Pada 27 Februari, Messari menyelenggarakan podcast tentang "Membangun AI Fisik Terdesentralisasi" dengan Michael Cho, salah satu pendiri FrodoBot Lab. Mereka mengobrol tentang tantangan dan peluang jaringan infrastruktur fisik terdesentralisasi (DePIN) dalam robotika. Meskipun masih dalam masa pertumbuhan, bidang ini memiliki potensi besar untuk merevolusi cara kerja bot AI di dunia nyata. Namun, tidak seperti AI tradisional, yang mengandalkan data internet dalam jumlah besar, teknologi AI robotika DePIN menghadapi masalah yang lebih kompleks, seperti pengumpulan data, keterbatasan perangkat keras, kemacetan evaluasi, dan keberlanjutan model ekonomi.
Dalam artikel hari ini, kami akan memecah poin-poin penting dalam diskusi ini, melihat masalah yang dihadapi robotika DePIN, apa hambatan utama untuk menskalakan bot terdesentralisasi, dan mengapa DePIN lebih menguntungkan daripada metode terpusat. Akhirnya, kita akan menjelajahi masa depan robotika DePIN untuk melihat apakah kita berada di ambang "momen ChatGPT" untuk robotika DePIN.
Di mana hambatan robot cerdas DePIN?
Ketika Michael Cho pertama kali mulai bekerja di FrodoBot, sakit kepala terbesarnya adalah biaya robotika. Harga robot komersial di pasaran sangat tinggi, yang membuatnya sulit untuk mempromosikan aplikasi AI di dunia nyata. Solusi awalnya adalah membangun robot otonom berbiaya rendah yang harganya hanya $ 500, berniat untuk menang dengan harga lebih murah daripada kebanyakan proyek yang ada.
Tetapi ketika dia dan timnya bekerja lebih dalam, Michael menyadari bahwa biaya bukanlah hambatan. Tantangan jaringan infrastruktur fisik terdesentralisasi (DePIN) dalam robotika jauh lebih kompleks daripada "mahal atau tidak". Ketika FrodoBotLab terus maju, beberapa hambatan dalam robotika DePIN muncul. Untuk mencapai penyebaran skala besar, kemacetan berikut harus diatasi.
Kemacetan 1: Data
Tidak seperti model AI 'online' besar yang dilatih pada data internet dalam jumlah besar, AI yang diwujudkan (AI) membutuhkan interaksi dengan dunia nyata untuk mengembangkan kecerdasan. Masalahnya adalah tidak ada basis skala besar di dunia, dan tidak ada konsensus tentang cara mengumpulkan data ini. Pengumpulan data untuk AI yang diwujudkan dapat dikelompokkan ke dalam tiga kategori besar berikut:
▎Kategori pertama adalah ** data operasi manusia **, yang merupakan data yang dihasilkan ketika manusia mengendalikan robot secara manual. Jenis data ini berkualitas tinggi dan menangkap aliran video dan tag gerak — yaitu, apa yang dilihat manusia dan bagaimana mereka bereaksi sesuai dengan itu. Ini adalah cara paling efektif untuk melatih AI untuk meniru perilaku manusia, tetapi memiliki kelemahan karena mahal dan padat karya.
▎Tipe kedua adalah data sintetis (data simulasi), yang sangat berguna untuk melatih robot untuk bergerak di medan yang kompleks, seperti melatih robot untuk berjalan di tanah yang kasar, yang sangat berguna untuk beberapa bidang khusus. Tetapi untuk beberapa tugas yang paling bervariasi, seperti memasak, mensimulasikan lingkungan tidak begitu baik. Kita dapat membayangkan situasi melatih robot untuk menggoreng telur: perubahan kecil dalam jenis panci, suhu minyak, kondisi ruangan dapat mempengaruhi hasil, dan sulit bagi lingkungan virtual untuk mencakup semua adegan.
▎Kategori ketiga adalah pembelajaran video, yaitu membiarkan model AI belajar dengan mengamati video dunia nyata. Meskipun pendekatan ini memiliki potensi, ia tidak memiliki umpan balik interaktif langsung fisik nyata yang diperlukan untuk kecerdasan.
