Những thách thức kỹ thuật và tương lai của DePIN và thể hiện trí thông minh

! Những thách thức kỹ thuật và tương lai của DePIN và trí thông minh thể hiện

Vào ngày 27 tháng 2, Messari đã tổ chức một podcast về "Xây dựng AI vật lý phi tập trung" với Michael Cho, đồng sáng lập FrodoBot Lab. Họ đã trò chuyện về những thách thức và cơ hội của các mạng cơ sở hạ tầng vật lý phi tập trung (DePIN) trong robot. Mặc dù vẫn còn trong giai đoạn trứng nước, lĩnh vực này có tiềm năng lớn để cách mạng hóa cách thức hoạt động của các bot AI trong thế giới thực. Tuy nhiên, không giống như AI truyền thống, dựa trên một lượng lớn dữ liệu internet, công nghệ AI robot DePIN phải đối mặt với các vấn đề phức tạp hơn, chẳng hạn như thu thập dữ liệu, hạn chế phần cứng, tắc nghẽn đánh giá và tính bền vững của mô hình kinh tế.

Trong bài viết hôm nay, chúng tôi sẽ chia nhỏ những điểm chính trong cuộc thảo luận này, xem xét các vấn đề mà robot DePIN gặp phải, những rào cản chính đối với việc mở rộng quy mô bot phi tập trung là gì và tại sao DePIN lại có lợi hơn các phương pháp tập trung. Cuối cùng, chúng ta sẽ khám phá tương lai của robot DePIN để xem liệu chúng ta có đang trên bờ vực của một "khoảnh khắc ChatGPT" cho robot DePIN hay không.

Nút cổ chai của robot thông minh DePIN ở đâu?

Khi Michael Cho lần đầu tiên bắt đầu làm việc trên FrodoBot, vấn đề đau đầu nhất của ông là chi phí robot. Giá của robot thương mại trên thị trường cao một cách lố bịch, điều này gây khó khăn cho việc thúc đẩy các ứng dụng AI trong thế giới thực. Giải pháp ban đầu của ông là chế tạo một robot tự trị chi phí thấp có giá chỉ 500 đô la, dự định giành chiến thắng với giá rẻ hơn hầu hết các dự án hiện có.

Nhưng khi anh và nhóm của mình làm việc sâu hơn, Michael nhận ra rằng chi phí không thực sự là nút cổ chai. Những thách thức của mạng cơ sở hạ tầng vật lý phi tập trung (DePIN) trong robot phức tạp hơn nhiều so với "đắt hay không". Khi FrodoBotLab tiếp tục phát triển, nhiều nút thắt cổ chai trong robot DePIN đang xuất hiện. Để đạt được triển khai quy mô lớn, các nút thắt sau đây phải được khắc phục.

Nút cổ chai 1: Dữ liệu

Không giống như các mô hình AI 'trực tuyến' lớn được đào tạo trên một lượng lớn dữ liệu internet, AI thể hiện (AI) yêu cầu tương tác với thế giới thực để phát triển trí thông minh. Vấn đề là không có cơ sở quy mô lớn như vậy trên thế giới và không có sự đồng thuận về cách thu thập dữ liệu này. Thu thập dữ liệu cho AI thể hiện có thể được nhóm thành ba loại lớn sau:

▎Danh mục đầu tiên là ** dữ liệu hoạt động của con người **, là dữ liệu được tạo ra khi con người điều khiển robot bằng tay. Loại dữ liệu này có chất lượng cao và ghi lại các luồng video và thẻ chuyển động — nghĩa là những gì con người nhìn thấy và cách họ phản ứng phù hợp. Đây là cách hiệu quả nhất để đào tạo AI bắt chước hành vi của con người, nhưng nó có nhược điểm là tốn kém và tốn nhiều công sức.

▎Loại thứ hai là ** dữ liệu tổng hợp ** (dữ liệu mô phỏng), rất hữu ích cho việc huấn luyện robot di chuyển trong địa hình phức tạp, chẳng hạn như huấn luyện robot đi bộ trên mặt đất gồ ghề, rất hữu ích cho một số lĩnh vực chuyên ngành. Nhưng đối với một số nhiệm vụ đa dạng nhất, chẳng hạn như nấu ăn, mô phỏng một môi trường không tốt lắm. Chúng ta có thể tưởng tượng tình huống huấn luyện robot chiên trứng: những thay đổi nhỏ về loại chảo, nhiệt độ dầu, điều kiện phòng có thể ảnh hưởng đến kết quả và môi trường ảo khó có thể bao quát tất cả các cảnh.

