Los robots humanoides están pasando rápidamente de las obras de ciencia ficción a la realidad. La caída constante de los costos de hardware, el crecimiento sostenido de la inversión de capital y los avances tecnológicos en la flexibilidad de movimiento y la capacidad operativa, son tres factores que se están fusionando y impulsando activamente la próxima gran iteración de la plataforma en el campo de la computación.
A pesar de la creciente comercialización de la capacidad de cálculo y los dispositivos de hardware, que proporciona ventajas de bajo costo a la ingeniería robótica, la industria aún se ve limitada por el cuello de botella de los datos de entrenamiento.
Reborn es uno de los pocos proyectos que utiliza inteligencia artificial física descentralizada (DePAI) para obtener datos de movimiento y datos sintéticos de alta precisión a través de crowdsourcing, y construir modelos básicos de robots, lo que lo coloca en una posición única y favorable para impulsar el despliegue de robots humanoides. El proyecto está liderado por un equipo fundador con una sólida base técnica, cuyos miembros poseen experiencia en investigación académica y cargos de profesor en la Universidad de California, Berkeley, la Universidad de Cornell, la Universidad de Harvard y Apple, lo que refleja un alto nivel académico y una capacidad de ejecución en ingeniería en el mundo real.
Robots humanoides: de la ciencia ficción a aplicaciones de vanguardia
La comercialización de la robótica no es un concepto nuevo. Los robots domésticos, como el iRobot Roomba, que salió al mercado en 2002, o las cámaras para mascotas Kasa que han ganado popularidad en los últimos años, son dispositivos de función única. Con el desarrollo de la inteligencia artificial, los robots están evolucionando de máquinas de función única a formas multifuncionales, con el objetivo de adaptarse a las operaciones en entornos abiertos.
Los robots humanoides se actualizarán gradualmente en los próximos 5 a 15 años de tareas básicas como la limpieza y la cocina, hasta que finalmente puedan realizar trabajos complejos como servicios de recepción, extinción de incendios e incluso cirugías.
El desarrollo reciente está convirtiendo los robots humanoides de la ciencia ficción en una realidad.
Dinámica del mercado: más de 100 empresas están posicionándose en el campo de los robots humanoides (como Tesla, Yushutech, Figure AI, Clone, Agile, etc.).
La tecnología de hardware ha superado con éxito el valle inquietante: la nueva generación de robots humanoides muestra movimientos naturales y fluidos, lo que les permite interactuar de manera similar a los humanos en entornos reales. Entre ellos, el Utree H1 puede alcanzar una velocidad de caminata de hasta 3.3 metros por segundo, muy por encima de la velocidad promedio de 1.4 metros por segundo de los humanos.
(Nota: La teoría del valle inquietante (The Uncanny Valley) es una teoría psicológica que describe la respuesta emocional de los humanos hacia entidades no humanas, como robots, muñecos, imágenes virtuales, etc.)
Nuevo paradigma de costos para robots humanoides: se espera que sean inferiores a los niveles salariales de la mano de obra en EE.UU. para 2032.
Cuello de botella en el desarrollo: datos de entrenamiento del mundo real
A pesar de los claros factores favorables en el campo de los robots humanoides, la baja calidad de los datos y la falta de estos siguen obstaculizando su implementación a gran escala.
Otras tecnologías de inteligencia artificial, como la conducción autónoma, han resuelto fundamentalmente los problemas de datos mediante cámaras y sensores instalados en vehículos existentes. Tomando como ejemplo los sistemas de conducción autónoma de Tesla y Waymo, estas flotas pueden generar miles de millones de millas de datos de conducción en carretera reales. En esta etapa de desarrollo, Waymo equipó a sus vehículos con un supervisor humano en el asiento del pasajero para entrenamiento en tiempo real.
Sin embargo, es poco probable que los consumidores acepten la existencia de "niñeras robots". Los robots deben tener un alto rendimiento listo para usar, lo que hace que la recopilación de datos antes de la implementación sea crucial. Todo el entrenamiento debe completarse antes de la producción comercial, y la escala y calidad de los datos siguen siendo un problema persistente.