Hambatan 2: Tingkat otonomi
Michael menyebutkan bahwa ketika dia pertama kali menguji FrodoBot di dunia nyata, itu terutama menggunakan robot untuk pengiriman jarak jauh. Secara statistik, hasilnya sebenarnya cukup bagus – robot berhasil menyelesaikan 90% tugas pengiriman. Tetapi tingkat kegagalan 10% dalam kehidupan nyata tidak dapat diterima. Robot yang gagal setiap 10 pengiriman sama sekali tidak komersial. Sama seperti teknologi mengemudi otomatis, mengemudi otonom dapat memiliki rekor 10.000 drive yang sukses, tetapi satu kegagalan sudah cukup untuk mengalahkan kepercayaan konsumen komersial.
Oleh karena itu, agar robotika benar-benar berguna, tingkat keberhasilannya harus mendekati 99,99% atau bahkan lebih tinggi. Tetapi masalahnya adalah bahwa untuk setiap peningkatan akurasi 0,001%, dibutuhkan waktu dan upaya eksponensial. Banyak orang meremehkan kesulitan langkah terakhir ini.
Michael ingat bahwa ketika dia duduk di prototipe mobil self-driving Google pada tahun 2015, dia merasa bahwa mengemudi sepenuhnya otonom berada di ambang menjadi kenyataan. Sepuluh tahun kemudian, kami masih memperdebatkan kapan Level 5 akan sepenuhnya otonom. Kemajuan dalam robotika tidak linier, tetapi bersifat eksponensial - dengan setiap langkah maju, kesulitannya meningkat secara dramatis. Tingkat akurasi 1% terakhir ini bisa memakan waktu bertahun-tahun atau bahkan puluhan tahun untuk dicapai.
Bottleneck 3: Perangkat keras: AI saja tidak dapat menyelesaikan masalah robot
Mengambil langkah mundur, bahkan dengan model AI terbaik, perangkat keras robot yang ada belum siap untuk otonomi sejati. Misalnya, masalah yang paling diabaikan dalam perangkat keras adalah kurangnya sensor taktil – teknologi terbaik saat ini, seperti penelitian Meta AI, sama sekali tidak mendekati sensitivitas ujung jari manusia. Manusia berinteraksi dengan dunia melalui penglihatan dan sentuhan, sementara robot hanya tahu sedikit tentang tekstur, cengkeraman, dan umpan balik tekanan.
Ada juga masalah oklusi – ketika sebuah objek diblokir sebagian, sulit bagi robot untuk mengenali dan berinteraksi dengannya. Dan manusia dapat secara intuitif memahami suatu objek bahkan jika mereka tidak dapat melihatnya secara keseluruhan.
Selain masalah persepsi, aktuator robot itu sendiri juga cacat. Kebanyakan robot humanoid menempatkan aktuator mereka langsung pada sendi mereka, membuat mereka besar dan berpotensi berbahaya. Sebaliknya, struktur tendon manusia memungkinkan gerakan yang lebih halus dan lebih aman. Itu sebabnya robot humanoid yang ada terlihat kaku dan tidak fleksibel. Perusahaan seperti Apptronik sedang mengembangkan lebih banyak desain aktuator bio-terinspirasi, tetapi inovasi ini akan membutuhkan waktu untuk matang.
Bottleneck 4: Mengapa ekspansi perangkat keras begitu sulit?
Tidak seperti model AI tradisional, yang hanya mengandalkan daya komputasi, implementasi robotika cerdas membutuhkan penyebaran perangkat fisik di dunia nyata. Ini menimbulkan tantangan modal yang signifikan. Membangun robot itu mahal, dan hanya perusahaan besar terkaya yang mampu melakukan eksperimen skala besar. Bahkan robot humanoid yang paling efisien sekarang berharga puluhan ribu dolar, membuat adopsi massal menjadi tidak realistis.
Bottleneck 5: Evaluasi efektivitas
Ini adalah hambatan "tak terlihat". Jika Anda memikirkannya, model AI online besar seperti ChatGPT dapat menguji fungsinya hampir secara instan – setelah model bahasa baru dirilis, peneliti atau pengguna biasa di seluruh dunia dapat menarik kesimpulan tentang kinerjanya dalam hitungan jam. Tetapi mengevaluasi AI fisik membutuhkan penyebaran dunia nyata, yang membutuhkan waktu.
