性能模型，可支持工業、消費級及研究型機器人的多樣化應用。

Reborn 正在推進技術商業化，目前正在與 Galbot 和 Noematrix 合作開展付費試點項目，並與宇樹科技、Booster Robotics、Swiss Mile 和 Agile Robots 建立戰略合作夥伴關係。中國人形機器人市場正在快速增長，約佔全球市場份額的 32.7%。值得注意的是，宇樹科技佔據了全球仿真機器人市場 60% 以上的份額，是計劃在 2025 年產量超過 1000 臺的中國人形機器人制造商之一。

加密貨幣在 DePAI 中的作用

加密技術正在爲 DePAI 實現完整的垂直堆棧。

Reborn 是 DePAI 領域的領先項目

DePAI 項目通過代幣激勵確保開放、可組合且無需許可的擴展，從而實現了高效的去中心化數據收集和激勵模型。

Reborn 尚未發行代幣，但代幣經濟學可能加速 Reborn 的大規模採用。一旦代幣激勵機制上線，網路參與度預計會迅速增長：

1. 代幣激勵：用戶購買 ReboCap 可獲得代幣獎勵，機器人公司則付費獲取數據，形成正向循環。
2. 邊緣案例挖掘：通過動態激勵機制，鼓勵用戶貢獻高價值邊緣案例數據，填補 Sim2Real 鴻溝。

Reborn 的 DePAI 增長飛輪

數據才是關鍵

人形機器人真正的競爭優勢在於數據和模型。具體來說就是用於訓練這些機器的智能化數據的規模、質量和多樣性。

人形機器人的「ChatGPT 時刻」不會由硬件公司主導，因爲硬件部署面臨成本高、週期長等固有挑戰。機器人技術的病毒式傳播本質上受到成本、硬件可用性和物流復雜性的制約，而像 ChatGPT 這樣的純數字軟件則不會受到這樣的制約。

核心結論：數據是決勝關鍵

真正的轉折點將來自成本下降後的數據與模型優勢。人形機器人所需要的數據具有成本效益、可擴展性和可組合性，而加密貨幣的代幣激勵模型可以填補目前最急需的缺口。Reborn 通過加密貨幣代幣激勵模型將普通人變爲「運動數據的礦工」。