A pesar de que cada modo de entrenamiento tiene su propia unidad de escala (por ejemplo, los modelos de lenguaje grandes utilizan tokens, los generadores de imágenes utilizan pares de video-texto, y la robótica utiliza fragmentos de movimiento), la comparación a continuación revela claramente la disparidad de magnitud que enfrenta la disponibilidad de datos en robótica:
Los datos de entrenamiento de GPT-4 superan los 150 billones de tokens de texto.
Midjourney y Sora utilizan miles de millones de pares de texto de video etiquetados.
En comparación, el conjunto de datos de robots más grande contiene solo alrededor de 2.4 millones de registros de interacción.
Esta brecha explica por qué la tecnología robótica aún no ha logrado un modelo fundamental real como lo han hecho los grandes modelos de lenguaje, y la clave radica en que la base de datos aún no está completa.
Los métodos tradicionales de recopilación de datos son difíciles de satisfacer la demanda de escalabilidad de los datos de entrenamiento para robots humanoides. Los métodos existentes incluyen:
Simulación: bajo costo pero falta de escenarios de límites reales (la brecha entre simulación y realidad)
Video en Internet: No se puede proporcionar la experiencia de cuerpo y el entorno de retroalimentación necesaria para el aprendizaje de robots.
Datos del mundo real: aunque son precisos, requieren control remoto y operaciones manuales en bucle cerrado, lo que resulta en altos costos (más de 40,000 dólares por robot) y falta de escalabilidad.
Entrenar modelos en un entorno virtual es barato y escalable, pero estos modelos a menudo enfrentan dificultades al ser desplegados en el mundo real. Este problema se conoce como la brecha entre lo virtual y lo real (Sim2Real).
Por ejemplo, un robot entrenado en un entorno simulado puede recoger fácilmente objetos con iluminación perfecta y superficies lisas, pero cuando se enfrenta a un entorno desordenado, texturas irregulares, o a diversas situaciones inesperadas que los humanos consideran comunes en el mundo real, a menudo se queda sin opciones.
Reborn ofrece un método económico y rápido para la recopilación de datos del mundo real, lo que ayuda a mejorar el entrenamiento de robots y a resolver el problema de "la brecha de simulación a realidad" (Sim2Real).
Reborn: la visión de pila completa de la IA descentralizada
Reborn está construyendo una plataforma de software y datos de integración vertical orientada a aplicaciones de robots inteligentes corporales. El objetivo principal de la empresa es resolver el problema del cuello de botella de datos en el campo de los robots humanoides, pero su visión va mucho más allá. A través de la investigación y desarrollo autónomo de hardware, la infraestructura de simulación multimodal y la combinación de modelos base, Reborn se convertirá en un conductor de pila completa para lograr la inteligencia corporal.
La plataforma Reborn se basa en el dispositivo de captura de movimiento de consumo exclusivo "ReboCap" para construir un ecosistema de juegos de realidad aumentada y virtual en rápida expansión. Los usuarios intercambian datos de movimiento de alta fidelidad por recompensas de incentivos en línea, impulsando el desarrollo continuo de la plataforma. Actualmente, Reborn ha vendido más de 5000 dispositivos ReboCap, con 160,000 usuarios activos mensuales, y ha establecido un camino de crecimiento claro para superar los 2 millones de usuarios a finales de año.
Reborn tiene una eficiencia de recolección de datos que supera ampliamente a otras soluciones.
Lo notable es que este crecimiento proviene completamente del desarrollo natural: los usuarios son atraídos por el entretenimiento del juego en sí, mientras que los streamers utilizan ReboCap para lograr la captura en tiempo real de sus imágenes digitales. Este ciclo virtuoso que se forma de manera espontánea logra una producción de datos escalable, de bajo costo y de alta fidelidad, convirtiendo el conjunto de datos Reborn en un recurso de entrenamiento que las principales empresas de robótica compiten por adoptar.
