دور الأصول الرقمية في مجال بوتات الإنسان

البيانات المطلوبة للروبوتات البشرية تتسم بكفاءة التكلفة وقابلية التوسع والتركيب، بينما يمكن لنموذج تحفيز رموز الأصول الرقمية أن يسد الفجوة الأكثر احتياجًا حاليًا.

** كتب بواسطة: @brezshares**

ترجمة: AididiaoJP، أخبار فوريسايت

ملخص الخلفية

تتحول الروبوتات البشرية العامة بسرعة من روايات الخيال العلمي إلى واقع تجاري. بفضل انخفاض تكاليف الأجهزة، وزيادة الاستثمارات، والتقدم في الحركة والمرونة، تشهد مجال الحوسبة الذكية موجة جديدة من التحولات الكبرى.

على الرغم من أن الحوسبة السحابية للذكاء الاصطناعي والمرافق المادية أصبحت شائعة بشكل متزايد، مما يوفر بيئة تصنيع منخفضة التكلفة لهندسة الروبوتات، إلا أن هذا المجال لا يزال مقيدًا بنقص بيانات التدريب.

Reborn تحاول استخدام DePAI لتحقيق الحركة اللامركزية عالية الدقة والبيانات التركيبية، وبناء نماذج أساسية للبوتات. أعضاء المشروع من جامعة كاليفورنيا في بيركلي، جامعة كورنيل، جامعة هارفارد وشركة آبل.

بوتات الإنسان: من الخيال العلمي إلى الواقع

التجارة بالبوتات ليست فكرة جديدة، مثل مكنسة iRobot Roomba التي أُطلقت عام 2002، أو كاميرا Kasa للحيوانات الأليفة التي أصبحت شائعة في السنوات الأخيرة، لكنها عادةً ما تكون مصممة لوظيفة واحدة فقط. مع تطور تقنيات الذكاء الاصطناعي، تتطور البوتات تدريجياً من آلات ذات وظيفة واحدة إلى أجهزة متعددة الأغراض، وقادرة على العمل كوكيل في بيئات غير منظمة.

في غضون 5 إلى 15 عامًا القادمة، ستتوسع بوتات الشكل البشري من المهام الأساسية مثل التنظيف والطهي إلى مجالات أكثر تعقيدًا مثل خدمات الاستقبال، والإنقاذ من الحرائق، وحتى الجراحة. في ظل الاتجاهات الثلاثة التالية، ستتحول الرؤية تدريجيًا إلى واقع:

• توسع السوق بسرعة: يوجد أكثر من 100 شركة حول العالم تتجه نحو تطوير الروبوتات البشرية، بما في ذلك شركات معروفة مثل تسلا، Unitree، Figure، Clone، Agile وغيرها.
• اختراق تقنية الأجهزة في “وادي الرعب”: الروبوتات البشرية من الجيل الجديد تتحرك بسلاسة وطبيعية، وتستطيع التفاعل بشكل غني مع البشر. على سبيل المثال، تصل سرعة مشي Unitree H1 إلى 3.3 متر / ثانية، وهو ما يتجاوز بكثير المتوسط البشري البالغ 1.4 متر / ثانية.
• نموذج جديد لتكاليف العمالة: من المتوقع أنه بحلول عام 2032، ستكون تكاليف تشغيل الروبوتات البشرية أقل من مستوى أجور العمالة العادية في الولايات المتحدة.

الاختناق: ندرة بيانات التدريب في العالم الحقيقي

على الرغم من أن مجال الروبوتات البشرية لديه آفاق واسعة، إلا أنه إذا كان من الضروري القيام بنشر على نطاق واسع، فسوف يظل مقيدًا بجودة وحجم بيانات التدريب.

تمكنت مجالات الذكاء الاصطناعي الأخرى (مثل القيادة الذاتية) من حل مشاكل البيانات من خلال الكاميرات وأجهزة الاستشعار المثبتة في المركبات. على سبيل المثال، قامت تسلا وWaymo بتدريب أنظمة القيادة الذاتية الخاصة بهما باستخدام بيانات قيادة حقيقية ضخمة. تستطيع Waymo إجراء تدريب في الوقت الحقيقي على الطرقات، وتعين مدرب بوت في مقعد الراكب الأمامي خلال فترة التدريب.

