الملخص التنفيذي

تنتقل الروبوتات البشرية العامة بسرعة من الخيال العلمي إلى الواقع التجاري. تتقارب تكاليف الأجهزة المتناقصة، وارتفاع الاستثمارات الرأسمالية، والتقدم في الحركة والمهارة لدفع التحول الرئيسي التالي في منصات الحوسبة.

بينما أصبحت الحوسبة والأجهزة متاحة بشكل متزايد، مما يوفر دفعًا منخفض التكلفة لهندسة الروبوتات، لا يزال القطاع مقيدًا بعقبة بيانات التدريب.

Reborn هو واحد من المشاريع القليلة التي تستفيد من الذكاء الاصطناعي المادي اللامركزي (DePAI) لجمع بيانات الحركة الدقيقة والبيانات الاصطناعية، وبناء نماذج أساسية روبوتية، مما يجعله في موقع فريد لتحفيز نشر الروبوتات البشرية. يقود المشروع فريق مؤسسين تقنيين عميقين بخلفيات بحثية وأكاديمية في جامعة كاليفورنيا في بيركلي، كورنيل، هارفارد، وآبل، مما يجمع بين التميز الأكاديمي والتنفيذ الهندسي في العالم الحقيقي.

الهجينة: من الخيال إلى الخطوط الأمامية

الروبوتات التجارية ليست مفهومًا جديدًا. معظم الناس على دراية بمنتجات مثل مكنسة iRobot Roomba، التي ظهرت في عام 2002، أو الروبوتات المنزلية الأكثر حداثة مثل كاميرا الحيوانات الأليفة من Kasa. كلاهما مصمم لأغراض محددة. بمساعدة الذكاء الاصطناعي، تتطور الروبوتات من آلات ذات غرض واحد إلى آلات متعددة الأغراض، مصممة للعمل في بيئات غير منظمة.

ستتقدم الروبوتات البشرية من المهام الأساسية مثل التنظيف والطهي إلى خدمات الكونسيرج، ومكافحة الحرائق، وحتى الجراحة خلال السنوات الخمس إلى الخمس عشرة القادمة.

التطورات الأخيرة تحول الروبوتات البشرية من الخيال العلمي إلى الواقع.

• توسع السوق: أكثر من 100 شركة تبني إنسانًا آليًا (مثل تسلا، يونيتر، فيغور، كلون، أجايل، إلخ).
• تكنولوجيا الأجهزة قد عبرت وادي الخوف: الروبوتات البشرية الجديدة تظهر حركة سلسة وطبيعية، مما يتيح تفاعلات شبيهة بالبشر في البيئات الواقعية. يمشي نموذج H1 من Unitree أسرع من متوسط الإنسان (3.3 م/ث مقابل 1.4 م/ث).
• نموذج جديد لتكاليف العمل: من المتوقع أن تقوم الروبوتات البشرية بخفض الأجور في الولايات المتحدة بحلول عام 2032.

العائق: بيانات التدريب في العالم الحقيقي

على الرغم من وجود عوامل مساعدة واضحة لروبوتات البشر، فإن النشر الجماعي لا يزال معوقًا بجودة البيانات وندرتها.

واجهت تجسيدات الذكاء الاصطناعي الأخرى، مثل القيادة الذاتية، بشكل كبير مشكلة البيانات عبر الكاميرات وأجهزة الاستشعار الموجودة على المركبات الحالية. في حالة القيادة الذاتية (مثل تسلا، وايمو)، تستطيع هذه الأساطيل توليد مليارات الأميال من بيانات القيادة في العالم الحقيقي. كانت وايمو قادرة على وضع سياراتها على الطريق للتدريب في الوقت الحقيقي مع "مربية" بشرية في مقعد الراكب خلال هذه المرحلة.

ومع ذلك، من غير المحتمل أن يتحمل المستهلكون وجود "مربية آلية". يجب أن تكون الروبوتات فعالة من اللحظة الأولى، مما يجعل جمع البيانات قبل النشر أمرًا أساسيًا. يجب أن يتم التدريب قبل الإنتاج التجاري، حيث تظل scale وجودة البيانات قضايا.

