Исполнительное резюме

Универсальные гуманоидные роботы быстро переходят из научной фантастики в коммерческую реальность. Снижающиеся затраты на оборудование, растущие капитальные вложения и достижения в области locomotion и ловкости сливаются, чтобы привести к следующему крупному изменению платформы в вычислениях.

Хотя вычисления и оборудование становятся все более стандартизированными, обеспечивая низкие затраты для инженерии робототехники, этот сектор по-прежнему ограничен узким местом в обучающих данных.

Reborn — это один из немногих проектов, использующих децентрализованный физический ИИ (DePAI) для краудсорсинга высококачественных движений и синтетических данных, а также для создания моделей робототехники, что делает его уникально способным катализировать развертывание гуманоидов. Проект возглавляет глубоко техническая команда основателей с исследовательским и профессорским опытом в UC Berkeley, Cornell, Harvard и Apple, сочетая академическое превосходство и реальную инженерную практику.

Гуманоиды: от фантастики к передовой

Коммерциализированная робототехника не является новой концепцией. Большинство знакомы с продуктами, такими как пылесос iRobot Roomba, дебютировавший в 2002 году, или более современными бытовыми роботами, такими как камера для домашних животных Kasa. Оба они созданы для одной цели. С помощью ИИ роботы эволюционируют от однопurpose машин к многоцелевым, предназначенным для работы в неструктурированных средах.

Гуманоидные роботы будут развиваться от простых задач, таких как уборка и приготовление пищи, к обслуживанию, тушению пожаров и даже хирургии в течение следующих 5–15 лет.

Недавние разработки превращают гуманоидную робототехнику из научной фантастики в реальность.

• Расширение рынка: более 100 компаний, создающих гуманоидов (например, Tesla, Unitree, Figure, Clone, Agile и др.).
• Технология аппаратного обеспечения пересекла долину странности: новые гуманоиды демонстрируют плавное, естественное движение, позволяющее взаимодействовать с людьми в реальных условиях. H1 от Unitree движется быстрее, чем средний человек (3,3 м/с против 1,4 м/с).
• Новая парадигма трудовых затрат: ожидается, что гуманоидные роботы будут снижать заработную плату в США к 2032 году.

Узкое место: Данные реального мира для обучения

Несмотря на явные благоприятные условия для гуманоидной робототехники, массовое развертывание остается ограниченным из-за качества данных и их нехватки.

Другие воплощения ИИ, такие как автономное вождение, в значительной степени преодолели проблему данных с помощью камер и датчиков на существующих транспортных средствах. В случае с самоуправляемыми автомобилями (например, Tesla, Waymo) эти автопарки способны генерировать миллиарды миль реальных данных о вождении. Waymo смогла вывести свои автомобили на дорогу для обучения в реальном времени с человеческим «нянькой» на пассажирском сиденье в этот период.

Тем не менее, потребители вряд ли будут терпеть присутствие "робота-няни". Роботы должны быть высокопроизводительными с самого начала, что делает сбор данных до развертывания необходимым. Обучение должно быть завершено до коммерческого производства, где масштаб и качество данных остаются проблемой.

Хотя каждая модальность обучения имеет свою собственную единицу измерения (т.е. токены для LLM, пары видео-текста для генераторов изображений и эпизоды движения для робототехники), приведенное ниже сравнение подчеркивает разрыв в порядках величины в доступности данных, с которым сталкиваются данные робототехники:

• GPT-4 был обучен на более чем 15 триллионах текстовых токенов
• Midjourney/Sora используют миллиарды помеченных пар видео-текстов
• В отличие от этого, крупнейшие датасеты по робототехнике содержат только ~2,4 миллиона эпизодов.

Это расхождение иллюстрирует, почему робототехника еще не достигла истинной базовой модели так, как это сделали LLM. Данные просто еще не собраны.