La segunda capa de la pila de software de ReBorn es Roboverse: una plataforma de datos multimodal que unifica un entorno de simulación fragmentado. El panorama actual de la simulación está muy fragmentado, con herramientas como Mujoco y NVIDIA Isaac Lab que trabajan en silos, cada una con sus propias fortalezas pero no interoperables. Esta fragmentación ralentiza el proceso de investigación y desarrollo y exacerba la brecha entre la simulación y la realidad. Roboverse ha creado una infraestructura virtual compartida para desarrollar y evaluar modelos de robots mediante la estandarización en múltiples simuladores. Esta integración admite una evaluación comparativa consistente, lo que mejora en gran medida la escalabilidad y generalización del sistema.
Roboverse ha logrado una colaboración sin fisuras. El primero recopila datos del mundo real a gran escala, mientras que el segundo construye un entorno de simulación que impulsa el entrenamiento de modelos, y ambos juntos muestran la verdadera fuerza de la red de inteligencia física distribuida Reborn. Esta plataforma está creando un ecosistema de desarrolladores de inteligencia artificial física que va más allá de la simple adquisición de datos, extendiendo sus funciones al despliegue de modelos reales y al ámbito de licencias comerciales.
Modelo básico Reborn
Quizás el componente más crítico de la pila de tecnología Reborn es el modelo base Reborn (RFM). Como uno de los primeros modelos básicos para la robótica, este modelo se está incorporando al sistema central de la infraestructura física de IA emergente. Su posicionamiento es similar al de los modelos tradicionales de base de grandes lenguajes, como GPT-4 de OpenAI o Llama de Meta, pero para el campo de la robótica.
Reborn stack tecnológico
Los tres componentes principales de la pila tecnológica Reborn (la plataforma de datos ReboCap, el sistema de simulación Roboverse y el mecanismo de licencia de modelos RFM) forman un sólido foso integrado verticalmente. Al combinar datos de movimiento de colaboración colectiva con un potente sistema de simulación y un sistema de autorización de modelos, Reborn es capaz de entrenar un modelo básico con la capacidad de generalizar en todos los escenarios. El modelo puede soportar aplicaciones robóticas diversificadas en los campos industrial, de consumo y de investigación, y realizar el despliegue generalizado de datos masivos y diversos.
Reborn está promoviendo activamente el proceso de comercialización de su tecnología, lanzando proyectos piloto de pago con Galbot y Noematrix, y estableciendo asociaciones estratégicas con Unitree, Booster Robotics, Swiss Mile y Agile Robots. El mercado de robots humanoides en China está experimentando un rápido crecimiento, representando aproximadamente el 32.7% del mercado global. Es notable que YuShu Technology tiene más del 60% de participación en el mercado global de robots cuadrúpedos y es uno de los seis fabricantes chinos que planean producir más de 1000 unidades (robots humanoides) para 2025.
El papel de la tecnología de criptomonedas en la pila de tecnología de inteligencia artificial física
La tecnología blockchain está construyendo una pila vertical completa de inteligencia artificial para el mundo físico.
Reborn es un proyecto de criptomonedas de inteligencia artificial encarnada líder.
Aunque estos proyectos pertenecen a diferentes niveles de la pila de inteligencia artificial física, tienen un punto en común: todos son proyectos DePAI al cien por cien. DePAI crea un mecanismo de expansión abierto, combinable y sin permisos a través de incentivos de tokens a lo largo de toda la pila tecnológica, y es esta innovación la que hace que el desarrollo descentralizado de la inteligencia artificial física sea una realidad.
Reborn aún no ha emitido tokens, y el crecimiento orgánico de su negocio es aún más valioso. Cuando se lance oficialmente el mecanismo de incentivos de tokens, la participación en la red se acelerará como una parte clave del efecto del volante DePAI: los usuarios pueden obtener incentivos del equipo del proyecto cuando compren dispositivos de hardware Reborn (colectores ReboCap), y las empresas de investigación y desarrollo de robots pagarán recompensas de contribución a los titulares de ReboCap, y este doble incentivo impulsará a más personas a comprar y usar dispositivos ReboCap. Al mismo tiempo, el equipo del proyecto incentivará dinámicamente la recopilación de datos de comportamiento personalizados de alto valor, con el fin de cerrar de manera más efectiva la brecha tecnológica entre la simulación y las aplicaciones del mundo real (Sim2Real).