لكن رغبة المستهلكين في تقديم البيانات طواعية عند استخدام بوتات ضعيفة، ومن غير المحتمل أن يتحمل المستهلكون وجود “بوتات المربية”. لذلك، يجب أن تكون الروبوتات البشرية تمتلك أداءً عاليًا منذ المصنع، مما يجعل جمع البيانات قبل النشر تحديًا رئيسيًا.

على الرغم من أن كل وضع تدريب له وحدات قياس خاصة به، إلا أن حجم بيانات تدريب البوتات يختلف عن المجالات الأخرى في الذكاء الاصطناعي بمقدار عدد كبير.

• GPT-4: تحتوي بيانات التدريب على أكثر من 15 تريليون نص.
• Midjourney/Sora: تعتمد على مليارات مقاطع الفيديو المميزة - النصوص المقابلة.
• بوتات مجموعة البيانات: الحد الأقصى للحجم هو حوالي 2.4 مليون مقطع حركي.

توضح هذه الفروق لماذا لم تقم تقنية البوتات بعد ببناء نموذج أساسي حقيقي، لأن البيانات غير قابلة للجمع تمامًا. من الصعب على طرق جمع البيانات التقليدية تلبية الطلب:

1. التدريب المحاكي: منخفض التكلفة ولكن يفتقر إلى حالات نادرة من العالم الحقيقي (أي “فجوة Sim2Real”).
2. الفيديو عبر الإنترنت: تفتقر إلى بيانات ردود الفعل اللمسية أو بيانات الإدراك الذاتي اللازمة لتعلم بوتات.
3. جمع البيانات الحقيقية: يتطلب التحكم عن بُعد يدويًا، وتكلفة آلة واحدة تتجاوز 40 ألف دولار ومن الصعب تحقيق التوسع.

Reborn تحاول الحصول على بيانات العالم الحقيقي بتكلفة منخفضة وكفاءة عالية من خلال نموذج لامركزي، وبالتالي حل مشكلة فجوة Sim2Real بفعالية.

Reborn: حل شامل DePAI

Reborn تسعى لبناء منصة بيانات وبرامج AI مدمجة عمودياً، حيث الهدف الأساسي هو حل اختناق البيانات في الروبوتات البشرية، ولكن الرؤية تتجاوز ذلك بكثير. من خلال الأجهزة المملوكة، والبنية التحتية لمحاكاة متعددة الأنماط، وتطوير النماذج الأساسية، تهدف Reborn لأن تكون رائدة شاملة في مجال الروبوتات البشرية الذكية.

ReboCap: بيانات الحركة عالية الدقة المجمعة

ReboCap هي جهاز استخلاص الحركة منخفض التكلفة الذي تم تطويره بواسطة Reborn ، وقد تم بيع أكثر من 5000 وحدة ، وعدد المستخدمين النشطين شهريًا (MAU) يصل إلى 160000.

!

Reborn يحقق جمع البيانات بكفاءة اقتصادية تفوق البدائل الأخرى.

يمكن للمستخدمين من خلال ألعاب AR/VR إنشاء بيانات حركة عالية الدقة والحصول على حوافز عبر الإنترنت. لم يجذب هذا النموذج اللاعبين فحسب، بل استخدمه أيضًا المذيعون الرقميون لتحريك الصور الافتراضية الرقمية في الوقت الحقيقي. تكمل هذه التفاعلات الدائرية الطبيعية إنشاء بيانات قابلة للتوسع ومنخفضة التكلفة وعالية الدقة.

روبوفرس: منصة محاكاة متعددة الوسائط الموحدة

روبوفيرس هو منصة محاكاة متعددة الأنماط تهدف إلى توحيد البيئات المحاكاة المتفرقة. أدوات محاكاة الروبوت الحالية (مثل MuJoCo، NVIDIA Isaac Lab) تختلف في الوظائف ولكنها غير متوافقة، مما يعيق بشكل كبير كفاءة البحث والتطوير. روبوفيرس من خلال محاكي يحدد نظام موحد، أنشأ بنية تحتية افتراضية مشتركة لتطوير وتقييم نماذج الروبوت. من خلال توفير منصة موحدة للتطوير والتقييم، تم تحسين قدرة التوافق للنماذج.

نموذج أساسي متجدد (RFM)

!

