El 27 de febrero, Messari presentó un podcast sobre "Construcción de IA física descentralizada" con Michael Cho, cofundador de FrodoBot Lab. Conversaron sobre los desafíos y oportunidades de las redes de infraestructura física descentralizada (DePIN) en robótica. Aunque todavía está en pañales, este campo tiene un gran potencial para revolucionar la forma en que funcionan los bots de IA en el mundo real. Sin embargo, a diferencia de la IA tradicional, que se basa en grandes cantidades de datos de Internet, la tecnología de IA robótica DePIN se enfrenta a problemas más complejos, como la recopilación de datos, las limitaciones de hardware, los cuellos de botella en la evaluación y la sostenibilidad del modelo económico.
En el artículo de hoy, desglosaremos los puntos clave de esta discusión, veremos los problemas que encontró la robótica DePIN, cuáles son las principales barreras para escalar bots descentralizados y por qué DePIN es más ventajoso que los métodos centralizados. Por último, exploraremos el futuro de la robótica DePIN para ver si estamos al borde de un "momento ChatGPT" para la robótica DePIN.
¿Dónde está el cuello de botella de los robots inteligentes DePIN?
Cuando Michael Cho comenzó a trabajar en FrodoBot, su mayor dolor de cabeza era el costo de la robótica. El precio de los robots comerciales en el mercado es ridículamente alto, lo que dificulta la promoción de aplicaciones de IA en el mundo real. Su solución inicial fue construir un robot autónomo de bajo costo que costaría tan solo 500 dólares, con la intención de ganar a un precio más barato que la mayoría de los proyectos existentes.
Pero a medida que él y su equipo trabajaban más profundamente, Michael se dio cuenta de que el costo no era realmente el cuello de botella. Los desafíos de una red de infraestructura física descentralizada (DePIN) en robótica son mucho más complejos que "caros o no". A medida que FrodoBotLab continúa avanzando, están surgiendo múltiples cuellos de botella en la robótica DePIN. Para lograr una implementación a gran escala, se deben superar los siguientes cuellos de botella.
Cuello de botella 1: Datos
A diferencia de los grandes modelos de IA "en línea" entrenados con grandes cantidades de datos de Internet, la IA incorporada (AI) requiere interacción con el mundo real para desarrollar inteligencia. El problema es que no existe una base a gran escala en el mundo, y no hay consenso sobre cómo recopilar estos datos. La recopilación de datos para la IA incorporada se puede agrupar en las siguientes tres grandes categorías:
▎La primera categoría es datos de operación humana, que son los datos generados cuando los humanos controlan manualmente los robots. Este tipo de datos son de alta calidad y capturan transmisiones de video y etiquetas de movimiento, es decir, lo que ven los humanos y cómo reaccionan en consecuencia. Esta es la forma más eficaz de entrenar a la IA para que imite el comportamiento humano, pero tiene la desventaja de ser costosa y laboriosa.
▎El segundo tipo son los datos sintéticos (datos de simulación), que son muy útiles para entrenar a los robots para que se muevan en terrenos complejos, como entrenar a los robots para que caminen sobre terrenos accidentados, lo cual es muy útil para algunos campos especializados. Pero para algunas de las tareas más variadas, como cocinar, simular un entorno no es tan bueno. Podemos imaginar la situación de entrenar a un robot para freír huevos: pequeños cambios en el tipo de sartén, la temperatura del aceite, las condiciones de la habitación pueden afectar los resultados y es difícil que el entorno virtual cubra todas las escenas.
▎La tercera categoría es el aprendizaje en video, que consiste en permitir que el modelo de IA aprenda observando videos del mundo real. Si bien este enfoque tiene potencial, carece de la retroalimentación interactiva directa física real requerida para la inteligencia.
Cuello de botella 2: Nivel de autonomía
Michael menciona que cuando probó por primera vez FrodoBot en el mundo real, utilizaba principalmente robots para las entregas de última milla. Estadísticamente, los resultados son bastante buenos: el robot completó con éxito el 90% de las tareas de entrega. Pero una tasa de fracaso del 10% en la vida real es inaceptable. Un robot que falla cada 10 entregas simplemente no es comercial. Al igual que la tecnología de conducción automatizada, la conducción autónoma puede tener un récord de 10,000 viajes exitosos, pero un fracaso es suficiente para derrotar la confianza de los consumidores comerciales.