El volante DePAI de Reborn está en funcionamiento.
El "momento ChatGPT" en el campo de la robótica no será desencadenado por las propias empresas de robótica, ya que el despliegue de hardware es mucho más complejo que el de software. El crecimiento explosivo de la tecnología robótica está naturalmente limitado por el costo, la disponibilidad de hardware y la complejidad del despliegue, obstáculos que no existen en software puramente digital como ChatGPT.
El punto de inflexión para los robots humanoides no fue lo impresionante que era el prototipo, sino lo asequible que era el costo, como lo hizo cuando los teléfonos inteligentes o las computadoras eran comunes. Cuando los costos bajan, el hardware se convierte en el boleto de entrada, y la verdadera ventaja competitiva radica en los datos y modelos: específicamente, la escala, la calidad y la diversidad de la inteligencia de movimiento utilizada para entrenar las máquinas.
Conclusión
La revolución de las plataformas robóticas es imparable, pero como todas las plataformas, su desarrollo a gran escala es inseparable del soporte de datos. Reborn es una apuesta altamente apalancada de que las criptomonedas pueden llenar el vacío más crítico en la pila de robótica de IA: su solución de datos de robots, DePAI, es rentable, altamente escalable y modular. Si bien la robótica es la próxima frontera de la IA, Reborn está convirtiendo al público en general en "mineros" de datos de acción. Al igual que los grandes modelos de lenguaje deben ser compatibles con marcadores de texto, los robots humanoides deben entrenarse con secuencias de acción masivas. Con Reborn, romperemos el último cuello de botella y daremos el salto de la ciencia ficción a la realidad para los robots humanoides.
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
Robots humanoides + Activos Cripto: ¿Cómo construir el volante DePAI de Reborn?
Autor: brianbreslow, Hypersphere Ventures
Compilado por: Tim, PANews
Resumen ejecutivo
Los robots humanoides están pasando rápidamente de las obras de ciencia ficción a la realidad. La caída constante de los costos de hardware, el crecimiento sostenido de la inversión de capital y los avances tecnológicos en la flexibilidad de movimiento y la capacidad operativa, son tres factores que se están fusionando y impulsando activamente la próxima gran iteración de la plataforma en el campo de la computación.
A pesar de la creciente comercialización de la capacidad de cálculo y los dispositivos de hardware, que proporciona ventajas de bajo costo a la ingeniería robótica, la industria aún se ve limitada por el cuello de botella de los datos de entrenamiento.
Reborn es uno de los pocos proyectos que utiliza inteligencia artificial física descentralizada (DePAI) para obtener datos de movimiento y datos sintéticos de alta precisión a través de crowdsourcing, y construir modelos básicos de robots, lo que lo coloca en una posición única y favorable para impulsar el despliegue de robots humanoides. El proyecto está liderado por un equipo fundador con una sólida base técnica, cuyos miembros poseen experiencia en investigación académica y cargos de profesor en la Universidad de California, Berkeley, la Universidad de Cornell, la Universidad de Harvard y Apple, lo que refleja un alto nivel académico y una capacidad de ejecución en ingeniería en el mundo real.
Robots humanoides: de la ciencia ficción a aplicaciones de vanguardia
La comercialización de la robótica no es un concepto nuevo. Los robots domésticos, como el iRobot Roomba, que salió al mercado en 2002, o las cámaras para mascotas Kasa que han ganado popularidad en los últimos años, son dispositivos de función única. Con el desarrollo de la inteligencia artificial, los robots están evolucionando de máquinas de función única a formas multifuncionales, con el objetivo de adaptarse a las operaciones en entornos abiertos.
Los robots humanoides se actualizarán gradualmente en los próximos 5 a 15 años de tareas básicas como la limpieza y la cocina, hasta que finalmente puedan realizar trabajos complejos como servicios de recepción, extinción de incendios e incluso cirugías.