Perangkat lunak Full Self-Driving (FSD) Tesla adalah contoh yang baik. Jika Tesla mencatat 1 juta mil tanpa kecelakaan, apakah itu berarti benar-benar telah mencapai otonomi Level 5? Bagaimana dengan 10 juta mil? Masalah dengan kecerdasan robot adalah bahwa satu-satunya cara untuk memvalidasinya adalah dengan melihat di mana akhirnya gagal, yang berarti penyebaran skala besar, jangka panjang, real-time.
Hambatan 6: Tenaga Kerja
Tantangan lain yang diremehkan adalah bahwa tenaga manusia tetap sangat diperlukan dalam pengembangan AI robot. AI saja tidak cukup. Robot membutuhkan data pelatihan dari operator manusia; Tim pemeliharaan menjaga robot tetap berjalan; dan peneliti/pengembang penting untuk terus mengoptimalkan model AI. Tidak seperti model AI yang dapat dilatih di cloud, bot memerlukan intervensi manusia yang konstan – tantangan utama yang harus diatasi DePIN.
Masa Depan: Kapan momen ChatGPT untuk robotika tiba?
Beberapa percaya bahwa momen ChatGPT untuk robotika akan datang. Michael agak skeptis. Mengingat tantangan perangkat keras, data, dan evaluasi, ia percaya bahwa AI robot serba guna masih jauh dari adopsi massal. Namun, kemajuan robotika DePIN memang memberi harapan. Pengembangan robotika harus terdesentralisasi dan tidak dikendalikan oleh beberapa perusahaan besar. Skala dan koordinasi jaringan yang terdesentralisasi dapat menyebarkan beban modal. Alih-alih mengandalkan perusahaan besar untuk membayar ribuan robot, tempatkan individu yang dapat berkontribusi ke dalam jaringan bersama.
Sebagai ilustrasi - pertama dan terutama, DePIN mempercepat pengumpulan dan evaluasi data. Alih-alih menunggu perusahaan untuk menyebarkan sejumlah bot untuk mengumpulkan data, jaringan terdesentralisasi dapat berjalan secara paralel dan mengumpulkan data dalam skala yang jauh lebih besar. Misalnya, dalam kompetisi robotika AI-ke-manusia baru-baru ini di Abu Dhabi, para peneliti dari institusi seperti DeepMind dan UT Austin menguji model AI mereka terhadap pemain manusia. Sementara manusia masih menang, para peneliti sangat senang dengan kumpulan data unik yang dikumpulkan dari interaksi robot dunia nyata. Ini adalah bukti perlunya subnet yang menghubungkan berbagai komponen robotika. Antusiasme komunitas riset juga menunjukkan bahwa bahkan jika otonomi penuh tetap menjadi tujuan jangka panjang, robotika DePIN telah menunjukkan nilai nyata dari pengumpulan data dan pelatihan hingga penyebaran dan validasi dunia nyata.
Di sisi lain, peningkatan desain perangkat keras berbasis AI, seperti mengoptimalkan chip dan rekayasa material dengan AI, dapat secara signifikan mempersingkat garis waktu. Contoh konkretnya adalah ketika FrodoBot Lab bermitra dengan institusi lain untuk mengamankan dua kotak GPU NVIDIA H100 — masing-masing berisi delapan chip H100. Ini memberi para peneliti kekuatan komputasi yang diperlukan untuk memproses dan mengoptimalkan model AI untuk data dunia nyata yang dikumpulkan dari penyebaran robot. Tanpa sumber daya komputasi seperti itu, bahkan kumpulan data yang paling berharga pun tidak dapat dimanfaatkan sepenuhnya. Dengan akses ke infrastruktur komputasi terdesentralisasi DePIN, jaringan robotika memungkinkan para peneliti di seluruh dunia untuk melatih dan mengevaluasi model tanpa dibatasi oleh kepemilikan GPU yang padat modal. Jika DePIN berhasil dalam crowdsourcing data dan kemajuan perangkat keras, masa depan robotika bisa datang lebih cepat dari yang diharapkan.