Традиционные методы сбора данных не подходят для масштабирования данных для обучения гуманоидной робототехники. Текущие методы включают:

• Симуляция: дешевая, но не хватает крайних случаев из реальной жизни (разрыв Sim2Real)
• Интернет-видео: Не содержит проприоцептивного или силового обратного контекста, необходимого для обучения роботов
• Данные из реального мира: точные, но требуют телепарации и человека в процессе, что дорого (более 40 тыс. долларов за робота) и не имеет масштабируемости.

Обучение в виртуальных средах является недорогим и масштабируемым, но модели часто испытывают трудности при развертывании в реальном мире. Эта проблема известна как разрыв Sim2Real.

Например, робот, обученный в симуляции, может успешно поднимать объекты при идеальном освещении и ровных поверхностях, но потерпеть неудачу в беспорядочных условиях, неровных текстурах или в несовершенных ситуациях, с которыми люди привыкли сталкиваться в физическом мире.

Reborn предоставляет способ дешево и быстро собирать реальные данные от толпы, что позволяет эффективно обучать робототехнику и решать проблему Sim2Real.

Reborn: Полноценное видение для децентрализованного физического ИИ

Reborn создает вертикально интегрированную программную и дата-платформу для физического ИИ. В своей основе Reborn решает проблему узкого места данных для гуманоидной робототехники, но его амбиции простираются гораздо дальше. Сочетая запатентованное оборудование, многомодальную симуляционную инфраструктуру и разработку базовых моделей, Reborn становится полноценным источником воплощенного интеллекта.

Стек Reborn начинается с “ReboCap”, проприетарное устройство захвата движения для потребителей. Это обеспечивает быстро растущую экосистему AR/VR игр, где пользователи генерируют высококачественные данные о движениях в обмен на сетевые стимулы. Reborn продала более 5000 единиц ReboCap и теперь поддерживает 160000 активных пользователей в месяц (MAU), с четким путем к двум миллионам к концу года.

Reborn позволяет захватывать данные с гораздо более выгодной экономикой, чем альтернативные методы.

Впечатляюще, что этот рост был органическим: пользователи привлекаются развлекательной ценностью самих игр, а стримеры принимают ReboCap для анимации цифровых аватаров с помощью отслеживания тела в реальном времени. Этот органический цикл вовлеченности способствует масштабируемому, низкозатратному и высококачественному созданию данных, что делает набор данных Reborn ценным ресурсом для обучения ведущих компаний в области робототехники.

Второй уровень программного стека Reborn этоРобоверс, многофункциональная платформа данных, которая объединяет фрагментированные симуляционные среды. Современный симуляционный ландшафт сильно фрагментирован, например, такие инструменты, как Mujoco и NVIDIA Isaac Lab, каждый из которых предлагает разные преимущества, но не имеют интероперабельности. Эта бальканизация замедляет прогресс и усугубляет разрыв Sim2Real. Roboverse решает эту проблему, стандартизируя работу симуляторов, создавая общую виртуальную инфраструктуру для разработки и оценки моделей робототехники. Эта интеграция позволяет проводить последовательное бенчмаркинг, улучшая масштабируемость и обобщаемость.

Вместе ReboCap и Roboverse образуют основу полного стека платформы Reborn. Первый захватывает данные из реального мира в больших масштабах, в то время как второй организует симуляционные среды для обучения моделей. Этот интегрированный подход демонстрирует истинную силу сети DePAI от Reborn. Она создает платформу для разработчиков Physical AI, которая выходит за рамки простой передачи данных и охватывает фактическое развертывание моделей и лицензирование.

Модель Фонда Воскрешения

Возможно, самым важным компонентом программного обеспечения Reborn является модель основания Reborn (RFM). Reborn разрабатывает одну из первых моделей основания для робототехники, предназначенную для служения основным инфраструктурным компонентом для развивающегося стека Физического ИИ. Подумайте о традиционных моделях основания для LLM, таких как o4 от OpenAI или Llama от Meta, но для роботов.