El desarrollo reciente está convirtiendo los robots humanoides de la ciencia ficción en una realidad.
Dinámica del mercado: más de 100 empresas están posicionándose en el campo de los robots humanoides (como Tesla, Yushutech, Figure AI, Clone, Agile, etc.).
La tecnología de hardware ha superado con éxito el valle inquietante: la nueva generación de robots humanoides muestra movimientos naturales y fluidos, lo que les permite interactuar de manera similar a los humanos en entornos reales. Entre ellos, el Utree H1 puede alcanzar una velocidad de caminata de hasta 3.3 metros por segundo, muy por encima de la velocidad promedio de 1.4 metros por segundo de los humanos.
(Nota: La teoría del valle inquietante (The Uncanny Valley) es una teoría psicológica que describe la respuesta emocional de los humanos hacia entidades no humanas, como robots, muñecos, imágenes virtuales, etc.)
Nuevo paradigma de costos para robots humanoides: se espera que sean inferiores a los niveles salariales de la mano de obra en EE.UU. para 2032.
Cuello de botella en el desarrollo: datos de entrenamiento del mundo real
A pesar de los claros factores favorables en el campo de los robots humanoides, la baja calidad de los datos y la falta de estos siguen obstaculizando su implementación a gran escala.
Otras tecnologías de inteligencia artificial, como la conducción autónoma, han resuelto fundamentalmente los problemas de datos mediante cámaras y sensores instalados en vehículos existentes. Tomando como ejemplo los sistemas de conducción autónoma de Tesla y Waymo, estas flotas pueden generar miles de millones de millas de datos de conducción en carretera reales. En esta etapa de desarrollo, Waymo equipó a sus vehículos con un supervisor humano en el asiento del pasajero para entrenamiento en tiempo real.
Sin embargo, es poco probable que los consumidores acepten la existencia de "niñeras robots". Los robots deben tener un alto rendimiento listo para usar, lo que hace que la recopilación de datos antes de la implementación sea crucial. Todo el entrenamiento debe completarse antes de la producción comercial, y la escala y calidad de los datos siguen siendo un problema persistente.
A pesar de que cada modo de entrenamiento tiene su propia unidad de escala (por ejemplo, los modelos de lenguaje grandes utilizan tokens, los generadores de imágenes utilizan pares de video-texto, y la robótica utiliza fragmentos de movimiento), la comparación a continuación revela claramente la disparidad de magnitud que enfrenta la disponibilidad de datos en robótica:
Los datos de entrenamiento de GPT-4 superan los 150 billones de tokens de texto.
Midjourney y Sora utilizan miles de millones de pares de texto de video etiquetados.
En comparación, el conjunto de datos de robots más grande contiene solo alrededor de 2.4 millones de registros de interacción.
Esta brecha explica por qué la tecnología robótica aún no ha logrado un modelo fundamental real como lo han hecho los grandes modelos de lenguaje, y la clave radica en que la base de datos aún no está completa.
Los métodos tradicionales de recopilación de datos son difíciles de satisfacer la demanda de escalabilidad de los datos de entrenamiento para robots humanoides. Los métodos existentes incluyen:
Simulación: bajo costo pero falta de escenarios de límites reales (la brecha entre simulación y realidad)
Video en Internet: No se puede proporcionar la experiencia de cuerpo y el entorno de retroalimentación necesaria para el aprendizaje de robots.
Datos del mundo real: aunque son precisos, requieren control remoto y operaciones manuales en bucle cerrado, lo que resulta en altos costos (más de 40,000 dólares por robot) y falta de escalabilidad.
Entrenar modelos en un entorno virtual es barato y escalable, pero estos modelos a menudo enfrentan dificultades al ser desplegados en el mundo real. Este problema se conoce como la brecha entre lo virtual y lo real (Sim2Real).