Por lo tanto, para que la robótica sea realmente útil, la tasa de éxito debe ser cercana al 99,99% o incluso superior. Pero el problema es que por cada 0,001% de mejora en la precisión, se necesita un tiempo y un esfuerzo exponenciales. Muchas personas subestiman la dificultad de este último paso.
Michael recuerda que cuando se sentó en el prototipo de coche autónomo de Google en 2015, sintió que la conducción totalmente autónoma estaba a punto de convertirse en una realidad. Diez años después, todavía estamos debatiendo cuándo el Nivel 5 será completamente autónomo. Los avances en robótica no son lineales, sino exponenciales: con cada paso adelante, la dificultad aumenta drásticamente. Esta última tasa de precisión del 1% puede tardar años o incluso décadas en lograrse.
Cuello de botella 3: Hardware: la IA por sí sola no puede resolver el problema de los robots
Dando un paso atrás, incluso con los mejores modelos de IA, el hardware robótico existente no está listo para una verdadera autonomía. Por ejemplo, el problema que más se pasa por alto en el hardware es la falta de sensores táctiles: las mejores tecnologías actuales, como la investigación de Meta AI, no se acercan a la sensibilidad de la yema de un dedo humano. Los humanos interactúan con el mundo a través de la vista y el tacto, mientras que los robots saben poco sobre textura, agarre y retroalimentación de presión.
También está el problema de la oclusión: cuando un objeto está parcialmente bloqueado, es difícil que el robot lo reconozca e interactúe con él. Y los humanos pueden entender intuitivamente un objeto incluso si no pueden verlo en su totalidad.
Además del problema de percepción, el actuador del robot en sí también es defectuoso. La mayoría de los robots humanoides colocan sus actuadores directamente en sus articulaciones, lo que los hace voluminosos y potencialmente peligrosos. Por el contrario, la estructura del tendón humano permite movimientos más suaves y seguros. Es por eso que los robots humanoides existentes parecen rígidos e inflexibles. Empresas como Apptronik están desarrollando más diseños de actuadores bioinspirados, pero estas innovaciones tardarán en madurar.
Cuello de botella 4: ¿Por qué es tan difícil la expansión del hardware?
A diferencia de los modelos tradicionales de IA, que se basan únicamente en la potencia de cálculo, la implementación de la robótica inteligente requiere el despliegue de dispositivos físicos en el mundo real. Esto plantea un importante reto de capital. La construcción de robots es costosa, y solo las grandes empresas más ricas pueden permitirse experimentos a gran escala. Incluso los robots humanoides más eficientes ahora cuestan decenas de miles de dólares, lo que hace que la adopción masiva sea simplemente poco realista.
Cuello de botella 5: Evaluar la eficacia
Se trata de un cuello de botella "invisible". Si lo piensas bien, un gran modelo de IA en línea como ChatGPT puede probar su funcionalidad casi instantáneamente: después de que se lanza un nuevo modelo de lenguaje, los investigadores o los usuarios comunes de todo el mundo pueden sacar conclusiones sobre su rendimiento en cuestión de horas. Pero la evaluación de la IA física requiere implementaciones en el mundo real, que llevan tiempo.
El software Full Self-Driving (FSD) de Tesla es un buen ejemplo. Si Tesla registra 1 millón de millas sin accidentes, ¿significa eso que realmente ha alcanzado el nivel 5 de autonomía? ¿Qué pasa con 10 millones de millas? El problema con la inteligencia robótica es que la única forma de validarla es ver dónde falla en última instancia, lo que significa implementaciones a gran escala, a largo plazo y en tiempo real.
Cuello de botella 6: Mano de obra
Otro desafío subestimado es que el trabajo humano sigue siendo indispensable en el desarrollo de la IA robótica. La IA por sí sola no es suficiente. Los robots necesitan datos de entrenamiento de operadores humanos; El equipo de mantenimiento mantiene el robot en funcionamiento; y los investigadores/desarrolladores esenciales para optimizar continuamente los modelos de IA. A diferencia de los modelos de IA que se pueden entrenar en la nube, los bots requieren una intervención humana constante, un desafío importante que DePIN debe abordar.
El futuro: ¿Cuándo llegará el momento ChatGPT para la robótica?
