Le rôle des cryptomonnaies dans le domaine des robots humanoïdes
TechFlow SélectionTechFlow Sélection
Le rôle des cryptomonnaies dans le domaine des robots humanoïdes
Les données nécessaires aux robots humanoïdes doivent être rentables, évolutives et composites, et le modèle d'incitation par jetons de la cryptomonnaie peut combler le manque le plus urgent actuellement.
Dédié à des analyses Web3 approfondiesRédaction : @brezshares
Traduction : AididiaoJP, Foresight News
Synthèse du contexte
Les robots humanoïdes universels passent rapidement de la science-fiction à la réalité commerciale. Grâce à la baisse des coûts matériels, à l'afflux massif de capitaux et aux progrès dans les domaines du mouvement et de la flexibilité, un nouveau grand bouleversement est en cours dans le domaine du calcul IA.
Bien que l'IA basée sur le cloud et les infrastructures matérielles deviennent de plus en plus accessibles, offrant ainsi un environnement de fabrication à faible coût pour les robots, ce secteur reste limité par un manque de données d'entraînement.
Reborn tente d'utiliser DePAI pour produire de manière décentralisée des données de mouvement haute fidélité et synthétiques, et construire un modèle fondamental pour les robots. Les membres du projet proviennent notamment de l'Université de Californie à Berkeley, de l'Université Cornell, de Harvard et d'Apple.
Robots humanoïdes : du fantasme au réel
La commercialisation des robots n'est pas une idée nouvelle : pensez à l'aspirateur iRobot Roomba lancé en 2002 ou encore aux caméras pour animaux domestiques Kasa populaires ces dernières années. Toutefois, ces dispositifs sont généralement conçus pour une fonction unique. Avec le développement des technologies d'intelligence artificielle, les robots évoluent progressivement vers des machines polyvalentes capables d’agir comme des agents intelligents dans des environnements non structurés.
Dans les 5 à 15 prochaines années, les robots humanoïdes passeront progressivement de tâches simples telles que le nettoyage ou la cuisine à des domaines complexes comme les services d'accueil, les secours en cas d'incendie ou même la chirurgie. Trois grandes tendances transforment progressivement cette vision en réalité :
-
Expansion rapide du marché : plus de 100 entreprises dans le monde entier travaillent actuellement sur le développement de robots humanoïdes, y compris des entreprises bien connues comme Tesla, Unitree, Figure, Clone et Agile.
-
Pas de côté dans la « vallée de l'étrange » (uncanny valley) grâce aux percées technologiques matérielles : les nouveaux robots humanoïdes se déplacent de façon fluide et naturelle, permettant des interactions riches avec les humains. Par exemple, le robot Unitree H1 atteint une vitesse de marche de 3,3 m/s, bien supérieure à la moyenne humaine de 1,4 m/s.
-
Nouveau paradigme du coût de la main-d'œuvre : d'ici 2032, le coût d'exploitation d'un robot humanoïde devrait être inférieur au salaire moyen d'un travailleur américain.
Le goulot d’étranglement : la rareté des données d'entraînement issues du monde réel
Bien que l'avenir des robots humanoïdes soit prometteur, leur déploiement à grande échelle reste limité par la qualité et la quantité des données d'entraînement disponibles.
D'autres domaines de l'IA, comme celui de la conduite autonome, ont déjà résolu leurs problèmes de données grâce aux caméras et capteurs embarqués dans les véhicules. Par exemple, Tesla et Waymo entraînent leurs systèmes de conduite autonome avec d'énormes volumes de données de conduite réelles. Waymo peut faire rouler ses véhicules en conditions réelles tout en ayant un coach robotisé assis sur le siège passager pendant l'entraînement.
Toutefois, les consommateurs sont peu enclins à fournir activement des données lorsqu'ils utilisent des robots ; ils ne tolèrent guère l'idée d'avoir un « baby-sitter robot ». Ainsi, les robots humanoïdes doivent sortir d'usine avec des performances élevées, ce qui rend la collecte de données avant déploiement particulièrement critique.
Chaque mode d'entraînement a son propre ordre d'échelle, mais les données destinées aux robots accusent un retard considérable par rapport aux autres domaines de l'IA :
-
GPT-4 : les données d'entraînement comprennent plus de 15 billions de tokens textuels.
-
Midjourney/Sora : reposent sur des milliards de paires vidéo-texte annotées.
-
Jeu de données robotique : le plus grand jeu de données compte environ 2,4 millions de séquences de mouvements seulement.
Cette disparité explique pourquoi aucune véritable base modèle n’a encore été établie dans le domaine robotique : tout simplement parce qu'on ne peut pas collecter suffisamment de données. Les méthodes traditionnelles de collecte de données s'avèrent insuffisantes :
-
Entraînement par simulation : peu coûteux, mais manque des cas particuliers présents dans le monde réel (le fameux « fossé Sim2Real »).
-
Vidéos en ligne : absence de données critiques pour l'apprentissage robotique, telles que les retours de force ou les informations proprioceptives.
-
Collecte de données réelles : nécessite une téléopération humaine, avec un coût supérieur à 40 000 $ par robot, difficile à étendre à grande échelle.
Reborn cherche à résoudre efficacement le problème du fossé Sim2Real en obtenant des données du monde réel de manière décentralisée, à faible coût et hautement évolutive.