▎ Loại thứ ba là ** học video **, đó là cho phép mô hình AI học bằng cách quan sát các video trong thế giới thực. Mặc dù cách tiếp cận này có tiềm năng, nhưng nó thiếu phản hồi tương tác trực tiếp vật lý thực sự cần thiết cho trí thông minh.

Nút thắt cổ chai 2: Mức độ tự chủ

Michael đề cập rằng khi anh lần đầu tiên thử nghiệm FrodoBot trong thế giới thực, nó chủ yếu sử dụng robot để giao hàng chặng cuối. Theo thống kê, kết quả thực sự khá tốt – robot đã hoàn thành thành công 90% nhiệm vụ giao hàng. Nhưng tỷ lệ thất bại 10% trong cuộc sống thực là không thể chấp nhận được. Một robot thất bại sau mỗi 10 lần giao hàng đơn giản là không thương mại. Cũng giống như công nghệ lái xe tự động, lái xe tự động có thể có kỷ lục 10.000 lần lái xe thành công, nhưng một thất bại là đủ để đánh bại niềm tin của người tiêu dùng thương mại.

Do đó, để robot thực sự hữu ích, tỷ lệ thành công cần phải gần 99,99% hoặc thậm chí cao hơn. Nhưng vấn đề là để cải thiện độ chính xác 0,001%, cần có thời gian và công sức theo cấp số nhân. Nhiều người đánh giá thấp độ khó của bước cuối cùng này.

Michael nhớ lại rằng khi anh ngồi trong nguyên mẫu xe tự lái của Google vào năm 2015, anh cảm thấy rằng lái xe hoàn toàn tự động đang trên bờ vực trở thành hiện thực. Mười năm sau, chúng tôi vẫn đang tranh luận khi nào Cấp độ 5 sẽ hoàn toàn tự chủ. Những tiến bộ trong robot không phải là tuyến tính, mà là theo cấp số nhân về bản chất - với mỗi bước tiến về phía trước, độ khó tăng lên đáng kể. Tỷ lệ chính xác 1% cuối cùng này có thể mất nhiều năm hoặc thậm chí nhiều thập kỷ để đạt được.

Nút thắt cổ chai 3: Phần cứng: Một mình AI không thể giải quyết vấn đề robot

Lùi lại một bước, ngay cả với các mô hình AI tốt nhất, phần cứng robot hiện tại vẫn chưa sẵn sàng cho quyền tự chủ thực sự. Ví dụ, vấn đề bị bỏ qua nhiều nhất trong phần cứng là thiếu cảm biến xúc giác - những công nghệ tốt nhất hiện tại, chẳng hạn như nghiên cứu của Meta AI, không ở đâu gần độ nhạy của đầu ngón tay con người. Con người tương tác với thế giới thông qua thị giác và xúc giác, trong khi robot biết rất ít về kết cấu, độ bám và phản hồi áp lực.

Ngoài ra còn có vấn đề tắc nghẽn - khi một vật thể bị chặn một phần, robot khó nhận ra và tương tác với nó. Và con người có thể hiểu một cách trực giác một vật thể ngay cả khi họ không thể nhìn thấy toàn bộ nó.

Ngoài vấn đề nhận thức, bản thân bộ truyền động robot cũng có thiếu sót. Hầu hết các robot hình người đặt bộ truyền động của chúng trực tiếp trên khớp của chúng, khiến chúng cồng kềnh và có khả năng gây nguy hiểm. Ngược lại, cấu trúc gân của con người cho phép chuyển động mượt mà và an toàn hơn. Đó là lý do tại sao các robot hình người hiện tại trông cứng nhắc và không linh hoạt. Các công ty như Apptronik đang phát triển nhiều thiết kế thiết bị truyền động lấy cảm hứng từ sinh học hơn, nhưng những đổi mới này sẽ mất thời gian để trưởng thành.

Nút thắt cổ chai 4: Tại sao việc mở rộng phần cứng lại khó khăn như vậy?