Algunos creen que se acerca el momento de ChatGPT para la robótica. Michael es algo escéptico. Dados los desafíos de hardware, datos y evaluación, cree que la IA robótica de propósito general aún está lejos de una adopción masiva. Sin embargo, el progreso de la robótica DePIN da algo de esperanza. El desarrollo de la robótica debe ser descentralizado y no controlado por unas pocas grandes empresas. La escala y la coordinación de una red descentralizada pueden distribuir la carga del capital. En lugar de depender de una gran empresa para pagar miles de robots, coloque a personas que puedan contribuir en una red compartida.
Para ilustrar, en primer lugar, DePIN acelera la recopilación y evaluación de datos. En lugar de esperar a que una empresa implemente un número limitado de bots para recopilar datos, las redes descentralizadas pueden ejecutarse en paralelo y recopilar datos a una escala mucho mayor. Por ejemplo, en una reciente competencia de robótica de IA a humano en Abu Dhabi, investigadores de instituciones como DeepMind y UT Austin pusieron a prueba sus modelos de IA contra jugadores humanos. Si bien los humanos aún prevalecen, los investigadores están entusiasmados con los conjuntos de datos únicos recopilados de las interacciones de robots del mundo real. Este es un testimonio de la necesidad de subredes que conecten los diversos componentes de la robótica. El entusiasmo de la comunidad investigadora también muestra que, incluso si la autonomía total sigue siendo un objetivo a largo plazo, la robótica DePIN ha demostrado un valor tangible desde la recopilación de datos y la capacitación hasta la implementación y validación en el mundo real.
Por otro lado, las mejoras en el diseño de hardware impulsadas por la IA, como la optimización de los chips y la ingeniería de materiales con IA, podrían acortar significativamente el plazo. Un ejemplo concreto es cuando FrodoBot Lab se asoció con otras instituciones para asegurar dos cajas de GPU NVIDIA H100, cada una con ocho chips H100. Esto proporciona a los investigadores la potencia informática necesaria para procesar y optimizar los modelos de IA para los datos del mundo real recopilados de las implementaciones de robots. Sin estos recursos informáticos, ni siquiera los conjuntos de datos más valiosos pueden utilizarse plenamente. Con acceso a la infraestructura informática descentralizada de DePIN, la red robótica permite a los investigadores de todo el mundo entrenar y evaluar modelos sin estar limitados por la propiedad de GPU intensiva en capital. Si DePIN tiene éxito en el crowdsourcing de datos y avances de hardware, el futuro de la robótica podría llegar antes de lo esperado.
Además, agentes de IA como Sam (un bot KOL itinerante con monedas meme) demuestran un nuevo modelo de monetización para redes robóticas descentralizadas. Sam opera de forma autónoma, transmitiendo en vivo las 24 horas del día, los 7 días de la semana en varias ciudades, y sus monedas meme también están aumentando de valor. Este modelo muestra cómo los bots inteligentes impulsados por DEPIN pueden sostener sus finanzas a través de la propiedad descentralizada y los incentivos de tokens. En el futuro, estos agentes de IA podrían incluso utilizar tokens para pagar la asistencia de operadores humanos, alquilar activos de bots adicionales o pujar por tareas del mundo real, creando un ciclo económico que beneficie tanto al desarrollo de la IA como a los participantes de DePIN.
Resumen
El desarrollo de la IA robótica depende no solo de los algoritmos, sino también de las actualizaciones de hardware, la acumulación de datos, el apoyo financiero y la participación humana. En el pasado, el crecimiento de la industria robótica se vio limitado por los altos costos y el dominio de las grandes empresas, lo que obstaculizó la velocidad de la innovación. El establecimiento de la red de bots DePIN significa que, con el poder de la red descentralizada, la recopilación de datos de robots, los recursos informáticos y la inversión de capital se pueden coordinar a escala global, no solo acelerando el entrenamiento de IA y la optimización del hardware, sino también reduciendo la barrera de desarrollo para permitir que participen más investigadores, empresarios y usuarios individuales. También esperamos que la industria de la robótica ya no dependa de unos pocos gigantes tecnológicos, sino que sea impulsada por la comunidad global para avanzar hacia un ecosistema tecnológico verdaderamente abierto y sostenible.
*Todo el contenido de la plataforma Coinspire es solo para fines informativos y no constituye una oferta o recomendación de ninguna estrategia de inversión, y cualquier decisión individual tomada en base al contenido de este artículo es responsabilidad exclusiva del inversor, y Coinspire no es responsable de las ganancias o pérdidas que surjan de ello.
La inversión es arriesgada y las decisiones deben tomarse con cuidado
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.
