27 февраля Messari провела подкаст на тему «Создание децентрализованного физического ИИ» с Майклом Чо, соучредителем FrodoBot Lab. Они поговорили о проблемах и возможностях децентрализованных сетей физической инфраструктуры (DePIN) в робототехнике. Несмотря на то, что эта область все еще находится в зачаточном состоянии, она имеет большой потенциал для того, чтобы произвести революцию в том, как боты с искусственным интеллектом работают в реальном мире. Однако, в отличие от традиционного ИИ, который полагается на большие объемы интернет-данных, технология робототехники ИИ DePIN сталкивается с более сложными проблемами, такими как сбор данных, аппаратные ограничения, узкие места оценки и устойчивость экономической модели.
В сегодняшней статье мы разберем ключевые моменты в этом обсуждении, рассмотрим, с какими проблемами столкнулась робототехника DePIN, каковы основные барьеры для масштабирования децентрализованных ботов и почему DePIN выгоднее централизованных методов. Наконец, мы исследуем будущее робототехники DePIN, чтобы увидеть, находимся ли мы на пороге «момента ChatGPT» для робототехники DePIN.
Где узкое место интеллектуальных роботов DePIN?
Когда Майкл Чо только начинал работать над FrodoBot, его самой большой головной болью была стоимость робототехники. Цена коммерческих роботов на рынке смехотворно высока, что затрудняет продвижение приложений ИИ в реальном мире. Его первоначальное решение состояло в том, чтобы построить недорогого автономного робота, который будет стоить всего 500 долларов, намереваясь выиграть по более низкой цене, чем большинство существующих проектов.
Но по мере того, как он и его команда углублялись в работу, Майкл понял, что стоимость на самом деле не является узким местом. Проблемы, связанные с децентрализованной сетью физической инфраструктуры (DePIN) в робототехнике, гораздо сложнее, чем вопрос «дорого или нет». По мере того, как FrodoBotLab продолжает развиваться, в робототехнике DePIN появляется множество узких мест. Для крупномасштабного развертывания необходимо преодолеть следующие узкие места.
Узкое место 1: Данные
В отличие от больших «онлайновых» моделей ИИ, обученных на больших объемах интернет-данных, воплощенный ИИ (AI) требует взаимодействия с реальным миром для развития интеллекта. Проблема в том, что в мире нет такой масштабной базы, и нет единого мнения о том, как собирать эти данные. Сбор данных для воплощенного ИИ можно сгруппировать в следующие три большие категории:
▎Первая категория — это данные о работе человека, которые генерируются, когда люди вручную управляют роботами. Этот тип данных имеет высокое качество и захватывает видеопотоки и теги движения, то есть то, что видят люди и как они реагируют соответствующим образом. Это самый эффективный способ научить ИИ имитировать поведение человека, но у него есть недостаток, заключающийся в том, что он является дорогостоящим и трудоемким.
▎Второй тип - это синтетические данные (данные моделирования), которые очень полезны для обучения роботов передвижению по сложной местности, например, для обучения роботов ходить по пересеченной местности, что очень полезно для некоторых специализированных областей. Но для некоторых самых разнообразных задач, таких как приготовление пищи, симуляция окружающей среды не так хороша. Можно представить себе ситуацию обучения робота жарить яйца: небольшие изменения типа сковороды, температуры масла, условий в помещении могут повлиять на результаты, а виртуальной среде сложно охватить все сцены.
▎Третья категория — это видеообучение, которое позволяет модели ИИ обучаться, наблюдая за видео из реального мира. Несмотря на то, что у этого подхода есть потенциал, ему не хватает реальной физической прямой интерактивной обратной связи, необходимой для интеллекта.
Узкое место 2: Уровень автономности
Майкл упоминает, что когда он впервые протестировал FrodoBot в реальном мире, он в основном использовал роботов для доставки «последней мили». По статистике, результаты на самом деле довольно неплохие — робот успешно выполнил 90% задач по доставке. Но 10% отказов в реальной жизни недопустимы. Робот, который выходит из строя каждые 10 доставок, просто не является коммерческим. Так же, как и технология автоматизированного вождения, автономное вождение может иметь рекорд в 10 000 успешных поездок, но одной неудачи достаточно, чтобы подорвать доверие коммерческих потребителей.