Không giống như các mô hình AI truyền thống, chỉ dựa vào sức mạnh tính toán, việc triển khai robot thông minh đòi hỏi phải triển khai các thiết bị vật lý trong thế giới thực. Điều này đặt ra một thách thức đáng kể về vốn. Chế tạo robot rất tốn kém và chỉ những công ty lớn giàu nhất mới có thể đủ khả năng thực hiện các thí nghiệm quy mô lớn. Ngay cả những robot hình người hiệu quả nhất hiện nay cũng có giá hàng chục nghìn đô la, khiến việc áp dụng hàng loạt đơn giản là không thực tế.

Nút thắt cổ chai 5: Đánh giá hiệu quả

Đây là điểm nghẽn "vô hình". Nếu bạn nghĩ về nó, một mô hình AI trực tuyến lớn như ChatGPT có thể kiểm tra chức năng của nó gần như ngay lập tức - sau khi một mô hình ngôn ngữ mới được phát hành, các nhà nghiên cứu hoặc người dùng thông thường trên khắp thế giới có thể đưa ra kết luận về hiệu suất của nó trong vài giờ. Nhưng việc đánh giá AI vật lý đòi hỏi phải triển khai trong thế giới thực, mất thời gian.

Phần mềm Full Self-Driving (FSD) của Tesla là một ví dụ điển hình. Nếu Tesla ghi lại 1 triệu dặm mà không có tai nạn, điều đó có nghĩa là nó đã thực sự đạt đến quyền tự chủ cấp độ 5? Còn 10 triệu dặm thì sao? Vấn đề với trí thông minh robot là cách duy nhất để xác nhận nó là xem nơi cuối cùng nó thất bại, có nghĩa là triển khai quy mô lớn, dài hạn, thời gian thực.

Nút thắt cổ chai 6: Nhân lực

Một thách thức khác bị đánh giá thấp là lao động của con người vẫn không thể thiếu trong phát triển AI robot. Một mình AI là không đủ. Robot cần dữ liệu đào tạo từ người vận hành; Đội bảo trì giữ cho robot chạy; và các nhà nghiên cứu / nhà phát triển cần thiết để liên tục tối ưu hóa các mô hình AI. Không giống như các mô hình AI có thể được đào tạo trên đám mây, bot đòi hỏi sự can thiệp liên tục của con người - một thách thức lớn mà DePIN phải giải quyết.

Tương lai: Khi nào thời điểm ChatGPT cho robot sẽ đến?

Một số người tin rằng thời điểm ChatGPT cho robot đang đến. Michael có phần hoài nghi. Với những thách thức về phần cứng, dữ liệu và đánh giá, ông tin rằng AI robot đa năng vẫn còn lâu mới được áp dụng hàng loạt. Tuy nhiên, sự tiến bộ của robot DePIN mang lại một số hy vọng. Sự phát triển của robot nên được phân cấp và không được kiểm soát bởi một vài công ty lớn. Quy mô và sự phối hợp của một mạng lưới phi tập trung có thể phân tán gánh nặng vốn. Thay vì dựa vào một công ty lớn để trả tiền cho hàng ngàn robot, hãy đưa những cá nhân có thể đóng góp vào một mạng chia sẻ.

Để minh họa - đầu tiên và quan trọng nhất, DePIN tăng tốc độ thu thập và đánh giá dữ liệu. Thay vì chờ đợi một công ty triển khai một số lượng bot hạn chế để thu thập dữ liệu, các mạng phi tập trung có thể chạy song song và thu thập dữ liệu trên quy mô lớn hơn nhiều. Ví dụ, trong một cuộc thi robot AI với con người gần đây ở Abu Dhabi, các nhà nghiên cứu từ các tổ chức như DeepMind và UT Austin đã đưa các mô hình AI của họ vào thử nghiệm với người chơi. Trong khi con người vẫn chiếm ưu thế, các nhà nghiên cứu rất vui mừng về các bộ dữ liệu độc đáo được thu thập từ các tương tác robot trong thế giới thực. Đây là một minh chứng cho sự cần thiết của các mạng con kết nối các thành phần khác nhau của robot. Sự nhiệt tình của cộng đồng nghiên cứu cũng cho thấy rằng ngay cả khi tự chủ hoàn toàn vẫn là mục tiêu dài hạn, robot DePIN đã chứng minh giá trị hữu hình từ việc thu thập và đào tạo dữ liệu đến triển khai và xác nhận trong thế giới thực.

