DePIN與具身智能的技術挑戰與未來

2 月 27 日，Messari 舉辦了一場關於“構建去中心化物理人工智能”的播客，邀請了 FrodoBot Lab 的聯合創始人 Michael Cho。他們聊了聊去中心化物理基礎設施網絡（DePIN）在機器人技術領域的挑戰和機會。這個領域雖然還在起步階段，但潛力巨大，可能會徹底改變 AI 機器人在現實世界中的運作方式。然而，和那些依賴大量互聯網數據的傳統 AI 不同，DePIN 機器人 AI 技術面臨的問題更復雜，比如數據收集、硬件限制、評估瓶頸，還有經濟模式的可持續性。

在今天的文章裡我們會拆解這次討論中的關鍵點，看看 DePIN 機器人技術遇到了哪些問題，擴展去中心化機器人的主要障礙是什麼，以及為什麼 DePIN 比中心化的方法更有優勢。最後，我們還會探討 DePIN 機器人技術的未來，看看我們是不是快要迎來 DePIN 機器人技術的“ChatGPT 時刻”。

DePIN 智能機器人的瓶頸在哪裡？

Michael Cho 剛開始做 FrodoBot 的時候，最頭疼的就是機器人技術的成本問題。市面上商用機器人價格高得離譜，導致了 AI 在現實世界中的應用產品很難推廣。他最初的解決方案是：造一個低價格自主機器人，成本只要 500 美元，打算以比大多數現有項目便宜的價格優勢取勝。

但隨著他和團隊深入研發，Michael 意識到，成本並不是真正的瓶頸。去中心化物理基礎設施網絡（DePIN）在機器人技術中的挑戰，遠比“貴不貴”複雜得多。隨著 FrodoBotLab 的不斷推進，DePIN 機器人技術的多個瓶頸逐漸浮出水面。要想實現大規模部署，以下這些瓶頸必須被克服。

瓶頸一：數據

和那些靠大量互聯網數據訓練出來的‘線上’AI 大模型不同，具身化 AI（embodied AI) 需要與現實世界互動才能發展出智能。問題是，目前世界上並不具備這種大規模的基礎，而且大家對於怎麼收集這些數據也沒有共識。具身化 AI 的數據收集可以歸為以下三大類：

▎第一類是人類操作數據，就是人類手動控制機器人時產生的數據。這類數據質量很高，能捕捉到視頻流和動作標籤——也就是人類看到什麼，怎麼作出相應的反應。這是訓練 AI 模仿人類行為最有效的方式，但缺點是成本高，勞動強度也大。

▎第二類是合成數據（模擬數據），這類數據對訓練機器人在複雜地形中移動很有用，比如訓練機器人在崎嶇的地面上行走，對於一些專用領域很有用途。但對於一些變化多端的任務，比如做飯，模擬環境就不太行了。我們可以想象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會影響結果，而虛擬環境很難覆蓋所有場景。

▎第三類是視頻學習，就是讓 AI 模型通過觀察現實世界的視頻來學習。雖然這種方法有潛力，但它缺少智能所需的真正物理的直接互動反饋。

瓶頸二：自主性水平

Michael 提到他第一次在現實世界中測試 FrodoBot 時，主要是用機器人做最後一英里的配送。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。但現實生活裡 10% 的失敗率是不可接受的。一個每十次配送就失敗一次的機器人，根本沒法商業化。就像自動化駕駛技術那樣，無人駕駛可以有一萬次的成功駕駛記錄，但是一次失敗就足以打敗商業消費者的信心。

因此，要讓機器人技術真正實用，成功率得接近 99.99% 甚至更高。但問題是，每提高 0.001% 的準確率，都需要付出指數級的時間和精力。很多人低估了這最後一步的難度。

Michael 回憶說， 2015 年他坐在谷歌的自動駕駛汽車原型裡時，覺得完全自主駕駛馬上就要實現了。十年過去了，我們仍然在討論什麼時候能實現 Level 5 的完全自主性。機器人技術的進步不是線性的，而是指數性質的——每前進一步，難度都會大幅增加。這最後的 1% 準確率，可能需要幾年甚至幾十年才能實現。

瓶頸三：硬件：光靠 AI 解決不了機器人問題

退一步講，即使 AI 模型再厲害，現有的機器人硬件也還沒準備好實現真正的自主性。比如在硬件上最容易被忽視的問題是缺乏觸覺傳感器——目前最好的技術，比如 Meta AI 的研究，還遠遠達不到人類指尖的敏感度。人類靠視覺和觸覺與世界互動，而機器人對紋理、抓握和壓力反饋幾乎一無所知。