Поэтому, чтобы робототехника была действительно полезной, процент успеха должен быть близок к 99,99% или даже выше. Но проблема в том, что на каждые 0,001% повышения точности требуется экспоненциальное время и усилия. Многие недооценивают сложность этого последнего шага.
Майкл вспоминает, что, когда в 2015 году он сидел за рулем прототипа беспилотного автомобиля Google, он почувствовал, что полностью автономное вождение вот-вот станет реальностью. Десять лет спустя мы все еще обсуждаем, когда Уровень 5 станет полностью автономным. Прогресс в робототехнике носит не линейный, а экспоненциальный характер – с каждым шагом вперед сложность резко возрастает. На достижение этого показателя точности в 1% могут уйти годы или даже десятилетия.
Узкое место 3: Аппаратное обеспечение: ИИ сам по себе не может решить проблему роботов
Оглядываясь назад, можно сказать, что даже с лучшими моделями искусственного интеллекта существующее оборудование роботов не готово к настоящей автономии. Например, самой недооцененной проблемой в аппаратном обеспечении является отсутствие тактильных датчиков — лучшие современные технологии, такие как исследования Meta AI, далеки от чувствительности кончика пальца человека. Люди взаимодействуют с окружающим миром с помощью зрения и осязания, в то время как роботы мало знают о текстуре, сцеплении и обратной связи по давлению.
Существует также проблема окклюзии — когда объект частично заблокирован, роботу трудно распознать его и взаимодействовать с ним. И люди могут интуитивно понять объект, даже если они не могут увидеть его целиком.
Помимо проблемы восприятия, у самого привода робота есть и недостатки. Большинство человекоподобных роботов размещают свои приводы непосредственно на суставах, что делает их громоздкими и потенциально опасными. В отличие от этого, структура сухожилий человека обеспечивает более плавные и безопасные движения. Вот почему существующие человекоподобные роботы выглядят жесткими и негибкими. Такие компании, как Apptronik, разрабатывают все больше конструкций приводов, вдохновленных биологией, но для того, чтобы эти инновации созрели, потребуется время.
Узкое место 4: Почему расширение аппаратного обеспечения так сложно?
В отличие от традиционных моделей ИИ, которые полагаются исключительно на вычислительные мощности, внедрение интеллектуальной робототехники требует развертывания физических устройств в реальном мире. Это создает серьезную проблему для капиталовложений. Создание роботов стоит дорого, и только самые богатые крупные компании могут позволить себе масштабные эксперименты. Даже самые эффективные человекоподобные роботы сейчас стоят десятки тысяч долларов, что делает массовое внедрение просто нереальным.
Узкое место 5: Оценка эффективности
Это «невидимое» узкое место. Если задуматься, то крупная онлайн-модель ИИ, такая как ChatGPT, может тестировать свою функциональность практически мгновенно — после выпуска новой языковой модели исследователи или обычные пользователи по всему миру могут сделать выводы о ее производительности за считанные часы. Но оценка физического ИИ требует развертывания в реальных условиях, что требует времени.
Хорошим примером является программное обеспечение Tesla Full Self-Driving (FSD). Если Tesla проехала 1 миллион миль без аварий, значит ли это, что она действительно достигла 5-го уровня автономности? А как насчет 10 миллионов миль? Проблема с роботизированным интеллектом заключается в том, что единственный способ проверить его — увидеть, где он в конечном итоге потерпит неудачу, что означает крупномасштабное, долгосрочное развертывание в режиме реального времени.
Узкое место 6: Рабочая сила
Еще одна недооцененная проблема заключается в том, что человеческий труд остается незаменимым при разработке роботизированного ИИ. Одного ИИ недостаточно. Роботы нуждаются в обучающих данных от людей-операторов; Команда технического обслуживания поддерживает робота в рабочем состоянии; а также необходимые исследователи/разработчики для непрерывной оптимизации моделей ИИ. В отличие от моделей ИИ, которые можно обучить в облаке, боты требуют постоянного вмешательства человека, что является основной проблемой, которую должен решить DePIN.