Технологический стек Reborn

Комбинация трех основных элементов стека Reborn (ReboCap, Roboverse и RFM) создает мощный вертикально интегрированный барьер для Reborn. Сочетая краудсорсинговые данные о движении с надежным моделированием и лицензированием моделей, Reborn может обучать модели с масштабом и разнообразием, необходимыми для обобщения по различным случаям использования. Результатом является базовая модель, которая поддерживает downstream-приложения в широком диапазоне случаев использования, включая промышленную, потребительскую и исследовательскую робототехнику.

Reborn активно коммерциализирует свои технологии, запуская платные пилотные проекты с Galbot и Noematrix, а также устанавливая стратегические партнерства с Unitree, Booster Robotics, Swiss Mile и Agile Robots. Рынок человекоподобных роботов в Китае быстро растет и составляет около 32,7% от мирового рынка. Особенно стоит отметить, что Unitree занимает более 60% мирового рынка четвероногих роботов и входит в число шести китайских производителей человекоподобных роботов, планирующих произвести более 1,000 единиц в 2025 году.

Роль Крипто в физическом стеке ИИ

Крипто позволяет создать полную вертикальную структуру для физического ИИ.

Reborn - это ведущий проект Крипто с воплощённым ИИ

Хотя все эти проекты находятся на разных уровнях физического ИИ, у них есть нечто общее: 100% из них являются проектами DePAI! DePAI делает возможным децентрализованный физический ИИ, обеспечивая открытое, компонуемое и безразрешительное масштабирование через токенные стимулы на всех уровнях.

Тот факт, что Reborn еще не запустил токен, делает его органический рост еще более впечатляющим. Как только токеновые стимулы будут активированы, ожидается, что участие в сети ускорится как часть маховика DePAI: Reborn выдает стимулы за приобретение своего оборудования (ReboCap), компании-робототехники платят владельцам ReboCap за их вклад, побуждая больше людей покупать и использовать ReboCap. Reborn также будет динамически стимулировать высокоценные крайние случаи поведения – обеспечивая еще лучшее покрытие разрыва Sim2Real.

Действие DePAI Flywheel от Reborn

Все дело в данных

Момент "ChatGPT" в робототехнике не придет от самих компаний-робототехников, потому что оборудование гораздо сложнее развертывать, чем программное обеспечение. Вирусность в робототехнике по своей природе ограничена стоимостью, доступностью оборудования и логистическими сложностями. Эти факторы отсутствуют в чисто цифровом программном обеспечении, таком как ChatGPT.

Поворотный момент для гуманоидной робототехники наступит не тогда, когда прототипы произведут впечатление, а когда стоимость упадет достаточно для массового принятия — как это произошло со смартфонами или ПК. Когда стоимость снижается, оборудование становится обязательным. Реальное конкурентное преимущество будет заключаться в данных и моделях. В частности, в масштабе, качестве и разнообразии интеллектуальных движений, используемых для обучения этих машин.

Заключение

Сдвиг платформы робототехники неизбежен, но, как и все платформы, ей нужны данные для масштабирования. Reborn – это ставка с высоким рычагом на то, что Крипто может заполнить наиболее острый пробел в стеке ИИ-робототехники. DePAI для данных о робототехнике является экономически эффективным, масштабируемым и составным. В мире, где робототехника является следующим фронтом ИИ, Reborn эквивалентен превращению обычных людей в «майнеров» данных движения. Поскольку LLM нуждаются в текстовых токенах, человекоподобным роботам нужны эпизоды движения. Reborn – это то, как мы разблокируем один из последних оставшихся узких мест в превращении человекоподобной робототехники из научной фантастики в реальность.

Отказ от ответственности:

1. Эта статья перепечатана из [гиперсфера_]. Все авторские права принадлежат оригинальному автору [гиперсфера_]. Если есть возражения против этой перепечатки, пожалуйста, свяжитесь с Gate Learn команда, и они обработают это быстро.
2. Отказ от ответственности: Мнения и взгляды, выраженные в этой статье, принадлежат исключительно автору и не представляют собой инвестиционные рекомендации.
3. Переводы статьи на другие языки выполнены командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.