DePIN智能機器人：AI覺醒？還是泡沫？

author 03-22 57 抢沙发

默认

摘要： DePIN 智能機器人：挑戰與機遇Messari 播客：探索去中心化物理人工智能的未來2 月 27 日，Messari 舉辦了一場引人入勝的播客，主題聚焦於“構建去中心化物...

DePIN 智能機器人：挑戰與機遇

Messari 播客：探索去中心化物理人工智能的未來

2 月 27 日，Messari 舉辦了一場引人入勝的播客，主題聚焦於“構建去中心化物理人工智能”。本次播客特邀 FrodoBot Lab 的聯合創始人 Michael Cho 作為嘉賓，共同探討去中心化物理基礎設施網絡（DePIN）在機器人技術領域所面臨的挑戰與蘊藏的巨大機遇。儘管這一領域尚處於發展初期，但其潛力不容小覷，有望從根本上變革 AI 機器人在現實世界中的運作模式。然而，與那些依賴海量互聯網數據的傳統 AI 相比，DePIN 機器人 AI 技術所面臨的問題更加複雜，例如數據收集、硬件限制、評估瓶頸以及經濟模式的可持續性等。

本文概要：深入分析 DePIN 機器人技術

本文將深入剖析本次播客討論中的關鍵要點，探究 DePIN 機器人技術目前所面臨的具體問題，剖析擴展去中心化機器人的主要障礙，並闡述 DePIN 相較於中心化方法的優勢所在。最後，我們還將展望 DePIN 機器人技術的未來，探討我們是否即將迎來 DePIN 機器人技術的“ChatGPT 時刻”。

DePIN 智能機器人的瓶頸分析

最初的挑戰：機器人技術的成本問題

Michael Cho 在創立 FrodoBot 之初，遇到的首要難題便是機器人技術的高昂成本。當時市面上商用機器人的價格居高不下，這直接導致了 AI 在現實世界中的應用產品難以普及。為了解決這個問題，他最初的方案是打造一款低成本的自主機器人，將價格控制在 500 美元左右，希望藉此獲得相較於當時其他項目的價格優勢。

更深層次的瓶頸：DePIN 機器人技術的實際挑戰

然而，隨著他和團隊對研發工作的深入，Michael 逐漸意識到，成本僅僅是表象，並非真正的瓶頸。去中心化物理基礎設施網絡（DePIN）在機器人技術領域所面臨的挑戰，遠比簡單的“價格高低”要複雜得多。伴隨著 FrodoBotLab 的不斷發展，DePIN 機器人技術的多個瓶頸也逐漸浮出水面。要實現大規模部署，以下這些瓶頸必須得到有效解決。

六大關鍵瓶頸

瓶頸一：數據獲取的困境

與那些依靠海量互聯網數據訓練的“線上”AI 大模型不同，具身化 AI（embodied AI）需要與現實世界進行互動才能發展出智能。問題在於，目前世界上並不具備大規模的、高品質的具身化 AI 訓練基礎，而且對於如何有效地收集這些數據，行業內也沒有達成共識。具身化 AI 的數據收集大致可以歸納為以下三大類：

▎第一類是人類操作數據，指的是人類手動控制機器人時產生的數據。這類數據的質量通常很高，能夠捕捉到視頻流和動作標籤——也就是人類看到什麼，以及如何作出相應的反應。這是訓練 AI 模仿人類行為最有效的方式之一，但缺點是成本高昂，且需要大量的人工勞動。

▎第二類是合成數據（模擬數據），這類數據對於訓練機器人在複雜地形中移動非常有用，例如訓練機器人在崎嶇的地面上行走，對於某些專用領域有著重要的應用價值。然而，對於一些變化多端的任務，比如烹飪，模擬環境的局限性就顯現出來了。我們可以想像一下訓練機器人煎蛋的情形：鍋的類型、油溫、房間條件的微小變化都可能影響最終的結果，而虛擬環境很難覆蓋所有這些真實世界的複雜場景。

