بوتات: ثورة تقنية من الخيال العلمي إلى الواقع

في السنوات الأخيرة، أصبحت الروبوتات البشرية العامة تتحول بسرعة من الأعمال الخيالية إلى التطبيقات الواقعية. الانخفاض المستمر في تكاليف الأجهزة، وزيادة الاستثمار الرأسمالي، والاختراقات التقنية في مرونة الحركة والقدرة على التشغيل، هذه العوامل الثلاثة تتكامل باستمرار، وتدفع بنشاط نحو المرحلة الكبرى التالية في مجال الحوسبة.

على الرغم من أن القدرة الحاسوبية وأجهزة المعدات أصبحت تجارية بشكل متزايد، مما أتاح ميزة تكلفة لهندسة الروبوتات، لا يزال القطاع يواجه مشكلة اختناق البيانات التدريبية. في هذا السياق، بدأت بعض المشاريع في الاستفادة من الذكاء الاصطناعي الفيزيائي اللامركزي (DePAI) لجمع بيانات الحركة والتوليف عالية الدقة، وبناء نماذج أساسية للروبوتات. وهذا يمنحها موقعًا فريدًا ومناسبًا في دفع نشر الروبوتات البشرية.

من شكل أحادي الوظيفة إلى شكل متعدد الوظائف

إن商业化 تكنولوجيا بوتات ليست فكرة جديدة. بوتات المنزلية مثل الروبوتات المخصصة لتنظيف الأرضيات وكاميرات الحيوانات الأليفة التي نعرفها جميعًا، هي أجهزة ذات وظيفة واحدة. مع تطور الذكاء الاصطناعي، تتطور البوتات من آلات ذات وظيفة واحدة إلى أشكال متعددة الوظائف، بهدف التكيف مع الأعمال المعقدة في البيئات المفتوحة.

من المتوقع أنه خلال السنوات الخمس إلى الخمس عشرة المقبلة، ستقوم بوتات الإنسان بتحديث مهامها الأساسية مثل التنظيف والطهي تدريجياً، لتكون في النهاية قادرة على أداء أعمال معقدة مثل استقبال الخدمات، إطفاء الحرائق، وحتى الجراحة. التطورات التقنية الأخيرة تجعل هذه الرؤية تتحقق.

1. ديناميات السوق: أكثر من 100 شركة تعمل على تطوير بوتات بشرية. 2.突破 الأجهزة: تظهر الجيل الجديد من الروبوتات البشرية حركات سلسة وطبيعية، مما يسمح لها بالتفاعل البشري في البيئات الواقعية. يمكن أن تصل سرعة المشي لبعض الروبوتات إلى 3.3 متر في الثانية، متجاوزة متوسط سرعة المشي البشري البالغ 1.4 متر في الثانية.
2. اتجاه التكلفة: من المتوقع أن تنخفض تكلفة الروبوتات البشرية إلى ما دون مستوى رواتب العمالة الأمريكية بحلول عام 2032.

عنق الزجاجة في البيانات: تحديات التدريب في العالم الحقيقي

على الرغم من وجود عوامل إيجابية واضحة في مجال الروبوتات البشرية، إلا أن انخفاض جودة البيانات ومشاكل الندرة لا تزال تعيق نشرها على نطاق واسع. مقارنةً بتكنولوجيا القيادة الذاتية، تواجه الروبوتات البشرية تحديات أكبر في جمع البيانات. يمكن لنظام القيادة الذاتية جمع كميات هائلة من بيانات القيادة الحقيقية على الطرق من خلال الكاميرات وأجهزة الاستشعار الموجودة في المركبات الحالية. ومع ذلك، من غير المرجح أن يقبل المستهلكون بوجود "بوتات مربية"، مما يعني أنه يجب أن تتمتع الروبوتات بأداء عالي جاهز للاستخدام.

حالياً، حجم بيانات التدريب في تقنية الروبوتات متخلف بشكل كبير عن مجالات الذكاء الاصطناعي الأخرى. أكبر مجموعة بيانات للروبوتات تحتوي فقط على حوالي 2.4 مليون سجل تفاعل، في حين أن حجم بيانات تدريب GPT-4 يتجاوز 15 تريليون علامة نصية، ويستخدم مولد الصور مئات الملايين من مقاطع الفيديو مع النصوص المرفقة. تفسر هذه الفجوة لماذا لم تحقق تقنية الروبوتات بعد نموذجاً أساسياً حقيقياً كما هو الحال مع نماذج اللغة الكبيرة.

طرق جمع البيانات التقليدية يصعب عليها تلبية احتياجات البيانات التدريبية للروبوتات البشرية على نطاق واسع:

• محاكاة: تكلفة منخفضة ولكن تفتقر إلى حدود المشهد الحقيقي
• الفيديو عبر الإنترنت: لا يمكن توفير الإحساس الجسدي وبيئة رد الفعل القوي اللازمة لتعلم بوتات.
• بيانات العالم الحقيقي: دقيقة ولكنها مكلفة للغاية وتفتقر إلى القابلية للتوسع

حلول مبتكرة لتجاوز عنق الزجاجة للبيانات

لحل مشكلة اختناق البيانات، تقوم بعض المشاريع الابتكارية ببناء منصات برمجيات وبيانات متكاملة رأسياً موجهة لتطبيقات الروبوتات الذكية الجسدية. أصبحت هذه المنصات، من خلال الجمع بين الأجهزة المطورة ذاتياً والبنية التحتية لمحاكاة متعددة الوسائط والنماذج الأساسية، محركات شاملة لتحقيق الذكاء الجسدي.