Будущее: когда наступит момент ChatGPT для робототехники?
Некоторые считают, что наступает момент ChatGPT для робототехники. Майкл настроен несколько скептически. Учитывая проблемы с оборудованием, данными и оценкой, он считает, что роботизированный ИИ общего назначения все еще далек от массового внедрения. Тем не менее, прогресс робототехники DePIN вселяет некоторую надежду. Развитие робототехники должно быть децентрализованным, а не контролироваться несколькими крупными компаниями. Масштаб и координация децентрализованной сети могут распределить бремя капитала. Вместо того, чтобы полагаться на крупную компанию, которая будет платить за тысячи роботов, включите людей, которые могут внести свой вклад, в общую сеть.
Например, DePIN ускоряет сбор и оценку данных. Вместо того, чтобы ждать, пока компания развернет ограниченное количество ботов для сбора данных, децентрализованные сети могут работать параллельно и собирать данные в гораздо большем масштабе. Например, на недавнем соревновании по робототехнике между искусственным интеллектом и человеком в Абу-Даби исследователи из таких учреждений, как DeepMind и Техасский университет в Остине, протестировали свои модели ИИ на игроках-людях. Несмотря на то, что люди по-прежнему преобладают, исследователи в восторге от уникальных наборов данных, собранных из реальных взаимодействий роботов. Это свидетельствует о необходимости создания подсетей, соединяющих различные компоненты робототехники. Энтузиазм исследовательского сообщества также показывает, что даже если полная автономия остается долгосрочной целью, робототехника DePIN продемонстрировала ощутимую ценность от сбора данных и обучения до развертывания и проверки в реальных условиях.
С другой стороны, усовершенствования аппаратного обеспечения на основе ИИ, такие как оптимизация микросхем и материалов с помощью ИИ, могут значительно сократить сроки. Конкретным примером является ситуация, когда FrodoBot Lab в партнерстве с другими учреждениями получила две коробки графических процессоров NVIDIA H100, каждая из которых содержала восемь чипов H100. Это обеспечивает исследователей необходимой вычислительной мощностью для обработки и оптимизации моделей ИИ для реальных данных, собранных в ходе развертывания роботов. Без таких вычислительных ресурсов даже самые ценные наборы данных не могут быть использованы в полной мере. Имея доступ к децентрализованной вычислительной инфраструктуре DePIN, робототехническая сеть позволяет исследователям по всему миру обучать и оценивать модели, не ограничиваясь капиталоемким владением графическими процессорами. Если DePIN преуспеет в краудсорсинге данных и аппаратных достижениях, будущее робототехники может наступить раньше, чем ожидалось.
Кроме того, ИИ-агенты, такие как Sam (путешествующий KOL-бот с мем-монетами), демонстрируют новую модель монетизации для децентрализованных робототехнических сетей. Sam работает автономно, транслируя в прямом эфире 24 часа в сутки 7 дней в неделю в нескольких городах, и его мем-монеты также растут в цене. Эта модель показывает, как интеллектуальные боты на базе DEPIN могут поддерживать свои финансы за счет децентрализованного владения и стимулов в виде токенов. В будущем эти ИИ-агенты могут даже использовать токены для оплаты помощи от людей-операторов, аренды дополнительных активов ботов или участия в реальных задачах, создавая экономический цикл, который приносит пользу как разработчикам ИИ, так и участникам DePIN.
Резюме
Развитие искусственного интеллекта роботов зависит не только от алгоритмов, но и от апгрейда оборудования, накопления данных, финансовой поддержки и участия человека. В прошлом рост робототехнической отрасли ограничивался высокими затратами и доминированием крупных предприятий, что сдерживало скорость внедрения инноваций. Создание сети ботов DePIN означает, что благодаря мощи децентрализованной сети сбор данных роботами, вычислительные ресурсы и капиталовложения могут быть скоординированы в глобальном масштабе, что не только ускоряет обучение ИИ и оптимизацию оборудования, но и снижает барьер разработки, позволяя большему количеству исследователей, предпринимателей и индивидуальных пользователей участвовать в процессе. Мы также ожидаем, что индустрия робототехники больше не будет зависеть от нескольких технологических гигантов, а будет подталкиваться мировым сообществом к движению к по-настоящему открытой и устойчивой технологической экосистеме.