بينما لكل نمط تدريبي وحدته الخاصة من القياس (مثل الرموز لـ LLMs، أزواج الفيديو والنص لمولدات الصور، وحلقات الحركة للروبوتات)، تسلط المقارنة أدناه الضوء على الفجوة الكبيرة في توفر البيانات التي تتنافس عليها بيانات الروبوتات:

• تم تدريب GPT-4 على أكثر من 15 تريليون رمز نصي
• تستفيد Midjourney/Sora من مليارات من أزواج الفيديو والنصوص المعلّمة
• في المقابل، تحتوي أكبر مجموعات بيانات الروبوتات على حوالي 2.4 مليون حلقة

توضح هذه الفجوة لماذا لم تحقق الروبوتات بعد نموذجًا أساسيًا حقيقيًا بنفس الطريقة التي حققتها بها LLMs. البيانات ببساطة غير موجودة بعد.

طرق جمع البيانات التقليدية لا تتناسب مع بيانات تدريب الروبوتات الشبيهة بالبشر. تشمل الطرق الحالية:

• المحاكاة: رخيصة ولكن تفتقر إلى حالات الحافة في العالم الحقيقي (فجوة Sim2Real)
• فيديو الإنترنت: لا يحتوي على السياق الخاص بالإحساس الحركي أو ردود الفعل القوية اللازمة لتعلم الروبوت
• بيانات العالم الحقيقي: دقيقة، ولكنها تتطلب التشغيل عن بُعد وإنسانًا في الحلقة، مما يكلف الكثير (أكثر من 40 ألف دولار لكل روبوت) ويفتقر إلى قابلية التوسع.

التدريب في البيئات الافتراضية غير مكلف وقابل للتوسع، ولكن النماذج غالبًا ما تواجه صعوبة عند نشرها في العالم الحقيقي. تُعرف هذه المشكلة بفجوة Sim2Real.

على سبيل المثال، قد ينجح الروبوت المدرب في المحاكاة في التقاط الأشياء في ظروف إضاءة مثالية والأسطح المستوية، ولكنه يفشل عند مواجهة بيئات مزدحمة أو textures غير متساوية أو أوضاع غير مثالية اعتاد عليها البشر في العالم المادي.

Reborn يوفر وسيلة لجمع البيانات من العالم الحقيقي بتكلفة منخفضة وسرعة، مما يمكّن من تدريب الروبوتات بشكل قوي وحل فجوة Sim2Real.

Reborn: رؤية شاملة للذكاء الاصطناعي المادي اللامركزي

Reborn تبني منصة برمجيات وبيانات متكاملة عمودياً للذكاء الاصطناعي الفيزيائي. في جوهرها، تقوم Reborn بحل عنق الزجاجة الخاص بالبيانات في الروبوتات الشبيهة بالبشر، ولكن طموحها يمتد بعيدًا عن ذلك. من خلال مزيج من الأجهزة المملوكة، وبنية تحتية لمحاكاة متعددة الأنماط، وتطوير نماذج أساسية، تصبح Reborn ممكنًا كاملاً للذكاء المجسد.

تبدأ مجموعة Reborn بـ "ReboCap", جهاز التقاط الحركة المخصص للمستهلك. هذا يدعم نظام ألعاب AR/VR المتنامي بسرعة، حيث يقوم المستخدمون بتوليد بيانات حركة عالية الدقة مقابل حوافز الشبكة. باع Reborn أكثر من 5000 وحدة ReboCap ويدعم الآن 160,000 مستخدم نشط شهريًا (MAUs)، مع مسار واضح نحو مليوني مستخدم بحلول نهاية العام.

Reborn يتيح جمع البيانات بتكاليف أفضل بكثير من الطرق البديلة

من المدهش أن هذا النمو كان عضويًا: المستخدمون ينشدون قيمة الترفيه من الألعاب نفسها، بينما يتبنى البث المباشر ReboCap لتحريك الصور الرمزية الرقمية بتتبع الجسم في الوقت الحقيقي. هذه الحلقة من التفاعل العضوي تدعم توليد بيانات قابلة للتوسع ومنخفضة التكلفة وعالية الدقة، مما يجعل مجموعة بيانات Reborn مصدر تدريب قيمًا لشركات الروبوتات الرائدة.