Selain itu, agen AI seperti Sam (bot KOL keliling dengan koin meme) menunjukkan model monetisasi baru untuk jaringan robotika terdesentralisasi. Sam beroperasi secara mandiri, streaming langsung 24/7 di beberapa kota, dan koin memenya juga meningkat nilainya. Model ini menunjukkan bagaimana bot cerdas yang didukung oleh DEPIN dapat mempertahankan keuangan mereka melalui kepemilikan terdesentralisasi dan insentif token. Di masa depan, agen AI ini bahkan dapat menggunakan token untuk membayar bantuan dari operator manusia, menyewa aset bot tambahan, atau menawar tugas dunia nyata, menciptakan siklus ekonomi yang menguntungkan pengembangan AI dan peserta DePIN.
Ringkasan
Pengembangan robot AI tidak hanya bergantung pada algoritma, tetapi juga pada peningkatan perangkat keras, akumulasi data, dukungan keuangan, dan keterlibatan manusia. Di masa lalu, pertumbuhan industri robotika dibatasi oleh biaya tinggi dan dominasi perusahaan besar, yang menghambat kecepatan inovasi. Pembentukan jaringan bot DePIN berarti bahwa dengan kekuatan jaringan terdesentralisasi, pengumpulan data robot, sumber daya komputasi, dan investasi modal dapat dikoordinasikan dalam skala global, tidak hanya mempercepat pelatihan AI dan pengoptimalan perangkat keras, tetapi juga menurunkan penghalang pengembangan untuk memungkinkan lebih banyak peneliti, pengusaha, dan pengguna individu untuk berpartisipasi. Kami juga berharap bahwa industri robotika tidak akan lagi bergantung pada beberapa raksasa teknologi, tetapi akan didorong oleh komunitas global untuk bergerak menuju ekosistem teknologi yang benar-benar terbuka dan berkelanjutan.
*Semua konten di platform Coinspire hanya untuk tujuan informasi dan bukan merupakan penawaran atau rekomendasi dari strategi investasi apa pun, dan setiap keputusan individu yang dibuat berdasarkan konten artikel ini adalah tanggung jawab investor sepenuhnya, dan Coinspire tidak bertanggung jawab atas keuntungan atau kerugian yang timbul darinya.
Investasi berisiko, dan keputusan harus dibuat dengan hati-hati
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Tantangan teknis dan masa depan DePIN dan kecerdasan yang diwujudkan
! Tantangan Teknis dan Masa Depan DePIN dan Kecerdasan yang Diwujudkan
Pada 27 Februari, Messari menyelenggarakan podcast tentang "Membangun AI Fisik Terdesentralisasi" dengan Michael Cho, salah satu pendiri FrodoBot Lab. Mereka mengobrol tentang tantangan dan peluang jaringan infrastruktur fisik terdesentralisasi (DePIN) dalam robotika. Meskipun masih dalam masa pertumbuhan, bidang ini memiliki potensi besar untuk merevolusi cara kerja bot AI di dunia nyata. Namun, tidak seperti AI tradisional, yang mengandalkan data internet dalam jumlah besar, teknologi AI robotika DePIN menghadapi masalah yang lebih kompleks, seperti pengumpulan data, keterbatasan perangkat keras, kemacetan evaluasi, dan keberlanjutan model ekonomi.
Dalam artikel hari ini, kami akan memecah poin-poin penting dalam diskusi ini, melihat masalah yang dihadapi robotika DePIN, apa hambatan utama untuk menskalakan bot terdesentralisasi, dan mengapa DePIN lebih menguntungkan daripada metode terpusat. Akhirnya, kita akan menjelajahi masa depan robotika DePIN untuk melihat apakah kita berada di ambang "momen ChatGPT" untuk robotika DePIN.
Di mana hambatan robot cerdas DePIN?
Ketika Michael Cho pertama kali mulai bekerja di FrodoBot, sakit kepala terbesarnya adalah biaya robotika. Harga robot komersial di pasaran sangat tinggi, yang membuatnya sulit untuk mempromosikan aplikasi AI di dunia nyata. Solusi awalnya adalah membangun robot otonom berbiaya rendah yang harganya hanya $ 500, berniat untuk menang dengan harga lebih murah daripada kebanyakan proyek yang ada.
Tetapi ketika dia dan timnya bekerja lebih dalam, Michael menyadari bahwa biaya bukanlah hambatan. Tantangan jaringan infrastruktur fisik terdesentralisasi (DePIN) dalam robotika jauh lebih kompleks daripada "mahal atau tidak". Ketika FrodoBotLab terus maju, beberapa hambatan dalam robotika DePIN muncul. Untuk mencapai penyebaran skala besar, kemacetan berikut harus diatasi.