Reborn تقنية المكدس

Reborn هو المكون الأكثر أهمية في مجموعة Reborn المتكاملة وهو نموذج Reborn الأساسي (RFM). RFM هو واحد من أول النماذج الأساسية المصممة خصيصًا لبوتات، ويهدف إلى أن يصبح البنية التحتية الأساسية لـ DePAI. هذا مشابه للنماذج الأساسية التقليدية الموجهة لـ LLM، مثل o4 من OpenAI أو Llama من Meta، ولكن RFM موجه لبوتات.

ReboCap و Roboverse و RFM يبنون خندقًا قويًا لـ Reborn. من خلال دمج البيانات الواقعية من ReboCap مع قدرات المحاكاة من Roboverse، يمكن لـ RFM تدريب نماذج عالية الأداء تتكيف مع السيناريوهات المعقدة، مما يدعم التطبيقات المتنوعة للروبوتات الصناعية والاستهلاكية والبحثية.

Reborn تعمل على دفع التكنولوجيا نحو商业化، حيث تتعاون حاليًا مع Galbot و Noematrix لإجراء مشاريع تجريبية مدفوعة، وقد أقامت شراكات استراتيجية مع يوشو تكنولوجي، وBooster Robotics، وSwiss Mile، وAgile Robots. سوق الروبوتات البشرية في الصين ينمو بسرعة، حيث يمثل حوالي 32.7% من حصة السوق العالمية. ومن الجدير بالذكر أن يوشو تكنولوجي تستحوذ على أكثر من 60% من حصة السوق العالمية للروبوتات المحاكاة، وهي واحدة من الشركات المصنعة للروبوتات البشرية في الصين التي تخطط لإنتاج أكثر من 1000 وحدة بحلول عام 2025.

الأصول الرقمية في DePAI ودورها

التشفير التقنية تعمل على تحقيق عمود فقري عمودي كامل لـ DePAI.

!

Reborn هو المشروع الرائد في مجال DePAI

يضمن مشروع DePAI التوسع المفتوح والقابل للتجميع وغير القابل للتصريح من خلال تحفيز العملات، مما يحقق نموذج جمع البيانات اللامركزي الفعال ونموذج التحفيز.

Reborn لم تصدر عملة بعد، لكن الاقتصاد الرمزي قد يسرع من اعتماد Reborn على نطاق واسع. بمجرد أن يتم إطلاق آلية تحفيز العملة، من المتوقع أن ينمو معدل المشاركة في الشبكة بسرعة:

1. حوافز العملات: يحصل المستخدمون على مكافآت العملات عند شراء ReboCap، بينما تدفع شركات البوتات مقابل الحصول على البيانات، مما يشكل دورة إيجابية.
2. استكشاف حالات الحدود: من خلال آلية الحوافز الديناميكية، نشجع المستخدمين على المساهمة ببيانات حالات الحدود ذات القيمة العالية، لسد فجوة Sim2Real.

!

عجلة نمو DePAI لـ Reborn

البيانات هي المفتاح

الميزة التنافسية الحقيقية للروبوتات البشرية تكمن في البيانات والنماذج. على وجه التحديد، يتعلق الأمر بحجم وجودة وتنوع البيانات الذكية المستخدمة في تدريب هذه الآلات.

لن تُدار “لحظة ChatGPT” للروبوتات البشرية بواسطة شركات الأجهزة، لأن نشر الأجهزة يواجه تحديات جوهرية مثل ارتفاع التكاليف وطول الفترات الزمنية. إن الانتشار الفيروسي لتقنية الروبوتات مقيد أساسًا بالتكاليف وتوافر الأجهزة وتعقيد اللوجستيات، في حين أن البرامج الرقمية الخالصة مثل ChatGPT لن تتأثر بهذه القيود.

الاستنتاجات الرئيسية: البيانات هي المفتاح للنجاح

ستأتي نقطة التحول الحقيقية من ميزة البيانات والنماذج بعد انخفاض التكاليف. البيانات التي تحتاجها بوتات الإنسان فعالة من حيث التكلفة، وقابلة للتوسع، وقابلة للتجميع، بينما يمكن لنموذج تحفيز عملة الأصول الرقمية سد الفجوة الأكثر إلحاحًا في الوقت الحالي. Reborn تحول الأشخاص العاديين إلى “عمال بيانات الحركة” من خلال نموذج تحفيز عملة الأصول الرقمية.