Por ejemplo, un robot entrenado en un entorno simulado puede recoger fácilmente objetos con iluminación perfecta y superficies lisas, pero cuando se enfrenta a un entorno desordenado, texturas irregulares, o a diversas situaciones inesperadas que los humanos consideran comunes en el mundo real, a menudo se queda sin opciones.
Reborn ofrece un método económico y rápido para la recopilación de datos del mundo real, lo que ayuda a mejorar el entrenamiento de robots y a resolver el problema de "la brecha de simulación a realidad" (Sim2Real).
Reborn: la visión de pila completa de la IA descentralizada
Reborn está construyendo una plataforma de software y datos de integración vertical orientada a aplicaciones de robots inteligentes corporales. El objetivo principal de la empresa es resolver el problema del cuello de botella de datos en el campo de los robots humanoides, pero su visión va mucho más allá. A través de la investigación y desarrollo autónomo de hardware, la infraestructura de simulación multimodal y la combinación de modelos base, Reborn se convertirá en un conductor de pila completa para lograr la inteligencia corporal.
La plataforma Reborn se basa en el dispositivo de captura de movimiento de consumo exclusivo "ReboCap" para construir un ecosistema de juegos de realidad aumentada y virtual en rápida expansión. Los usuarios intercambian datos de movimiento de alta fidelidad por recompensas de incentivos en línea, impulsando el desarrollo continuo de la plataforma. Actualmente, Reborn ha vendido más de 5000 dispositivos ReboCap, con 160,000 usuarios activos mensuales, y ha establecido un camino de crecimiento claro para superar los 2 millones de usuarios a finales de año.
Reborn tiene una eficiencia de recolección de datos que supera ampliamente a otras soluciones.
Lo notable es que este crecimiento proviene completamente del desarrollo natural: los usuarios son atraídos por el entretenimiento del juego en sí, mientras que los streamers utilizan ReboCap para lograr la captura en tiempo real de sus imágenes digitales. Este ciclo virtuoso que se forma de manera espontánea logra una producción de datos escalable, de bajo costo y de alta fidelidad, convirtiendo el conjunto de datos Reborn en un recurso de entrenamiento que las principales empresas de robótica compiten por adoptar.
La segunda capa de la pila de software de ReBorn es Roboverse: una plataforma de datos multimodal que unifica un entorno de simulación fragmentado. El panorama actual de la simulación está muy fragmentado, con herramientas como Mujoco y NVIDIA Isaac Lab que trabajan en silos, cada una con sus propias fortalezas pero no interoperables. Esta fragmentación ralentiza el proceso de investigación y desarrollo y exacerba la brecha entre la simulación y la realidad. Roboverse ha creado una infraestructura virtual compartida para desarrollar y evaluar modelos de robots mediante la estandarización en múltiples simuladores. Esta integración admite una evaluación comparativa consistente, lo que mejora en gran medida la escalabilidad y generalización del sistema.
Roboverse ha logrado una colaboración sin fisuras. El primero recopila datos del mundo real a gran escala, mientras que el segundo construye un entorno de simulación que impulsa el entrenamiento de modelos, y ambos juntos muestran la verdadera fuerza de la red de inteligencia física distribuida Reborn. Esta plataforma está creando un ecosistema de desarrolladores de inteligencia artificial física que va más allá de la simple adquisición de datos, extendiendo sus funciones al despliegue de modelos reales y al ámbito de licencias comerciales.
Modelo básico Reborn
Quizás el componente más crítico de la pila de tecnología Reborn es el modelo base Reborn (RFM). Como uno de los primeros modelos básicos para la robótica, este modelo se está incorporando al sistema central de la infraestructura física de IA emergente. Su posicionamiento es similar al de los modelos tradicionales de base de grandes lenguajes, como GPT-4 de OpenAI o Llama de Meta, pero para el campo de la robótica.
Reborn stack tecnológico
Los tres componentes principales de la pila tecnológica Reborn (la plataforma de datos ReboCap, el sistema de simulación Roboverse y el mecanismo de licencia de modelos RFM) forman un sólido foso integrado verticalmente. Al combinar datos de movimiento de colaboración colectiva con un potente sistema de simulación y un sistema de autorización de modelos, Reborn es capaz de entrenar un modelo básico con la capacidad de generalizar en todos los escenarios. El modelo puede soportar aplicaciones robóticas diversificadas en los campos industrial, de consumo y de investigación, y realizar el despliegue generalizado de datos masivos y diversos.