الطبقة الثانية من مجموعة برمجيات Reborn هيروبوفيرس, منصة بيانات متعددة الاستخدامات توحد بيئات المحاكاة المجزأة. إن مشهد المحاكاة اليوم مجزأ للغاية، على سبيل المثال، تقدم أدوات مثل Mujoco وNVIDIA Isaac Lab نقاط قوة مختلفة لكنها تفتقر إلى التوافق. إن هذه التجزئة تبطئ من التقدم وتزيد من فجوة Sim2Real. تعالج Roboverse هذه المشكلة من خلال وضع معايير عبر المحاكيات، مما يخلق بنية تحتية افتراضية مشتركة لتطوير وتقييم نماذج الروبوتات. يسمح هذا التكامل بإجراء تقييمات متسقة، مما يحسن من قابلية التوسع والعمومية.

معًا، تشكل ReboCap و Roboverse أساس منصة Reborn الشاملة. حيث تقوم الأولى بالتقاط البيانات من العالم الحقيقي على نطاق واسع، بينما تنظم الثانية بيئات المحاكاة لتدريب النماذج. تُظهر هذه المقاربة المتكاملة القوة الحقيقية لشبكة DePAI الخاصة بـ Reborn. إنها تبني منصة للمطورين في مجال PAI تمتد إلى ما هو أبعد من مجرد اكتساب البيانات، إلى نشر النماذج والترخيص الفعلي.

نموذج مؤسسة ريبورن

ربما تكون المكون الأكثر أهمية في مجموعة برمجيات Reborn هو نموذج المؤسسة Reborn (RFM). تقوم Reborn ببناء واحد من أول نماذج المؤسسة للروبوتات، مصمم ليكون البنية التحتية الأساسية لمجال PA الناشئ. فكر في نماذج المؤسسة التقليدية لنماذج اللغة الكبيرة، مثل o4 من OpenAI أو Llama من Meta، ولكن للروبوتات.

تقنية إعادة الميلاد

تجمع العناصر الثلاثة الرئيسية في مجموعة Reborn (ReboCap و Roboverse و RFM) ، مما يخلق خندقًا قويًا متكاملًا رأسيًا لـ Reborn. من خلال دمج بيانات الحركة المستمدة من الجمهور مع المحاكاة القوية وترخيص النماذج ، يمكن لـ Reborn تدريب النماذج بالحجم والتنوع اللازمين للتعميم عبر حالات الاستخدام. والنتيجة هي نموذج أساسي يدعم التطبيقات اللاحقة في مجموعة واسعة من حالات الاستخدام ، بما في ذلك الروبوتات الصناعية والاستهلاكية والبحثية.

تقوم شركة Reborn بتسويق تقنيتها بنشاط، حيث أطلقت تجارب مدفوعة مع Galbot و Noematrix وأقامت شراكات استراتيجية مع Unitree و Booster Robotics و Swiss Mile و Agile Robots. يشهد سوق الروبوتات البشرية في الصين نمواً سريعاً، حيث يمثل حوالي 32.7% من السوق العالمية. ومن الجدير بالذكر أن Unitree تمتلك أكثر من 60% من سوق الروبوتات الرباعية في العالم وهي من بين ست شركات صينية مصنعة للروبوتات البشرية التي تخطط لإنتاج أكثر من 1,000 وحدة في عام 2025.

دور مجال العملات الرقمية في البنية التحتية للذكاء الاصطناعي المادي

مجال العملات الرقمية يمكّن التكديس العمودي الكامل للذكاء الاصطناعي المادي.