Los desafíos técnicos y el futuro del DePIN y la inteligencia incorporada
! Desafíos técnicos y futuro de DePIN y la inteligencia incorporada
El 27 de febrero, Messari presentó un podcast sobre "Construcción de IA física descentralizada" con Michael Cho, cofundador de FrodoBot Lab. Conversaron sobre los desafíos y oportunidades de las redes de infraestructura física descentralizada (DePIN) en robótica. Aunque todavía está en pañales, este campo tiene un gran potencial para revolucionar la forma en que funcionan los bots de IA en el mundo real. Sin embargo, a diferencia de la IA tradicional, que se basa en grandes cantidades de datos de Internet, la tecnología de IA robótica DePIN se enfrenta a problemas más complejos, como la recopilación de datos, las limitaciones de hardware, los cuellos de botella en la evaluación y la sostenibilidad del modelo económico.
En el artículo de hoy, desglosaremos los puntos clave de esta discusión, veremos los problemas que encontró la robótica DePIN, cuáles son las principales barreras para escalar bots descentralizados y por qué DePIN es más ventajoso que los métodos centralizados. Por último, exploraremos el futuro de la robótica DePIN para ver si estamos al borde de un "momento ChatGPT" para la robótica DePIN.
¿Dónde está el cuello de botella de los robots inteligentes DePIN?
Cuando Michael Cho comenzó a trabajar en FrodoBot, su mayor dolor de cabeza era el costo de la robótica. El precio de los robots comerciales en el mercado es ridículamente alto, lo que dificulta la promoción de aplicaciones de IA en el mundo real. Su solución inicial fue construir un robot autónomo de bajo costo que costaría tan solo 500 dólares, con la intención de ganar a un precio más barato que la mayoría de los proyectos existentes.
Pero a medida que él y su equipo trabajaban más profundamente, Michael se dio cuenta de que el costo no era realmente el cuello de botella. Los desafíos de una red de infraestructura física descentralizada (DePIN) en robótica son mucho más complejos que "caros o no". A medida que FrodoBotLab continúa avanzando, están surgiendo múltiples cuellos de botella en la robótica DePIN. Para lograr una implementación a gran escala, se deben superar los siguientes cuellos de botella.
Cuello de botella 1: Datos
A diferencia de los grandes modelos de IA "en línea" entrenados con grandes cantidades de datos de Internet, la IA incorporada (AI) requiere interacción con el mundo real para desarrollar inteligencia. El problema es que no existe una base a gran escala en el mundo, y no hay consenso sobre cómo recopilar estos datos. La recopilación de datos para la IA incorporada se puede agrupar en las siguientes tres grandes categorías:
▎La primera categoría es datos de operación humana, que son los datos generados cuando los humanos controlan manualmente los robots. Este tipo de datos son de alta calidad y capturan transmisiones de video y etiquetas de movimiento, es decir, lo que ven los humanos y cómo reaccionan en consecuencia. Esta es la forma más eficaz de entrenar a la IA para que imite el comportamiento humano, pero tiene la desventaja de ser costosa y laboriosa.
▎El segundo tipo son los datos sintéticos (datos de simulación), que son muy útiles para entrenar a los robots para que se muevan en terrenos complejos, como entrenar a los robots para que caminen sobre terrenos accidentados, lo cual es muy útil para algunos campos especializados. Pero para algunas de las tareas más variadas, como cocinar, simular un entorno no es tan bueno. Podemos imaginar la situación de entrenar a un robot para freír huevos: pequeños cambios en el tipo de sartén, la temperatura del aceite, las condiciones de la habitación pueden afectar los resultados y es difícil que el entorno virtual cubra todas las escenas.
▎La tercera categoría es el aprendizaje en video, que consiste en permitir que el modelo de IA aprenda observando videos del mundo real. Si bien este enfoque tiene potencial, carece de la retroalimentación interactiva directa física real requerida para la inteligencia.
Cuello de botella 2: Nivel de autonomía
Michael menciona que cuando probó por primera vez FrodoBot en el mundo real, utilizaba principalmente robots para las entregas de última milla. Estadísticamente, los resultados son bastante buenos: el robot completó con éxito el 90% de las tareas de entrega. Pero una tasa de fracaso del 10% en la vida real es inaceptable. Un robot que falla cada 10 entregas simplemente no es comercial. Al igual que la tecnología de conducción automatizada, la conducción autónoma puede tener un récord de 10,000 viajes exitosos, pero un fracaso es suficiente para derrotar la confianza de los consumidores comerciales.
