Data yang dibutuhkan untuk robot humanoid memiliki efisiensi biaya, skalabilitas, dan komposabilitas, sementara model insentif token dari aset kripto dapat mengisi kekurangan yang paling mendesak saat ini.
Penulis: @brezshares
Diterjemahkan oleh: AididiaoJP, Berita Foresight
Ringkasan Latar Belakang
Robot humanoid umum sedang dengan cepat beralih dari fiksi ilmiah menuju realitas bisnis. Berkat penurunan biaya perangkat keras, lonjakan investasi modal, serta kemajuan dalam gerakan dan kelincahan, bidang komputasi AI sedang mempersiapkan putaran transformasi besar berikutnya.
Meskipun komputasi awan AI dan fasilitas perangkat keras semakin umum, menyediakan lingkungan pembuatan yang biaya rendah untuk rekayasa robot, bidang ini masih dibatasi oleh kurangnya data pelatihan.
Reborn mencoba memanfaatkan DePAI untuk melakukan gerakan dan data sintetis berkualitas tinggi yang terdesentralisasi, serta membangun model dasar Bot. Anggota proyek ini berasal dari Universitas California, Berkeley, Universitas Cornell, Universitas Harvard, dan Apple.
Bot Humanoid: Dari Fiksi Ilmiah ke Realitas
Komersialisasi robot bukanlah konsep baru, seperti penyedot debu iRobot Roomba yang diluncurkan pada tahun 2002, atau kamera hewan peliharaan Kasa yang populer dalam beberapa tahun terakhir, tetapi mereka biasanya hanya memiliki desain fungsi tunggal. Dengan perkembangan teknologi kecerdasan buatan, robot secara bertahap berevolusi dari mesin fungsional tunggal menjadi perangkat multifungsi, dan mampu beroperasi dalam lingkungan yang tidak terstruktur.
Dalam 5 hingga 15 tahun ke depan, robot humanoid akan secara bertahap berkembang dari tugas dasar seperti pembersihan dan memasak, hingga layanan concierge, pemadam kebakaran, bahkan bidang kompleks seperti bedah. Dalam tiga tren utama berikut, visi secara bertahap menjadi kenyataan:
- Ekspansi pasar yang cepat: Sudah lebih dari 100 perusahaan di seluruh dunia yang terlibat dalam penelitian dan pengembangan robot humanoid, termasuk perusahaan terkenal seperti Tesla, Unitree, Figure, Clone, Agile, dan lainnya.
- Terobosan teknologi perangkat keras “Lembah Menakutkan”: Robot humanoid generasi baru bergerak dengan lancar dan alami, mampu melakukan interaksi yang kaya dengan manusia. Misalnya, kecepatan berjalan Unitree H1 mencapai 3,3 meter/detik, jauh melampaui rata-rata manusia 1,4 meter/detik.
- Paradigma baru biaya tenaga kerja: Diperkirakan pada tahun 2032, biaya operasional robot humanoid akan lebih rendah dari tingkat upah tenaga kerja biasa di Amerika Serikat.
Bottleneck: Kekurangan Data Latih Dunia Nyata
Meskipun bidang robot manusia memiliki prospek yang luas, jika ingin melakukan penyebaran skala besar, masih akan terbatas pada kualitas dan skala data pelatihan.
Bidang AI lainnya (seperti mengemudi otonom) telah menyelesaikan masalah data melalui kamera dan sensor yang dipasang di mobil. Misalnya, Tesla dan Waymo melatih sistem mengemudi otonom mereka melalui data mengemudi nyata yang besar. Waymo mampu melakukan pelatihan secara real-time di jalan dan selama pelatihan, menempatkan seorang pelatih bot di kursi penumpang depan.
Namun, keinginan konsumen untuk secara aktif memberikan data saat menggunakan Bot relatif rendah, dan konsumen cenderung tidak toleran terhadap keberadaan “pengasuh Bot”. Oleh karena itu, robot humanoid harus memiliki kinerja tinggi sejak dari pabrik, yang menjadikan pengumpulan data sebelum penerapan sebagai tantangan utama.
Meskipun setiap mode pelatihan memiliki satuan skala sendiri, skala data pelatihan Bot memiliki perbedaan dengan bidang AI lainnya mencapai urutan besar:
- GPT-4: Data pelatihan mencakup lebih dari 15 triliun teks.
- Midjourney/Sora: bergantung pada miliaran video yang diberi label - pasangan teks.
- Dataset Bot: skala maksimum hanya sekitar 2,4 juta segmen gerakan.
Perbedaan ini menjelaskan mengapa teknologi Bot belum membangun model dasar yang nyata, karena data sama sekali tidak dapat dikumpulkan. Metode pengumpulan data tradisional sulit untuk memenuhi kebutuhan:
- Pelatihan simulasi: biaya rendah tetapi kurangnya kasus niche dunia nyata (yaitu “Sim2Real Gap”).
- Video jaringan: Kurang umpan balik gaya atau data persepsi tubuh yang diperlukan untuk pembelajaran Bot.
- Pengumpulan data nyata: perlu dikendalikan secara manual dari jarak jauh, biaya satu mesin lebih dari 40 ribu dolar dan sulit untuk diskalakan.
Reborn mencoba untuk mendapatkan data dunia nyata dengan biaya rendah dan efisiensi tinggi melalui model desentralisasi, sehingga secara efektif menyelesaikan masalah Sim2Real.
Reborn: Solusi Full-Stack DePAI
Reborn berkomitmen untuk membangun platform perangkat lunak dan data AI fisik yang terintegrasi secara vertikal, dengan tujuan inti untuk mengatasi hambatan data pada robot humanoid, tetapi visi ini jauh lebih dari itu. Melalui perangkat keras khusus, infrastruktur simulasi multimodal, dan pengembangan model dasar, Reborn bertujuan untuk menjadi pendorong penuh di bidang robot humanoid cerdas.
