Vai trò của tiền mã hóa trong lĩnh vực robot hình người
Tuyển chọn TechFlowTuyển chọn TechFlow
Vai trò của tiền mã hóa trong lĩnh vực robot hình người
Dữ liệu cần thiết cho robot hình người phải có hiệu quả về chi phí, khả năng mở rộng và tính kết hợp, trong khi mô hình phần thưởng token của tiền mã hóa có thể lấp đầy khoảng trống cấp bách nhất hiện nay.
Chuyên sâu báo cáo Web3Tác giả: @brezshares
Dịch: AididiaoJP, Foresight News
Tóm tắt bối cảnh
Robot hình người phổ quát đang nhanh chóng chuyển từ khoa học viễn tưởng thành hiện thực thương mại. Nhờ chi phí phần cứng giảm, dòng vốn đầu tư tăng mạnh và những tiến bộ trong vận động cũng như tính linh hoạt, lĩnh vực tính toán AI đang chín muồi cho cuộc biến đổi lớn tiếp theo.
Mặc dù điện toán đám mây AI và cơ sở hạ tầng phần cứng ngày càng phổ biến đã tạo ra môi trường sản xuất với chi phí thấp cho robot, lĩnh vực này vẫn bị giới hạn bởi sự thiếu hụt dữ liệu huấn luyện.
Reborn đang thử nghiệm sử dụng DePAI để tạo ra dữ liệu tổng hợp và vận động độ trung thực cao phi tập trung, đồng thời xây dựng mô hình nền tảng cho robot. Các thành viên dự án đến từ các tổ chức như Đại học California tại Berkeley, Đại học Cornell, Đại học Harvard và Apple.
Robot hình người: Từ khoa học viễn tưởng đến hiện thực
Thương mại hóa robot không phải là khái niệm mới; ví dụ như máy hút bụi iRobot Roomba ra mắt năm 2002 hoặc camera thú cưng Kasa gần đây rất được ưa chuộng, nhưng chúng thường chỉ có thiết kế chức năng đơn lẻ. Với sự phát triển của công nghệ trí tuệ nhân tạo, robot đang dần chuyển mình từ thiết bị chức năng đơn lẻ thành thiết bị đa dụng, và trở thành các tác nhân thông minh có thể vận hành trong môi trường chưa được cấu trúc.
Trong vòng 5 đến 15 năm tới, robot hình người sẽ mở rộng dần từ các nhiệm vụ cơ bản như dọn dẹp, nấu ăn sang các lĩnh vực phức tạp hơn như phục vụ lễ tân, cứu hỏa cứu hộ thậm chí cả phẫu thuật. Trong ba xu hướng lớn sau đây, tầm nhìn đang dần trở thành hiện thực:
-
Thị trường mở rộng nhanh chóng: Trên toàn cầu hiện có hơn 100 công ty tham gia nghiên cứu và phát triển robot hình người, bao gồm các doanh nghiệp nổi bật như Tesla, Unitree, Figure, Clone, Agile.
-
Đột phá công nghệ phần cứng vượt "thung lũng đáng sợ": Thế hệ robot hình người mới di chuyển trơn tru, tự nhiên, có khả năng tương tác phong phú với con người. Ví dụ, Unitree H1 đạt tốc độ đi bộ 3,3 mét/giây, vượt xa mức trung bình của con người là 1,4 mét/giây.
-
Mô hình chi phí lao động mới: Dự kiến đến năm 2032, chi phí vận hành robot hình người sẽ thấp hơn mức lương lao động trung bình tại Mỹ.
Nút thắt: Sự khan hiếm dữ liệu huấn luyện từ thế giới thực
Dù triển vọng ngành robot hình người rất rộng mở, việc triển khai quy mô lớn vẫn bị giới hạn bởi chất lượng và khối lượng dữ liệu huấn luyện.
Các lĩnh vực AI khác (ví dụ như xe tự lái) đã giải quyết vấn đề dữ liệu bằng camera và cảm biến trên xe. Ví dụ, Tesla và Waymo sử dụng lượng lớn dữ liệu lái xe thực tế để huấn luyện hệ thống tự lái. Waymo có thể cho xe chạy trực tiếp trên đường phố để huấn luyện, và bố trí một huấn luyện viên robot ở ghế phụ trong quá trình huấn luyện.