Reborn está promoviendo activamente el proceso de comercialización de su tecnología, lanzando proyectos piloto de pago con Galbot y Noematrix, y estableciendo asociaciones estratégicas con Unitree, Booster Robotics, Swiss Mile y Agile Robots. El mercado de robots humanoides en China está experimentando un rápido crecimiento, representando aproximadamente el 32.7% del mercado global. Es notable que YuShu Technology tiene más del 60% de participación en el mercado global de robots cuadrúpedos y es uno de los seis fabricantes chinos que planean producir más de 1000 unidades (robots humanoides) para 2025.
El papel de la tecnología de criptomonedas en la pila de tecnología de inteligencia artificial física
La tecnología blockchain está construyendo una pila vertical completa de inteligencia artificial para el mundo físico.
Reborn es un proyecto de criptomonedas de inteligencia artificial encarnada líder.
Aunque estos proyectos pertenecen a diferentes niveles de la pila de inteligencia artificial física, tienen un punto en común: todos son proyectos DePAI al cien por cien. DePAI crea un mecanismo de expansión abierto, combinable y sin permisos a través de incentivos de tokens a lo largo de toda la pila tecnológica, y es esta innovación la que hace que el desarrollo descentralizado de la inteligencia artificial física sea una realidad.
Reborn aún no ha emitido tokens, y el crecimiento orgánico de su negocio es aún más valioso. Cuando se lance oficialmente el mecanismo de incentivos de tokens, la participación en la red se acelerará como una parte clave del efecto del volante DePAI: los usuarios pueden obtener incentivos del equipo del proyecto cuando compren dispositivos de hardware Reborn (colectores ReboCap), y las empresas de investigación y desarrollo de robots pagarán recompensas de contribución a los titulares de ReboCap, y este doble incentivo impulsará a más personas a comprar y usar dispositivos ReboCap. Al mismo tiempo, el equipo del proyecto incentivará dinámicamente la recopilación de datos de comportamiento personalizados de alto valor, con el fin de cerrar de manera más efectiva la brecha tecnológica entre la simulación y las aplicaciones del mundo real (Sim2Real).
El volante DePAI de Reborn está en funcionamiento.
El "momento ChatGPT" en el campo de la robótica no será desencadenado por las propias empresas de robótica, ya que el despliegue de hardware es mucho más complejo que el de software. El crecimiento explosivo de la tecnología robótica está naturalmente limitado por el costo, la disponibilidad de hardware y la complejidad del despliegue, obstáculos que no existen en software puramente digital como ChatGPT.
El punto de inflexión para los robots humanoides no fue lo impresionante que era el prototipo, sino lo asequible que era el costo, como lo hizo cuando los teléfonos inteligentes o las computadoras eran comunes. Cuando los costos bajan, el hardware se convierte en el boleto de entrada, y la verdadera ventaja competitiva radica en los datos y modelos: específicamente, la escala, la calidad y la diversidad de la inteligencia de movimiento utilizada para entrenar las máquinas.
Conclusión
La revolución de las plataformas robóticas es imparable, pero como todas las plataformas, su desarrollo a gran escala es inseparable del soporte de datos. Reborn es una apuesta altamente apalancada de que las criptomonedas pueden llenar el vacío más crítico en la pila de robótica de IA: su solución de datos de robots, DePAI, es rentable, altamente escalable y modular. Si bien la robótica es la próxima frontera de la IA, Reborn está convirtiendo al público en general en "mineros" de datos de acción. Al igual que los grandes modelos de lenguaje deben ser compatibles con marcadores de texto, los robots humanoides deben entrenarse con secuencias de acción masivas. Con Reborn, romperemos el último cuello de botella y daremos el salto de la ciencia ficción a la realidad para los robots humanoides.