Por lo tanto, para que la robótica sea realmente útil, la tasa de éxito debe ser cercana al 99,99% o incluso superior. Pero el problema es que por cada 0,001% de mejora en la precisión, se necesita un tiempo y un esfuerzo exponenciales. Muchas personas subestiman la dificultad de este último paso.
Michael recuerda que cuando se sentó en el prototipo de coche autónomo de Google en 2015, sintió que la conducción totalmente autónoma estaba a punto de convertirse en una realidad. Diez años después, todavía estamos debatiendo cuándo el Nivel 5 será completamente autónomo. Los avances en robótica no son lineales, sino exponenciales: con cada paso adelante, la dificultad aumenta drásticamente. Esta última tasa de precisión del 1% puede tardar años o incluso décadas en lograrse.
Cuello de botella 3: Hardware: la IA por sí sola no puede resolver el problema de los robots
Dando un paso atrás, incluso con los mejores modelos de IA, el hardware robótico existente no está listo para una verdadera autonomía. Por ejemplo, el problema que más se pasa por alto en el hardware es la falta de sensores táctiles: las mejores tecnologías actuales, como la investigación de Meta AI, no se acercan a la sensibilidad de la yema de un dedo humano. Los humanos interactúan con el mundo a través de la vista y el tacto, mientras que los robots saben poco sobre textura, agarre y retroalimentación de presión.
También está el problema de la oclusión: cuando un objeto está parcialmente bloqueado, es difícil que el robot lo reconozca e interactúe con él. Y los humanos pueden entender intuitivamente un objeto incluso si no pueden verlo en su totalidad.
Además del problema de percepción, el actuador del robot en sí también es defectuoso. La mayoría de los robots humanoides colocan sus actuadores directamente en sus articulaciones, lo que los hace voluminosos y potencialmente peligrosos. Por el contrario, la estructura del tendón humano permite movimientos más suaves y seguros. Es por eso que los robots humanoides existentes parecen rígidos e inflexibles. Empresas como Apptronik están desarrollando más diseños de actuadores bioinspirados, pero estas innovaciones tardarán en madurar.
Cuello de botella 4: ¿Por qué es tan difícil la expansión del hardware?
A diferencia de los modelos tradicionales de IA, que se basan únicamente en la potencia de cálculo, la implementación de la robótica inteligente requiere el despliegue de dispositivos físicos en el mundo real. Esto plantea un importante reto de capital. La construcción de robots es costosa, y solo las grandes empresas más ricas pueden permitirse experimentos a gran escala. Incluso los robots humanoides más eficientes ahora cuestan decenas de miles de dólares, lo que hace que la adopción masiva sea simplemente poco realista.
Cuello de botella 5: Evaluar la eficacia
Se trata de un cuello de botella "invisible". Si lo piensas bien, un gran modelo de IA en línea como ChatGPT puede probar su funcionalidad casi instantáneamente: después de que se lanza un nuevo modelo de lenguaje, los investigadores o los usuarios comunes de todo el mundo pueden sacar conclusiones sobre su rendimiento en cuestión de horas. Pero la evaluación de la IA física requiere implementaciones en el mundo real, que llevan tiempo.
El software Full Self-Driving (FSD) de Tesla es un buen ejemplo. Si Tesla registra 1 millón de millas sin accidentes, ¿significa eso que realmente ha alcanzado el nivel 5 de autonomía? ¿Qué pasa con 10 millones de millas? El problema con la inteligencia robótica es que la única forma de validarla es ver dónde falla en última instancia, lo que significa implementaciones a gran escala, a largo plazo y en tiempo real.
Cuello de botella 6: Mano de obra
Otro desafío subestimado es que el trabajo humano sigue siendo indispensable en el desarrollo de la IA robótica. La IA por sí sola no es suficiente. Los robots necesitan datos de entrenamiento de operadores humanos; El equipo de mantenimiento mantiene el robot en funcionamiento; y los investigadores/desarrolladores esenciales para optimizar continuamente los modelos de IA. A diferencia de los modelos de IA que se pueden entrenar en la nube, los bots requieren una intervención humana constante, un desafío importante que DePIN debe abordar.
El futuro: ¿Cuándo llegará el momento ChatGPT para la robótica?
