ロボティクスにおける最大のボトルネックの一つはデータであり、DePINはそれに対する最良の解決策かもしれません。

物理的なAIエージェントのトレーニングには、大量の現実世界のデータが必要ですが、そのデータは非常に不足しており、高価で、大規模に収集するには時間がかかります。

フォールバック？シミュレーション環境。

それらは安くて、速くて、安全です。しかし、それらは悪名高い「シムから現実へのギャップ」に直接つながります。

シミュレーションで訓練されたロボットは、実際の物理学や実際の知覚の混沌が不足しているため、実世界でしばしば失敗します。

-摩擦
- サーフェスのバリエーション
- センサー雑音
- グレア、照明、変形

だからこそ、DePINが物理的AIのための重要なインフラ層になる可能性があると私は信じています。

テスラ、フィギュア、アプトロニックなどの主要なロボティクス企業は、最も知能の高いヒューマノイドエージェントを構築するために競争しています。

しかし、彼らは同じ障害に直面しています：スケーラブルで高品質なリアルワールドのトレーニングデータへのアクセスです。1兆ドルのレースでは、データボトルネックを最初に解決した者がすべてを勝ち取る可能性があります。

従来、中央集権的なインフラを通じてデータを収集することは、資本集約的で遅いものでした。しかし、暗号ネイティブなインセンティブを使用することで、DePINはそのモデルをひっくり返します:

- 大規模に低コストのハードウェアを展開する
- トークンを通じて貢献者をインセンティブする
- 機械のための許可不要のグローバルセンサー層を構築する

これは理論的な話ではなく、すでに起こっています。

- @silencioNetwork – スマートフォンを通じて環境音データをクラウドソーシングしている；潜在的に「ロボティクスの耳」

- @OVRtheReality – スマートフォンカメラを通じたゲーム化されたデータキャプチャ、ロボティクスの認識のための視覚環境のマッピング

- @NATIXNetwork – 自律システムのための貴重な実世界の運転データを収集するドライバーのグローバルネットワーク

- @reborn_agi – 人型ロボティクスを専門にした最初の企業の一つであり、自社のハードウェアを通じて動作データを収集し、内部モデルをトレーニングしています。

- @BitRobotNetwork – モジュラーでインセンティブのあるロボティクスネットワーク (ロボティクスのためのBittensorを考えて)、Frodobotsのような実世界のロボティクスの課題を解決するサブネットを持っています。

DePINはロボティクスデータのボトルネックを機会に変えます。

そして、その機会は今です。

エリートロボティクスの取引へのアクセスが制限され、制度化された世界において、DePINは、世代に一度の変革への意味のあるエクスポージャーを得るための最良の手段かもしれません。それは、今日私たちが知っている世界を完全に変える次のiPhoneの瞬間です。