Kemacetan 1: Data
Tidak seperti model AI 'online' besar yang dilatih pada data internet dalam jumlah besar, AI yang diwujudkan (AI) membutuhkan interaksi dengan dunia nyata untuk mengembangkan kecerdasan. Masalahnya adalah tidak ada basis skala besar di dunia, dan tidak ada konsensus tentang cara mengumpulkan data ini. Pengumpulan data untuk AI yang diwujudkan dapat dikelompokkan ke dalam tiga kategori besar berikut:
▎Kategori pertama adalah ** data operasi manusia **, yang merupakan data yang dihasilkan ketika manusia mengendalikan robot secara manual. Jenis data ini berkualitas tinggi dan menangkap aliran video dan tag gerak — yaitu, apa yang dilihat manusia dan bagaimana mereka bereaksi sesuai dengan itu. Ini adalah cara paling efektif untuk melatih AI untuk meniru perilaku manusia, tetapi memiliki kelemahan karena mahal dan padat karya.
▎Tipe kedua adalah data sintetis (data simulasi), yang sangat berguna untuk melatih robot untuk bergerak di medan yang kompleks, seperti melatih robot untuk berjalan di tanah yang kasar, yang sangat berguna untuk beberapa bidang khusus. Tetapi untuk beberapa tugas yang paling bervariasi, seperti memasak, mensimulasikan lingkungan tidak begitu baik. Kita dapat membayangkan situasi melatih robot untuk menggoreng telur: perubahan kecil dalam jenis panci, suhu minyak, kondisi ruangan dapat mempengaruhi hasil, dan sulit bagi lingkungan virtual untuk mencakup semua adegan.
▎Kategori ketiga adalah pembelajaran video, yaitu membiarkan model AI belajar dengan mengamati video dunia nyata. Meskipun pendekatan ini memiliki potensi, ia tidak memiliki umpan balik interaktif langsung fisik nyata yang diperlukan untuk kecerdasan.
Hambatan 2: Tingkat otonomi
Michael menyebutkan bahwa ketika dia pertama kali menguji FrodoBot di dunia nyata, itu terutama menggunakan robot untuk pengiriman jarak jauh. Secara statistik, hasilnya sebenarnya cukup bagus – robot berhasil menyelesaikan 90% tugas pengiriman. Tetapi tingkat kegagalan 10% dalam kehidupan nyata tidak dapat diterima. Robot yang gagal setiap 10 pengiriman sama sekali tidak komersial. Sama seperti teknologi mengemudi otomatis, mengemudi otonom dapat memiliki rekor 10.000 drive yang sukses, tetapi satu kegagalan sudah cukup untuk mengalahkan kepercayaan konsumen komersial.
Oleh karena itu, agar robotika benar-benar berguna, tingkat keberhasilannya harus mendekati 99,99% atau bahkan lebih tinggi. Tetapi masalahnya adalah bahwa untuk setiap peningkatan akurasi 0,001%, dibutuhkan waktu dan upaya eksponensial. Banyak orang meremehkan kesulitan langkah terakhir ini.
Michael ingat bahwa ketika dia duduk di prototipe mobil self-driving Google pada tahun 2015, dia merasa bahwa mengemudi sepenuhnya otonom berada di ambang menjadi kenyataan. Sepuluh tahun kemudian, kami masih memperdebatkan kapan Level 5 akan sepenuhnya otonom. Kemajuan dalam robotika tidak linier, tetapi bersifat eksponensial - dengan setiap langkah maju, kesulitannya meningkat secara dramatis. Tingkat akurasi 1% terakhir ini bisa memakan waktu bertahun-tahun atau bahkan puluhan tahun untuk dicapai.
Bottleneck 3: Perangkat keras: AI saja tidak dapat menyelesaikan masalah robot
Mengambil langkah mundur, bahkan dengan model AI terbaik, perangkat keras robot yang ada belum siap untuk otonomi sejati. Misalnya, masalah yang paling diabaikan dalam perangkat keras adalah kurangnya sensor taktil – teknologi terbaik saat ini, seperti penelitian Meta AI, sama sekali tidak mendekati sensitivitas ujung jari manusia. Manusia berinteraksi dengan dunia melalui penglihatan dan sentuhan, sementara robot hanya tahu sedikit tentang tekstur, cengkeraman, dan umpan balik tekanan.