Mặt khác, các cải tiến thiết kế phần cứng do AI điều khiển, chẳng hạn như tối ưu hóa chip và kỹ thuật vật liệu với AI, có thể rút ngắn đáng kể thời gian. Một ví dụ cụ thể là khi FrodoBot Lab hợp tác với các tổ chức khác để bảo mật hai hộp GPU NVIDIA H100 — mỗi hộp chứa tám chip H100. Điều này cung cấp cho các nhà nghiên cứu sức mạnh tính toán cần thiết để xử lý và tối ưu hóa các mô hình AI cho dữ liệu trong thế giới thực được thu thập từ việc triển khai robot. Nếu không có tài nguyên máy tính như vậy, ngay cả những bộ dữ liệu có giá trị nhất cũng không thể được sử dụng đầy đủ. Với quyền truy cập vào cơ sở hạ tầng điện toán phi tập trung của DePIN, mạng robot cho phép các nhà nghiên cứu trên toàn cầu đào tạo và đánh giá các mô hình mà không bị hạn chế bởi quyền sở hữu GPU thâm dụng vốn. Nếu DePIN thành công trong việc cung cấp dữ liệu cộng đồng và tiến bộ phần cứng, tương lai của robot có thể đến sớm hơn dự kiến.

Ngoài ra, các đại lý AI như Sam (một bot KOL du lịch với tiền meme) trình diễn một mô hình kiếm tiền mới cho các mạng robot phi tập trung. Sam hoạt động độc lập, phát trực tiếp 24/7 ở nhiều thành phố và các đồng tiền meme của nó cũng đang tăng giá trị. Mô hình này cho thấy các bot thông minh được cung cấp bởi DEPIN có thể duy trì tài chính của họ thông qua quyền sở hữu phi tập trung và các ưu đãi mã thông báo. Trong tương lai, các tác nhân AI này thậm chí có thể sử dụng mã thông báo để trả tiền cho sự hỗ trợ từ các nhà khai thác con người, thuê thêm tài sản bot hoặc đấu thầu các nhiệm vụ trong thế giới thực, tạo ra một chu kỳ kinh tế có lợi cho cả phát triển AI và người tham gia DePIN.

Tóm tắt

Sự phát triển của robot AI không chỉ phụ thuộc vào thuật toán mà còn phụ thuộc vào việc nâng cấp phần cứng, tích lũy dữ liệu, hỗ trợ tài chính và sự tham gia của con người. Trước đây, sự tăng trưởng của ngành công nghiệp robot bị hạn chế bởi chi phí cao và sự thống trị của các doanh nghiệp lớn, điều này cản trở tốc độ đổi mới. Việc thành lập mạng bot DePIN có nghĩa là với sức mạnh của mạng phi tập trung, việc thu thập dữ liệu robot, tài nguyên tính toán và đầu tư vốn có thể được phối hợp trên quy mô toàn cầu, không chỉ đẩy nhanh đào tạo AI và tối ưu hóa phần cứng mà còn hạ thấp rào cản phát triển để cho phép nhiều nhà nghiên cứu, doanh nhân và người dùng cá nhân tham gia. Chúng tôi cũng hy vọng rằng ngành công nghiệp robot sẽ không còn dựa vào một vài gã khổng lồ công nghệ, mà sẽ được thúc đẩy bởi cộng đồng toàn cầu để hướng tới một hệ sinh thái công nghệ thực sự mở và bền vững.

*Tất cả nội dung trên nền tảng Coinspire chỉ nhằm mục đích cung cấp thông tin và không cấu thành đề nghị hoặc khuyến nghị về bất kỳ chiến lược đầu tư nào và bất kỳ quyết định cá nhân nào được đưa ra dựa trên nội dung của bài viết này là trách nhiệm duy nhất của nhà đầu tư và Coinspire không chịu trách nhiệm về bất kỳ khoản lãi hoặc lỗ nào phát sinh từ đó.

Đầu tư là rủi ro, và các quyết định cần phải được thực hiện cẩn thận