تبدأ هذه المنصات بأجهزة التقاط الحركة المخصصة للاستخدام الاستهلاكي، وتبني نظامًا بيئيًا سريع التوسع للألعاب المعززة والافتراضية. يحصل المستخدمون على مكافآت تحفيزية عبر الإنترنت من خلال تقديم بيانات حركة عالية الدقة، مما يدفع المنصة إلى الاستمرار في النمو. هذا الدوران الإيجابي الذي يتشكل بشكل عفوي يحقق إنتاج بيانات قابل للتوسع، ومنخفض التكلفة، وعالي الدقة، مما يجعل مجموعة البيانات ذات الصلة موارد تدريب تتنافس الشركات الرائدة في مجال بوتات على اعتمادها.

علاوة على ذلك، تكرس بعض المشاريع جهودها لتوحيد منصة البيانات متعددة النماذج في بيئات المحاكاة المجزأة. حاليًا، يعتبر مجال المحاكاة مجزأً بشكل كبير، حيث تعمل الأدوات المختلفة بشكل مستقل، على الرغم من أن لكل منها ميزاتها، إلا أنه لا يمكنها التواصل فيما بينها. هذه الحالة من الانقسام تؤخر عملية البحث والتطوير، وتزيد من الفجوة بين المحاكاة والواقع. من خلال تحقيق توحيد المحاكيات، أنشأت هذه المنصات بنية تحتية افتراضية مشتركة لتطوير وتقييم نماذج بوتات، تدعم اختبارات معيارية متسقة، مما يعزز بشكل كبير قدرة النظام على التوسع والتعميم.

صعود نموذج الأساس للبوتات

في مجموعة التقنيات لهذه المنصات المبتكرة، قد تكون المكونات الأكثر أهمية هي نماذج بوتات الأساسية. كواحدة من أولى نماذج بوتات الأساسية، يتم تطوير هذه النماذج لتكون النظام الأساسي للبنية التحتية للذكاء الاصطناعي الفيزيائي الناشئ. إن موقعها يشبه نماذج اللغة الكبيرة التقليدية، ولكنها موجهة نحو مجال البوتات.

من خلال الجمع بين بيانات الحركة المجمعة ونظام المحاكاة القوي ونظام الترخيص للنماذج، يمكن لهذه المنصات تدريب نموذج أساسي يتمتع بقدرة تعميم عبر السيناريوهات المختلفة. يمكن أن يدعم هذا النموذج تطبيقات متنوعة للروبوتات في مجالات الصناعة والاستهلاك والبحث، مما يحقق نشرًا عامًا تحت بيانات متنوعة وبكميات هائلة.

! [روبوت بشري + عملة مشفرة: كيف يبني Reborn دولاب الموازنة DePAI؟] ](https://img-cdn.gateio.im/webp-social/moments-6141c7f6e1234bedbc593c2e1c7d30df.webp)

دور تقنيات التشفير في الذكاء الاصطناعي الفيزيائي

تقوم تقنية التشفير ببناء مجموعة رأسية كاملة للذكاء الاصطناعي الفيزيائي. يقوم مشروع الذكاء الاصطناعي الفيزيائي اللامركزي (DePAI) بتحفيز التوكنات عبر مجموعة التكنولوجيا بأكملها، مما يخلق آلية توسيع مفتوحة وقابلة للتجميع وغير مرخصة، مما يجعل التطور اللامركزي للذكاء الاصطناعي الفيزيائي واقعاً.

عندما يبدأ نظام تحفيز الرموز بشكل رسمي، ستعمل المشاركة في الشبكة كحلقة رئيسية لتسريع تأثير دوامة DePAI: يمكن للمستخدمين شراء أجهزة المعدات للحصول على تحفيز من الجهة المعنية بالمشروع، بينما تدفع شركات تطوير الروبوتات مكافآت للمساهمين في المعدات، مما سيحفز المزيد من الناس على شراء واستخدام المعدات ذات الصلة. في الوقت نفسه، ستقوم الجهة المعنية بالمشروع بتحفيز ديناميكي لجمع بيانات سلوكية مخصصة ذات قيمة عالية، مما يساعد بشكل أكثر فعالية على سد الفجوة التقنية بين المحاكاة والتطبيقات الواقعية.

خاتمة

بوتات منصة الثورة لا يمكن إيقافها، ولكن تطويرها على نطاق واسع يعتمد على دعم البيانات. من المتوقع أن تسد التكنولوجيا المشفرة الفجوة الأكثر أهمية في مجموعة تقنيات الروبوتات الذكية: من خلال حلول الذكاء الاصطناعي الفيزيائي اللامركزية، لتحقيق جدوى اقتصادية، وقابلية توسيع عالية، وخصائص معيارية. عندما تصبح تقنية الروبوتات الجبهة التالية للذكاء الاصطناعي، فإن هذه المشاريع الابتكارية تحول الجماهير إلى "عمال" البيانات الحركية. تمامًا كما تحتاج نماذج اللغة الكبيرة إلى دعم النصوص المميزة، تحتاج الروبوتات البشرية إلى تدريب على تسلسلات حركية ضخمة. من خلال هذه التقنيات الثورية، سوف نتجاوز آخر عقبة، ونحقق الانتقال من الخيال العلمي إلى الواقع للروبوتات البشرية.