Tuy nhiên, người tiêu dùng ít sẵn lòng chủ động cung cấp dữ liệu khi sử dụng robot; họ khó có thể chấp nhận sự tồn tại của một "người trông trẻ robot". Do đó, robot hình người cần phải có hiệu suất cao ngay từ khi xuất xưởng, điều này khiến việc thu thập dữ liệu trước triển khai trở thành thách thức then chốt.
Mỗi mô hình huấn luyện đều có đơn vị quy mô riêng, nhưng khối lượng dữ liệu huấn luyện robot hiện còn kém hơn nhiều bậc so với các lĩnh vực AI khác:
-
GPT-4: Dữ liệu huấn luyện chứa hơn 15 nghìn tỷ văn bản.
-
Midjourney/Sora: Phụ thuộc vào hàng tỷ cặp video - văn bản được gán nhãn.
-
Dữ liệu robot: Quy mô lớn nhất chỉ khoảng 2,4 triệu đoạn chuyển động.
Sự khác biệt này lý giải vì sao công nghệ robot vẫn chưa xây dựng được mô hình nền tảng thực sự – bởi dữ liệu đơn giản là không thể thu thập đủ. Các phương pháp truyền thống gặp khó khăn trong việc đáp ứng nhu cầu:
-
Huấn luyện mô phỏng: Chi phí thấp nhưng thiếu các trường hợp đặc thù trong thế giới thực (gọi là "khoảng cách Sim2Real").
-
Video trên mạng: Thiếu dữ liệu phản hồi lực hoặc dữ liệu cảm nhận thân thể mà robot cần để học.
-
Thu thập dữ liệu thực tế: Cần điều khiển từ xa bằng con người, chi phí mỗi robot vượt quá 40.000 USD và khó mở rộng quy mô.
Reborn đang cố gắng giải quyết vấn đề khoảng cách Sim2Real bằng cách thu thập dữ liệu từ thế giới thực theo mô hình phi tập trung, với chi phí thấp và hiệu quả cao.
Reborn: Giải pháp toàn diện từ DePAI
Reborn cam kết xây dựng một nền tảng phần mềm và dữ liệu AI vật lý tích hợp dọc, mục tiêu chính là giải quyết điểm nghẽn dữ liệu của robot hình người, tuy nhiên tầm nhìn còn lớn hơn thế. Thông qua phần cứng chuyên dụng, cơ sở hạ tầng mô phỏng đa phương thức và phát triển mô hình nền tảng, Reborn hướng tới trở thành nhà thúc đẩy toàn diện trong lĩnh vực robot hình người thông minh.
ReboCap: Thu thập dữ liệu chuyển động độ trung thực cao theo kiểu cộng tác
ReboCap là thiết bị chụp chuyển động chi phí thấp do Reborn phát triển, hiện đã bán được hơn 5.000 thiết bị, với 160.000 người dùng hoạt động hàng tháng (MAU).
Reborn thu thập dữ liệu hiệu quả về mặt kinh tế hơn các giải pháp thay thế khác.
Người dùng tạo ra dữ liệu chuyển động độ trung thực cao thông qua trò chơi AR/VR và nhận phần thưởng từ mạng lưới. Mô hình này không chỉ thu hút game thủ mà còn được các主播 số sử dụng để điều khiển hình ảnh ảo thời gian thực. Vòng lặp tương tác tự nhiên này hoàn thành việc tạo dữ liệu có thể mở rộng, chi phí thấp và độ trung thực cao.
Roboverse: Nền tảng mô phỏng đa phương thức thống nhất
Roboverse là một nền tảng mô phỏng đa phương thức nhằm thống nhất các môi trường mô phỏng rời rạc. Các công cụ mô phỏng robot hiện tại (như MuJoCo, NVIDIA Isaac Lab) có chức năng khác nhau nhưng không tương thích lẫn nhau, làm chậm nghiêm trọng hiệu quả nghiên cứu. Roboverse tạo ra một cơ sở hạ tầng ảo chung để phát triển và đánh giá mô hình robot bằng cách chuẩn hóa thiết lập mô phỏng. Việc cung cấp nền tảng phát triển và đánh giá thống nhất giúp nâng cao khả năng tương thích giữa các mô hình.