Reborn : une solution complète via DePAI
Reborn vise à construire une plateforme logicielle et de données verticalement intégrée pour l'IA physique. Son objectif central est de surmonter le goulet d'étranglement des données pour les robots humanoïdes, mais ses ambitions vont plus loin. Grâce à un matériel propriétaire, une infrastructure de simulation multimodale et le développement de modèles fondamentaux, Reborn entend devenir un acteur complet et moteur dans le domaine des robots humanoïdes intelligents.
ReboCap : capture collective de données de mouvement haute fidélité
ReboCap est un dispositif de capture de mouvement économique développé par Reborn. Plus de 5 000 unités ont déjà été vendues, avec 160 000 utilisateurs mensuels actifs (MAU).
Reborn réalise la collecte de données à moindre coût comparé aux solutions alternatives.
Les utilisateurs génèrent des données de mouvement haute fidélité via des jeux AR/VR et reçoivent des incitations sous forme de jetons. Ce modèle attire non seulement les joueurs, mais aussi les streamers numériques qui l’utilisent pour animer en temps réel leurs avatars virtuels. Cette boucle naturelle permet une production de données évolutive, peu coûteuse et de haute fidélité.
Roboverse : une plateforme de simulation multimodale unifiée
Roboverse est une plateforme de simulation multimodale visant à unifier les environnements de simulation fragmentés. Actuellement, les outils de simulation robotique (comme MuJoCo ou NVIDIA Isaac Lab) possèdent des fonctionnalités variées mais incompatibles entre eux, ralentissant fortement l'efficacité de la R&D. Roboverse standardise les configurations des simulateurs, créant ainsi une infrastructure virtuelle partagée pour développer et évaluer les modèles robotiques. En offrant une plateforme commune de développement et d'évaluation, elle améliore significativement la compatibilité des modèles.
Modèle Fondamental Reborn (RFM)
Stack technologique de Reborn
Le composant le plus crucial de la pile complète de Reborn est le Modèle Fondamental Reborn (RFM). Le RFM fait partie des premiers modèles fondamentaux spécialement conçus pour les robots. Il vise à devenir l'infrastructure centrale de DePAI. Cela ressemble aux modèles fondamentaux traditionnels pour les grands modèles linguistiques (LLM), comme o4 d'OpenAI ou Llama de Meta, mais orienté vers les robots.
ReboCap, Roboverse et RFM forment une solide barrière protectrice pour Reborn. En combinant les données réelles de ReboCap et les capacités de simulation de Roboverse, le RFM peut entraîner des modèles performants adaptés à des scénarios complexes, soutenant ainsi diverses applications industrielles, grand public et de recherche pour les robots.
Reborn progresse vers la commercialisation de sa technologie. Il mène actuellement des projets pilotes payants avec Galbot et Noematrix, et a établi des partenariats stratégiques avec Unitree, Booster Robotics, Swiss Mile et Agile Robots. Le marché chinois des robots humanoïdes connaît une croissance rapide, représentant environ 32,7 % du marché mondial. À noter qu'Unitree détient plus de 60 % du marché mondial des robots de simulation, et fait partie des fabricants chinois prévoyant une production annuelle dépassant 1 000 unités dès 2025.
Le rôle des cryptomonnaies dans DePAI
La technologie blockchain permet de compléter toute la pile verticale de DePAI.
Reborn est un projet phare dans le domaine DePAI
Les projets DePAI utilisent des incitations par jetons pour garantir une expansion ouverte, composable et sans permission, permettant ainsi une collecte de données décentralisée et un modèle d'incitation efficaces.
Reborn n'a pas encore émis de jeton, mais une économie tokenisée pourrait accélérer fortement son adoption à grande échelle. Une fois le mécanisme d'incitation activé, la participation au réseau devrait croître rapidement :
-
Récompenses en jetons : les utilisateurs qui achètent un ReboCap reçoivent des récompenses en jetons, tandis que les entreprises de robotique paient pour accéder aux données, créant ainsi un cercle vertueux.
-
Extraction de cas marginaux : grâce à un système d'incitation dynamique, les utilisateurs sont encouragés à contribuer des données précieuses de cas rares, comblant ainsi le fossé Sim2Real.
La spirale 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, dans l'échelle, la qualité et la diversité des données intelligentes utilisées pour entraîner ces machines.
Le moment « ChatGPT » des robots humanoïdes ne sera pas mené par les entreprises matérielles, car le déploiement matériel fait face à des obstacles intrinsèques tels que des coûts élevés et des délais longs. La propagation virale des robots est fondamentalement freinée par des contraintes de coût, de disponibilité matérielle et de complexité logistique, alors qu’un logiciel purement numérique comme ChatGPT n’est pas soumis à ces limitations.
Conclusion principale : les données font la différence
Le véritable point de rupture viendra de l’avantage en données et en modèles, une fois les coûts réduits. Les données dont les robots humanoïdes ont besoin doivent être rentables, évolutives et composites. Le modèle d'incitation par jetons des cryptomonnaies peut combler le déficit le plus urgent aujourd'hui. Reborn transforme ainsi chaque individu en « mineur de données de mouvement » grâce à son modèle d'incitation tokenisé.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@hypersphere_