Ada juga masalah oklusi – ketika sebuah objek diblokir sebagian, sulit bagi robot untuk mengenali dan berinteraksi dengannya. Dan manusia dapat secara intuitif memahami suatu objek bahkan jika mereka tidak dapat melihatnya secara keseluruhan.
Selain masalah persepsi, aktuator robot itu sendiri juga cacat. Kebanyakan robot humanoid menempatkan aktuator mereka langsung pada sendi mereka, membuat mereka besar dan berpotensi berbahaya. Sebaliknya, struktur tendon manusia memungkinkan gerakan yang lebih halus dan lebih aman. Itu sebabnya robot humanoid yang ada terlihat kaku dan tidak fleksibel. Perusahaan seperti Apptronik sedang mengembangkan lebih banyak desain aktuator bio-terinspirasi, tetapi inovasi ini akan membutuhkan waktu untuk matang.
Bottleneck 4: Mengapa ekspansi perangkat keras begitu sulit?
Tidak seperti model AI tradisional, yang hanya mengandalkan daya komputasi, implementasi robotika cerdas membutuhkan penyebaran perangkat fisik di dunia nyata. Ini menimbulkan tantangan modal yang signifikan. Membangun robot itu mahal, dan hanya perusahaan besar terkaya yang mampu melakukan eksperimen skala besar. Bahkan robot humanoid yang paling efisien sekarang berharga puluhan ribu dolar, membuat adopsi massal menjadi tidak realistis.
Bottleneck 5: Evaluasi efektivitas
Ini adalah hambatan "tak terlihat". Jika Anda memikirkannya, model AI online besar seperti ChatGPT dapat menguji fungsinya hampir secara instan – setelah model bahasa baru dirilis, peneliti atau pengguna biasa di seluruh dunia dapat menarik kesimpulan tentang kinerjanya dalam hitungan jam. Tetapi mengevaluasi AI fisik membutuhkan penyebaran dunia nyata, yang membutuhkan waktu.
Perangkat lunak Full Self-Driving (FSD) Tesla adalah contoh yang baik. Jika Tesla mencatat 1 juta mil tanpa kecelakaan, apakah itu berarti benar-benar telah mencapai otonomi Level 5? Bagaimana dengan 10 juta mil? Masalah dengan kecerdasan robot adalah bahwa satu-satunya cara untuk memvalidasinya adalah dengan melihat di mana akhirnya gagal, yang berarti penyebaran skala besar, jangka panjang, real-time.
Hambatan 6: Tenaga Kerja
Tantangan lain yang diremehkan adalah bahwa tenaga manusia tetap sangat diperlukan dalam pengembangan AI robot. AI saja tidak cukup. Robot membutuhkan data pelatihan dari operator manusia; Tim pemeliharaan menjaga robot tetap berjalan; dan peneliti/pengembang penting untuk terus mengoptimalkan model AI. Tidak seperti model AI yang dapat dilatih di cloud, bot memerlukan intervensi manusia yang konstan – tantangan utama yang harus diatasi DePIN.
Masa Depan: Kapan momen ChatGPT untuk robotika tiba?
Beberapa percaya bahwa momen ChatGPT untuk robotika akan datang. Michael agak skeptis. Mengingat tantangan perangkat keras, data, dan evaluasi, ia percaya bahwa AI robot serba guna masih jauh dari adopsi massal. Namun, kemajuan robotika DePIN memang memberi harapan. Pengembangan robotika harus terdesentralisasi dan tidak dikendalikan oleh beberapa perusahaan besar. Skala dan koordinasi jaringan yang terdesentralisasi dapat menyebarkan beban modal. Alih-alih mengandalkan perusahaan besar untuk membayar ribuan robot, tempatkan individu yang dapat berkontribusi ke dalam jaringan bersama.