ReboCap: Data Gerak Berkualitas Tinggi yang Dikerjakan Secara Crowdsourcing
ReboCap adalah perangkat pengambilan gerakan berbiaya rendah yang dikembangkan oleh Reborn, saat ini telah terjual lebih dari 5000 unit, dengan pengguna aktif bulanan (MAU) mencapai 160.000.
Reborn melakukan pengumpulan data dengan efisiensi ekonomi yang lebih baik dibandingkan dengan solusi alternatif lainnya.
Pengguna menghasilkan data gerak berkualitas tinggi melalui permainan AR/VR dan mendapatkan insentif jaringan. Model ini tidak hanya menarik pemain game, tetapi juga digunakan oleh penyiar digital untuk menggerakkan citra virtual digital secara real-time. Interaksi siklus alami ini menyelesaikan generasi data yang dapat diskalakan, biaya rendah dan berkualitas tinggi.
Roboverse: Platform simulasi multimodal yang terintegrasi
Roboverse adalah platform simulasi multimodal yang bertujuan untuk menyatukan lingkungan simulasi yang terpisah. Alat simulasi robot saat ini (seperti MuJoCo, NVIDIA Isaac Lab) memiliki fungsi yang bervariasi tetapi tidak kompatibel satu sama lain, yang secara serius menghambat efisiensi pengembangan. Roboverse melalui simulator menetapkan sistem standar, menciptakan infrastruktur virtual bersama untuk pengembangan dan evaluasi model robot. Dengan menyediakan platform pengembangan dan evaluasi yang terintegrasi, kemampuan kompatibilitas model ditingkatkan.
Reborn Model Dasar (RFM)
Reborn tumpukan teknologi
Komponen paling penting dalam Reborn full-stack adalah Model Dasar Reborn (RFM). RFM adalah salah satu model dasar pertama yang dirancang khusus untuk Bot, bertujuan untuk menjadi infrastruktur inti DePAI. Ini mirip dengan model dasar tradisional yang ditujukan untuk LLM, seperti o4 dari OpenAI atau Llama dari Meta, tetapi RFM ditujukan untuk Bot.
ReboCap, Roboverse, dan RFM membangun moat yang kuat untuk Reborn. Dengan menggabungkan data nyata dari ReboCap dan kemampuan simulasi dari Roboverse, RFM mampu melatih model berkinerja tinggi yang dapat beradaptasi dengan skenario kompleks, mendukung berbagai aplikasi robot industri, konsumer, dan penelitian.
Reborn sedang mendorong komersialisasi teknologi, saat ini sedang bekerja sama dengan Galbot dan Noematrix untuk proyek percobaan berbayar, dan telah menjalin kemitraan strategis dengan Yu Shu Technology, Booster Robotics, Swiss Mile, dan Agile Robots. Pasar robot humanoid di China sedang berkembang pesat, dengan pangsa pasar global sekitar 32,7%. Perlu dicatat bahwa Yu Shu Technology menguasai lebih dari 60% pangsa pasar robot simulasi global, dan merupakan salah satu produsen robot humanoid di China yang berencana untuk memproduksi lebih dari 1000 unit pada tahun 2025.
Aset Kripto dalam DePAI
Teknologi enkripsi sedang mewujudkan tumpukan vertikal yang lengkap untuk DePAI.
Reborn adalah proyek terkemuka di bidang DePAI
Proyek DePAI memastikan perluasan yang terbuka, dapat dikombinasikan, dan tanpa izin melalui insentif token, sehingga mewujudkan pengumpulan data terdesentralisasi yang efisien dan model insentif.
Reborn belum menerbitkan Token, tetapi ekonomi Token dapat mempercepat adopsi massal Reborn. Begitu mekanisme insentif Token diluncurkan, partisipasi jaringan diperkirakan akan meningkat dengan cepat:
- Insentif Token: Pengguna yang membeli ReboCap akan mendapatkan hadiah token, perusahaan bot akan membayar untuk mendapatkan data, membentuk siklus positif.
- Penambangan Kasus Tepi: Melalui mekanisme insentif dinamis, mendorong pengguna untuk menyumbangkan data kasus tepi bernilai tinggi, mengisi kesenjangan Sim2Real.
Flywheel Pertumbuhan DePAI Reborn
Data adalah kunci
Keunggulan kompetitif sebenarnya dari Robot Manusia terletak pada data dan model. Secara khusus, ini adalah skala, kualitas, dan keberagaman data cerdas yang digunakan untuk melatih mesin-mesin ini.
“ChatGPT Moment” dari robot humanoid tidak akan dipimpin oleh perusahaan perangkat keras, karena penyebaran perangkat keras menghadapi tantangan inheren seperti biaya tinggi dan siklus yang panjang. Penyebaran teknologi robot secara viral pada dasarnya dibatasi oleh biaya, ketersediaan perangkat keras, dan kompleksitas logistik, sementara perangkat lunak digital murni seperti ChatGPT tidak akan terpengaruh oleh batasan semacam itu.
Kesimpulan Utama: Data adalah Kunci Kemenangan
Titik balik yang sebenarnya akan berasal dari data dan keunggulan model setelah penurunan biaya. Data yang dibutuhkan oleh Robot manusia memiliki biaya yang efektif, skalabilitas, dan komposabilitas, sementara model insentif token aset kripto dapat mengisi kekosongan yang paling mendesak saat ini. Reborn mengubah orang biasa menjadi “penambang data olahraga” melalui model insentif token aset kripto.