Mô hình nền tảng Reborn (RFM)
Kiến trúc công nghệ của Reborn
Thành phần then chốt nhất trong toàn bộ hệ sinh thái Reborn là Mô hình nền tảng Reborn (RFM). RFM là một trong những mô hình nền tảng đầu tiên được thiết kế riêng cho robot, nhằm trở thành cơ sở hạ tầng cốt lõi của DePAI. Điều này tương tự như các mô hình nền tảng truyền thống dành cho LLM, ví dụ như o4 của OpenAI hay Llama của Meta, nhưng RFM lại dành riêng cho robot.
ReboCap, Roboverse và RFM tạo nên lợi thế cạnh tranh vững chắc cho Reborn. Kết hợp dữ liệu thực tế từ ReboCap với khả năng mô phỏng của Roboverse, RFM có thể huấn luyện ra các mô hình hiệu suất cao thích nghi với các tình huống phức tạp, hỗ trợ đa dạng ứng dụng cho robot công nghiệp, tiêu dùng và nghiên cứu.
Reborn đang thúc đẩy thương mại hóa công nghệ, hiện đang hợp tác với Galbot và Noematrix triển khai các dự án thí điểm có trả phí, đồng thời thiết lập quan hệ đối tác chiến lược với Unitree Technology, Booster Robotics, Swiss Mile và Agile Robots. Thị trường robot hình người Trung Quốc đang tăng trưởng nhanh chóng, chiếm khoảng 32,7% thị phần toàn cầu. Đáng chú ý, Unitree Technology chiếm hơn 60% thị phần robot mô phỏng toàn cầu, là một trong những nhà sản xuất robot hình người Trung Quốc dự kiến sản xuất hơn 1.000 robot vào năm 2025.
Vai trò của tiền mã hóa trong DePAI
Công nghệ mã hóa đang giúp DePAI hoàn thiện toàn bộ chồng lớp kỹ thuật.
Reborn là dự án dẫn đầu trong lĩnh vực DePAI
Các dự án DePAI đảm bảo việc mở rộng mở, có thể kết hợp và không cần giấy phép thông qua cơ chế khuyến khích bằng token, từ đó đạt được hiệu quả cao trong việc thu thập dữ liệu và mô hình khuyến khích phi tập trung.
Reborn hiện chưa phát hành token, nhưng kinh tế học token có thể thúc đẩy việc áp dụng quy mô lớn của Reborn. Ngay khi cơ chế khuyến khích bằng token được triển khai, mức độ tham gia mạng lưới dự kiến sẽ tăng nhanh chóng:
-
Khuyến khích bằng token: Người dùng mua ReboCap sẽ nhận được phần thưởng token, các công ty robot trả phí để lấy dữ liệu, tạo thành vòng lặp tích cực.
-
Khám phá các trường hợp biên: Thông qua cơ chế khuyến khích động, khuyến khích người dùng đóng góp dữ liệu các trường hợp biên có giá trị cao, lấp đầy khoảng cách Sim2Real.
Vòng xoáy tăng trưởng DePAI của Reborn
Dữ liệu mới là yếu tố then chốt
Lợi thế cạnh tranh thực sự của robot hình người nằm ở dữ liệu và mô hình. Cụ thể hơn, chính là quy mô, chất lượng và tính đa dạng của dữ liệu thông minh dùng để huấn luyện các robot này.
“Thời điểm ChatGPT” của robot hình người sẽ không do các công ty phần cứng dẫn dắt, bởi việc triển khai phần cứng đối mặt với những thách thức cố hữu như chi phí cao và chu kỳ dài. Việc lan truyền virus của công nghệ robot về bản chất bị giới hạn bởi chi phí, khả năng sẵn có của phần cứng và độ phức tạp hậu cần, trong khi phần mềm thuần số như ChatGPT thì không chịu những ràng buộc này.
Kết luận chính: Dữ liệu là yếu tố quyết định
Điểm bước ngoặt thực sự sẽ đến từ lợi thế về dữ liệu và mô hình sau khi chi phí giảm xuống. Dữ liệu cần thiết cho robot hình người phải có hiệu quả về chi phí, khả năng mở rộng và tính kết hợp, trong khi mô hình khuyến khích bằng token tiền mã hóa có thể lấp đầy khoảng trống cấp bách nhất hiện nay. Reborn biến người bình thường thành “thợ mỏ dữ liệu chuyển động” thông qua mô hình khuyến khích bằng token tiền mã hóa.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@hypersphere_