Sebagai ilustrasi - pertama dan terutama, DePIN mempercepat pengumpulan dan evaluasi data. Alih-alih menunggu perusahaan untuk menyebarkan sejumlah bot untuk mengumpulkan data, jaringan terdesentralisasi dapat berjalan secara paralel dan mengumpulkan data dalam skala yang jauh lebih besar. Misalnya, dalam kompetisi robotika AI-ke-manusia baru-baru ini di Abu Dhabi, para peneliti dari institusi seperti DeepMind dan UT Austin menguji model AI mereka terhadap pemain manusia. Sementara manusia masih menang, para peneliti sangat senang dengan kumpulan data unik yang dikumpulkan dari interaksi robot dunia nyata. Ini adalah bukti perlunya subnet yang menghubungkan berbagai komponen robotika. Antusiasme komunitas riset juga menunjukkan bahwa bahkan jika otonomi penuh tetap menjadi tujuan jangka panjang, robotika DePIN telah menunjukkan nilai nyata dari pengumpulan data dan pelatihan hingga penyebaran dan validasi dunia nyata.
Di sisi lain, peningkatan desain perangkat keras berbasis AI, seperti mengoptimalkan chip dan rekayasa material dengan AI, dapat secara signifikan mempersingkat garis waktu. Contoh konkretnya adalah ketika FrodoBot Lab bermitra dengan institusi lain untuk mengamankan dua kotak GPU NVIDIA H100 — masing-masing berisi delapan chip H100. Ini memberi para peneliti kekuatan komputasi yang diperlukan untuk memproses dan mengoptimalkan model AI untuk data dunia nyata yang dikumpulkan dari penyebaran robot. Tanpa sumber daya komputasi seperti itu, bahkan kumpulan data yang paling berharga pun tidak dapat dimanfaatkan sepenuhnya. Dengan akses ke infrastruktur komputasi terdesentralisasi DePIN, jaringan robotika memungkinkan para peneliti di seluruh dunia untuk melatih dan mengevaluasi model tanpa dibatasi oleh kepemilikan GPU yang padat modal. Jika DePIN berhasil dalam crowdsourcing data dan kemajuan perangkat keras, masa depan robotika bisa datang lebih cepat dari yang diharapkan.
Selain itu, agen AI seperti Sam (bot KOL keliling dengan koin meme) menunjukkan model monetisasi baru untuk jaringan robotika terdesentralisasi. Sam beroperasi secara mandiri, streaming langsung 24/7 di beberapa kota, dan koin memenya juga meningkat nilainya. Model ini menunjukkan bagaimana bot cerdas yang didukung oleh DEPIN dapat mempertahankan keuangan mereka melalui kepemilikan terdesentralisasi dan insentif token. Di masa depan, agen AI ini bahkan dapat menggunakan token untuk membayar bantuan dari operator manusia, menyewa aset bot tambahan, atau menawar tugas dunia nyata, menciptakan siklus ekonomi yang menguntungkan pengembangan AI dan peserta DePIN.
Ringkasan
Pengembangan robot AI tidak hanya bergantung pada algoritma, tetapi juga pada peningkatan perangkat keras, akumulasi data, dukungan keuangan, dan keterlibatan manusia. Di masa lalu, pertumbuhan industri robotika dibatasi oleh biaya tinggi dan dominasi perusahaan besar, yang menghambat kecepatan inovasi. Pembentukan jaringan bot DePIN berarti bahwa dengan kekuatan jaringan terdesentralisasi, pengumpulan data robot, sumber daya komputasi, dan investasi modal dapat dikoordinasikan dalam skala global, tidak hanya mempercepat pelatihan AI dan pengoptimalan perangkat keras, tetapi juga menurunkan penghalang pengembangan untuk memungkinkan lebih banyak peneliti, pengusaha, dan pengguna individu untuk berpartisipasi. Kami juga berharap bahwa industri robotika tidak akan lagi bergantung pada beberapa raksasa teknologi, tetapi akan didorong oleh komunitas global untuk bergerak menuju ekosistem teknologi yang benar-benar terbuka dan berkelanjutan.
*Semua konten di platform Coinspire hanya untuk tujuan informasi dan bukan merupakan penawaran atau rekomendasi dari strategi investasi apa pun, dan setiap keputusan individu yang dibuat berdasarkan konten artikel ini adalah tanggung jawab investor sepenuhnya, dan Coinspire tidak bertanggung jawab atas keuntungan atau kerugian yang timbul darinya.
Investasi berisiko, dan keputusan harus dibuat dengan hati-hati