▎第三類是視頻學習，即讓 AI 模型通過觀察現實世界的視頻來學習。雖然這種方法具有巨大的潛力，但它缺少智能發展所需的真正的物理直接互動反饋。

瓶頸二：自主性水平的提升難度

Michael 提到，他第一次在現實世界中測試 FrodoBot 時，主要是利用機器人進行最後一英里的配送。從數據上看，結果其實還算不錯——機器人成功完成了 90% 的配送任務。但現實情況是，10% 的失敗率是完全無法接受的。一個每十次配送就失敗一次的機器人，根本無法實現商業化應用。就像自動駕駛技術一樣，即使無人駕駛擁有數萬次的成功駕駛記錄，一次失敗就足以擊潰消費者的信心。

因此，要讓機器人技術真正具有實用性，成功率必須接近 99.99% 甚至更高。然而，問題是，每提高 0.001% 的準確率，都需要付出指數級的時間和精力。很多人都低估了這最後一步的艱難程度。

Michael 回憶說，2015 年他乘坐谷歌的自動駕駛汽車原型時，曾覺得完全自主駕駛的實現指日可待。但十年過去了，我們仍然在討論何時才能實現 Level 5 的完全自主性。機器人技術的進步並非線性的，而是呈現指數級增長的——每前進一步，難度都會大幅增加。這最後的 1% 準確率，可能需要數年甚至數十年的時間才能實現。

瓶頸三：硬件限制：AI 並非萬能

退一步講，即使 AI 模型再強大，現有的機器人硬件也還未準備好實現真正的自主性。例如，在硬件方面最容易被忽視的問題是缺乏觸覺傳感器——目前最先進的技術，例如 Meta AI 的研究成果，也遠遠達不到人類指尖的敏感程度。人類依靠視覺和觸覺與世界進行互動，而機器人對於紋理、抓握和壓力反饋幾乎一無所知。

此外，還存在遮擋問題——當物體部分被遮擋時，機器人很難識別並與之互動。而人類即使無法看到物體的全部，也能憑藉直覺理解它。

除了感知問題，機器人執行器本身也存在缺陷。大多數仿人機器人將執行器直接放置在關節上，導致它們顯得笨重且潛在危險。相比之下，人類的肌腱結構使得動作更加平滑、安全。這也是為什麼現有的仿人機器人看起來僵硬且不靈活的原因。像 Apptronik 這樣的公司正在開發更具生物靈感的執行器設計，但這些創新還需要時間才能成熟。

瓶頸四：硬件擴展的資本挑戰

與那些僅僅依賴計算能力的傳統 AI 模型不同，智能機器人技術的實現需要在現實世界中部署物理設備。這帶來了巨大的資本挑戰。製造機器人成本高昂，只有那些財力雄厚的大公司才能負擔得起大規模的實驗。即使是最具效率的仿人機器人，目前的成本也高達數萬美元，大規模普及根本不現實。

瓶頸五：有效性評估的隱形障礙

這是一個常常被忽略的“隱形”瓶頸。大家可以思考一下，像 ChatGPT 這樣的線上 AI 大模型幾乎可以瞬間測試其功能——一個新的語言模型發布後，全球的研究人員或普通用戶基本上在幾個小時之內就能對它的性能優劣得出結論。但評估物理 AI 需要現實世界的部署，這需要大量的時間。

特斯拉的全自動駕駛（FSD）軟件就是一個很好的例子。如果特斯拉記錄了 100 萬英里的行駛里程且沒有發生事故，這是否意味著它真的達到了 Level 5 自主性？ 1000 萬英里呢？機器人智能技術的難題在於，驗證其有效性的唯一方法是觀察它最終在哪裡失敗，這意味著需要大規模、長時間的實時部署。

瓶頸六：人力投入的重要性

另一個被低估的挑戰是，在機器人 AI 開發過程中，人類勞動力依然不可或缺。單純依靠 AI 是遠遠不夠的。機器人需要人類操作員提供訓練數據，需要維護團隊保持機器人的正常運行，以及必不可少的研究人員/開發人員持續優化 AI 模型。與那些可以在雲端進行訓練的 AI 模型不同，機器人需要持續的人類干預——這也是 DePIN 必須解決的一個主要挑戰。