還有遮擋問題——當物體部分被擋住時，機器人很難識別和與之互動。而人類即使看不到物體的全貌，也能憑直覺理解它。

除了感知問題，機器人執行器本身也有缺陷。大多數仿人機器人把執行器直接放在關節上，導致它們笨重且潛在危險。相比之下，人類的肌腱結構讓動作更平滑、更安全。這就是為什麼現有的仿人機器人看起來僵硬且不靈活。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：硬件擴展為什麼這麼難

和那些只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。造機器人很貴，也只有那些最有錢的大公司才能負擔得起大規模實驗。即使是最高效的仿人機器人，現在的成本也高達數萬美元，大規模普及根本不現實。

瓶頸五：評估有效性

這是一個“隱形”瓶頸。大家想一下，像 ChatGPT 這樣的線上 AI 大模型幾乎可以瞬間測試其功能——一個新語言模型被髮布後，全世界的研究人員或者普通用戶基本上在幾小時之內就能對它的性能好壞得出結論。但評估物理 AI 需要現實世界的部署，這需要時間。

特斯拉的全自動駕駛（FSD）軟件就是個好例子。如果特斯拉記錄了 100 萬英里且沒有事故，這是否意味著它真的達到了 Level 5 自主性？ 1000 萬英里呢？機器人智能技術的問題是，唯一驗證它的方法是看它最終在哪裡失敗，也就意味著大規模，長時間的實時部署。

瓶頸六：人力

另一個被低估的挑戰是，在機器人 AI 開發中人類勞動力依然不可或缺。光靠 AI 是不夠的。機器人需要人類操作員提供訓練數據；維護團隊保持機器人的運行；以及必不可少的研究人員/開發人員持續去優化 AI 模型。和那些可以在雲端訓練的 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。

未來：機器人技術的 ChatGPT 時刻何時到來？

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、數據和評估的挑戰，他認為通用機器人 AI 距離大規模採用還很遙遠。不過，DePIN 機器人技術的進展確實讓人看到了希望。機器人技術的開發應該是去中心化的，而不是由少數大公司控制。一個去中心化網絡的規模和協調性能夠分散資本負擔。與其依賴一家大公司出錢造幾千臺機器人，不妨將可以貢獻的個人放入到一個共享網絡中。

舉例而言--首先，DePIN 加速了數據收集和評估。不用等一家公司部署有限的機器人收集數據，去中心化網絡可以以更大的規模並行運行、收集數據。例如，在最近一次阿布扎比的一場 AI 與人類機器人競賽中，來自 DeepMind 和 UT Austin 等機構的研究人員將他們的 AI 模型與人類玩家進行了測試。雖然人依然佔上風，但研究人員對從現實世界機器人互動中收集的獨特數據集感到十分振奮。這從側面證明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目標，DePIN 機器人技術已經從數據收集和訓練到現實世界部署和驗證方面展示了切實的價值。

另一方面，AI 驅動的硬件設計改進，比如用 AI 優化芯片和材料工程，可能會大大縮短時間線。一個具體的例子是 FrodoBot Lab 與其他機構合作，確保了兩盒 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充分利用。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被資本密集的 GPU 所有權所限制的情況下訓練和評估模型。如果 DePIN 能成功眾包數據和硬件進步，機器人技術的未來可能會比預期更早到來。

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新盈利模式。Sam 自主運行， 24/7 在多個城市直播，而它的 meme 幣也在增值。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財務。未來，這些 AI 代理甚至可以用代幣支付人類操作員的協助、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

機器人 AI 的發展不僅僅取決於算法，還涉及硬件升級、數據積累、資金支持以及人的參與。過去，機器人行業的發展受限於高昂的成本和大型企業的主導地位，使得創新速度受阻。而 DePIN 機器人網絡的建立意味著，藉助去中心化網絡的力量，機器人數據收集、計算資源和資本投入可以在全球範圍內協同進行，不僅加速 AI 訓練和硬件優化，還能降低開發門檻，讓更多研究人員、創業者和個人用戶參與進來。我們也期待，機器人行業不再依賴少數科技巨頭，而是由全球社區共同推動，邁向真正開放、可持續的技術生態。

*Coinspire 平臺上的所有內容僅供參考，不構成任何投資策略的要約或建議，基於本文內容所做的任何個人決策均由投資者自行承擔責任，Coinspire 不對由此產生的任何收益或損失負責。

投資有風險，決策需謹慎