Reborn هو مشروع رائد في مجال العملات الرقمية للذكاء الاصطناعي المتجسد

بينما تجلس كل هذه المشاريع في أجزاء مختلفة من مجموعة الذكاء الاصطناعي المادي، إلا أن جميعها تشترك في شيء واحد: 100% منها مشاريع DePAI! تجعل DePAI الذكاء الاصطناعي المادي اللامركزي ممكنًا من خلال ضمان التوسع المفتوح والقابل للتجميع وغير المقيد عبر حوافز الرموز عبر المجموعة.

إن حقيقة أن Reborn لم تطلق رمزًا بعد تجعل نموها العضوي أكثر إثارة للإعجاب. بمجرد أن تبدأ الحوافز الرمزية، من المتوقع أن يتسارع المشاركة في الشبكة كجزء من عجلة DePAI: تقوم Reborn بإصدار حوافز للحصول على الأجهزة الخاصة بها (ReboCap)، وتدفع شركات الروبوتات لمالكي ReboCap مقابل مساهماتهم، مما يشجع المزيد من الناس على شراء واستخدام ReboCap. ستقوم Reborn أيضًا بتحفيز سلوكيات الحالات الطرفية عالية القيمة ديناميكيًا - لضمان تغطية أفضل لفجوة Sim2Real.

دوران DePAI في Reborn قيد العمل

كل شيء يتعلق بالبيانات

لن تأتي لحظة "تشات جي بي تي" في مجال الروبوتات من شركات الروبوتات نفسها لأن الأجهزة أصعب بكثير في النشر مقارنة بالبرمجيات. الفيروسية في مجال الروبوتات مقيدة بطبيعتها بالتكلفة وتوافر الأجهزة وتعقيدات اللوجستيات. هذه العوامل غائبة في البرمجيات الرقمية البحتة مثل تشات جي بي تي.

ستأتي النقطة الفاصلة في الروبوتات البشرية ليس عندما تثير النماذج الأولية الإعجاب، ولكن عندما تنخفض التكاليف بما يكفي لتبنيها على نطاق واسع - كما هو الحال مع الهواتف الذكية أو أجهزة الكمبيوتر الشخصية. عندما تنخفض التكاليف، تصبح الأجهزة متطلبات أساسية. ستكون الميزة التنافسية الحقيقية في البيانات والنماذج. بشكل خاص، في حجم وجودة وتنوع ذكاء الحركة المستخدم لتدريب هذه الآلات.

الخاتمة

تحول منصة الروبوتات أمر لا مفر منه، ولكن مثل جميع المنصات، تحتاج إلى بيانات للتوسع. ري بورن هو رهان ذو رافعة مالية عالية على أن مجال العملات الرقمية يمكن أن يملأ الفجوة الأكثر حدة في مجموعة الروبوتات الذكية. DePAI لبيانات الروبوتات فعّالة من حيث التكلفة، قابلة للتوسع، وقابلة للتكوين. في عالم تكون فيه الروبوتات الحدود التالية للذكاء الاصطناعي، ري بورن هو ما يعادل تحويل البشر العاديين إلى "عمال المناجم" لبيانات الحركة. كما تحتاج نماذج اللغة الكبيرة إلى رموز نصية، تحتاج الروبوتات البشرية إلى حلقات حركة. ري بورن هو الطريقة التي نفتح بها واحدة من آخر الاختناقات المتبقية في تحويل الروبوتات البشرية من الخيال العلمي إلى الواقع.

إخلاء المسؤولية:

1. هذه المقالة مُعاد نشرها من [hypersphere_]. جميع حقوق الطبع والنشر تعود للكاتب الأصلي [hypersphere_]. إذا كانت هناك اعتراضات على هذا النسخ، يرجى الاتصال بـبوابة التعلم فريق، وسوف يتعاملون مع ذلك على الفور.
2. إخلاء المسؤولية: الآراء والأفكار المعبر عنها في هذه المقالة هي فقط آراء الكاتب ولا تشكل أي نصيحة استثمارية.
3. ترجمات المقال إلى لغات أخرى تتم بواسطة فريق Gate Learn. ما لم يُذكر، فإن نسخ أو توزيع أو سرقة المقالات المترجمة محظور.