機器人技術的 ChatGPT 時刻：未來展望

DePIN 機器人技術的潛力與懷疑

有些人認為，機器人技術的 ChatGPT 時刻即將到來。Michael 對此持一定的懷疑態度。考慮到硬件、數據和評估方面的諸多挑戰，他認為通用機器人 AI 距離大規模應用還非常遙遠。不過，DePIN 機器人技術的進展確實讓人看到了希望。機器人技術的發展方向應該是去中心化的，而不是由少數幾家大型公司所控制。一個去中心化網絡的規模和協調能力能夠有效地分散資本負擔。與其依賴一家大型公司斥巨資製造數千台機器人，不如將有能力做出貢獻的個人納入到一個共享網絡之中。

DePIN 加速數據收集與評估

舉例來說，DePIN 可以加速數據收集和評估的進程。不必等待某一家公司部署數量有限的機器人來收集數據，去中心化網絡可以更大規模地並行運行，從而收集到更豐富、更多樣化的數據。例如，在最近於阿布扎比舉行的一場 AI 與人類機器人競賽中，來自 DeepMind 和 UT Austin 等頂尖機構的研究人員將他們開發的 AI 模型與人類玩家進行了測試。雖然人類在這次競賽中仍然佔據上風，但研究人員對於從現實世界機器人互動中收集到的獨特數據集感到非常振奮。這從側面印證了對連接機器人技術各個組成部分的子網的需求。研究界的熱情也表明，即使完全自主性仍然是一個長期的目標，DePIN 機器人技術已經在從數據收集和訓練到現實世界部署和驗證等方面展現了切實的價值。

AI 驅動的硬件設計改進

另一方面，AI 驅動的硬件設計改進，例如利用 AI 優化芯片和材料工程，可能會大大縮短研發的時間線。一個具體的例子是 FrodoBot Lab 與其他機構合作，成功獲得了兩盒 NVIDIA H100 GPU——每盒都包含八個 H100 芯片。這為研究人員提供了必要的計算能力，用來處理和優化從機器人部署中收集到的現實世界數據的 AI 模型。如果沒有這樣的計算資源，即使是最有價值的數據集也無法得到充分利用。由此可見，通過 DePIN 去中心化計算基礎設施的訪問，機器人技術網絡可以讓全球的研究人員在不受資本密集的 GPU 所有權限制的情況下訓練和評估模型。如果 DePIN 能夠成功地眾包數據和硬件方面的進展，機器人技術的未來可能會比我們預期的更早到來。

新的盈利模式：AI 代理的啟示

此外，像 Sam 這樣的 AI 代理（一個帶有 meme 幣的旅行 KOL 機器人）展示了去中心化機器人技術網絡的一種全新的盈利模式。Sam 能夠自主運行，24/7 在多個城市進行直播，同時它的 meme 幣也在不斷增值。這種模式展示了由 DEPIN 驅動的智能機器人如何通過去中心化所有權和代幣激勵來維持自身的財務。在未來，這些 AI 代理甚至可以用代幣支付人類操作員的協助費用、租用額外的機器人資產，或者競標現實世界的任務，從而形成一個既有利於 AI 開發，又有利於 DePIN 參與者的經濟循環。

總結：DePIN 的賦能與未來

DePIN 機器人網絡的意義

機器人 AI 的發展不僅僅取決於算法的優化，還涉及到硬件的升級、數據的積累、資金的支持以及人的參與。在過去，機器人行業的發展受到高昂的成本和大型企業的主導地位的限制，這使得創新速度受到了一定的阻礙。而 DePIN 機器人網絡的建立意味著，借助去中心化網絡的力量，機器人數據的收集、計算資源的分配以及資本的投入都可以在全球範圍內協同進行。這不僅可以加速 AI 的訓練和硬件的優化，還能夠降低開發的門檻，讓更多的研究人員、創業者和個人用戶參與到這個行業中來。