Algunos creen que se acerca el momento de ChatGPT para la robótica. Michael es algo escéptico. Dados los desafíos de hardware, datos y evaluación, cree que la IA robótica de propósito general aún está lejos de una adopción masiva. Sin embargo, el progreso de la robótica DePIN da algo de esperanza. El desarrollo de la robótica debe ser descentralizado y no controlado por unas pocas grandes empresas. La escala y la coordinación de una red descentralizada pueden distribuir la carga del capital. En lugar de depender de una gran empresa para pagar miles de robots, coloque a personas que puedan contribuir en una red compartida.
Para ilustrar, en primer lugar, DePIN acelera la recopilación y evaluación de datos. En lugar de esperar a que una empresa implemente un número limitado de bots para recopilar datos, las redes descentralizadas pueden ejecutarse en paralelo y recopilar datos a una escala mucho mayor. Por ejemplo, en una reciente competencia de robótica de IA a humano en Abu Dhabi, investigadores de instituciones como DeepMind y UT Austin pusieron a prueba sus modelos de IA contra jugadores humanos. Si bien los humanos aún prevalecen, los investigadores están entusiasmados con los conjuntos de datos únicos recopilados de las interacciones de robots del mundo real. Este es un testimonio de la necesidad de subredes que conecten los diversos componentes de la robótica. El entusiasmo de la comunidad investigadora también muestra que, incluso si la autonomía total sigue siendo un objetivo a largo plazo, la robótica DePIN ha demostrado un valor tangible desde la recopilación de datos y la capacitación hasta la implementación y validación en el mundo real.
Por otro lado, las mejoras en el diseño de hardware impulsadas por la IA, como la optimización de los chips y la ingeniería de materiales con IA, podrían acortar significativamente el plazo. Un ejemplo concreto es cuando FrodoBot Lab se asoció con otras instituciones para asegurar dos cajas de GPU NVIDIA H100, cada una con ocho chips H100. Esto proporciona a los investigadores la potencia informática necesaria para procesar y optimizar los modelos de IA para los datos del mundo real recopilados de las implementaciones de robots. Sin estos recursos informáticos, ni siquiera los conjuntos de datos más valiosos pueden utilizarse plenamente. Con acceso a la infraestructura informática descentralizada de DePIN, la red robótica permite a los investigadores de todo el mundo entrenar y evaluar modelos sin estar limitados por la propiedad de GPU intensiva en capital. Si DePIN tiene éxito en el crowdsourcing de datos y avances de hardware, el futuro de la robótica podría llegar antes de lo esperado.
Además, agentes de IA como Sam (un bot KOL itinerante con monedas meme) demuestran un nuevo modelo de monetización para redes robóticas descentralizadas. Sam opera de forma autónoma, transmitiendo en vivo las 24 horas del día, los 7 días de la semana en varias ciudades, y sus monedas meme también están aumentando de valor. Este modelo muestra cómo los bots inteligentes impulsados por DEPIN pueden sostener sus finanzas a través de la propiedad descentralizada y los incentivos de tokens. En el futuro, estos agentes de IA podrían incluso utilizar tokens para pagar la asistencia de operadores humanos, alquilar activos de bots adicionales o pujar por tareas del mundo real, creando un ciclo económico que beneficie tanto al desarrollo de la IA como a los participantes de DePIN.
Resumen
El desarrollo de la IA robótica depende no solo de los algoritmos, sino también de las actualizaciones de hardware, la acumulación de datos, el apoyo financiero y la participación humana. En el pasado, el crecimiento de la industria robótica se vio limitado por los altos costos y el dominio de las grandes empresas, lo que obstaculizó la velocidad de la innovación. El establecimiento de la red de bots DePIN significa que, con el poder de la red descentralizada, la recopilación de datos de robots, los recursos informáticos y la inversión de capital se pueden coordinar a escala global, no solo acelerando el entrenamiento de IA y la optimización del hardware, sino también reduciendo la barrera de desarrollo para permitir que participen más investigadores, empresarios y usuarios individuales. También esperamos que la industria de la robótica ya no dependa de unos pocos gigantes tecnológicos, sino que sea impulsada por la comunidad global para avanzar hacia un ecosistema tecnológico verdaderamente abierto y sostenible.
*Todo el contenido de la plataforma Coinspire es solo para fines informativos y no constituye una oferta o recomendación de ninguna estrategia de inversión, y cualquier decisión individual tomada en base al contenido de este artículo es responsabilidad exclusiva del inversor, y Coinspire no es responsable de las ganancias o pérdidas que surjan de ello.
La inversión es arriesgada y las decisiones deben tomarse con cuidado