*Весь контент на платформе Coinspire предназначен только для информационных целей и не является предложением или рекомендацией какой-либо инвестиционной стратегии, и любые индивидуальные решения, принятые на основе содержания этой статьи, являются исключительной ответственностью инвестора, и Coinspire не несет ответственности за любые прибыли или убытки, возникшие в связи с этим.
Инвестиции рискованны, и решения нужно принимать взвешенно
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Технические проблемы и будущее DePIN и воплощенного интеллекта
! Технические проблемы и будущее DePIN и воплощенного интеллекта
27 февраля Messari провела подкаст на тему «Создание децентрализованного физического ИИ» с Майклом Чо, соучредителем FrodoBot Lab. Они поговорили о проблемах и возможностях децентрализованных сетей физической инфраструктуры (DePIN) в робототехнике. Несмотря на то, что эта область все еще находится в зачаточном состоянии, она имеет большой потенциал для того, чтобы произвести революцию в том, как боты с искусственным интеллектом работают в реальном мире. Однако, в отличие от традиционного ИИ, который полагается на большие объемы интернет-данных, технология робототехники ИИ DePIN сталкивается с более сложными проблемами, такими как сбор данных, аппаратные ограничения, узкие места оценки и устойчивость экономической модели.
В сегодняшней статье мы разберем ключевые моменты в этом обсуждении, рассмотрим, с какими проблемами столкнулась робототехника DePIN, каковы основные барьеры для масштабирования децентрализованных ботов и почему DePIN выгоднее централизованных методов. Наконец, мы исследуем будущее робототехники DePIN, чтобы увидеть, находимся ли мы на пороге «момента ChatGPT» для робототехники DePIN.
Где узкое место интеллектуальных роботов DePIN?
Когда Майкл Чо только начинал работать над FrodoBot, его самой большой головной болью была стоимость робототехники. Цена коммерческих роботов на рынке смехотворно высока, что затрудняет продвижение приложений ИИ в реальном мире. Его первоначальное решение состояло в том, чтобы построить недорогого автономного робота, который будет стоить всего 500 долларов, намереваясь выиграть по более низкой цене, чем большинство существующих проектов.
Но по мере того, как он и его команда углублялись в работу, Майкл понял, что стоимость на самом деле не является узким местом. Проблемы, связанные с децентрализованной сетью физической инфраструктуры (DePIN) в робототехнике, гораздо сложнее, чем вопрос «дорого или нет». По мере того, как FrodoBotLab продолжает развиваться, в робототехнике DePIN появляется множество узких мест. Для крупномасштабного развертывания необходимо преодолеть следующие узкие места.
Узкое место 1: Данные
В отличие от больших «онлайновых» моделей ИИ, обученных на больших объемах интернет-данных, воплощенный ИИ (AI) требует взаимодействия с реальным миром для развития интеллекта. Проблема в том, что в мире нет такой масштабной базы, и нет единого мнения о том, как собирать эти данные. Сбор данных для воплощенного ИИ можно сгруппировать в следующие три большие категории:
▎Первая категория — это данные о работе человека, которые генерируются, когда люди вручную управляют роботами. Этот тип данных имеет высокое качество и захватывает видеопотоки и теги движения, то есть то, что видят люди и как они реагируют соответствующим образом. Это самый эффективный способ научить ИИ имитировать поведение человека, но у него есть недостаток, заключающийся в том, что он является дорогостоящим и трудоемким.
▎Второй тип - это синтетические данные (данные моделирования), которые очень полезны для обучения роботов передвижению по сложной местности, например, для обучения роботов ходить по пересеченной местности, что очень полезно для некоторых специализированных областей. Но для некоторых самых разнообразных задач, таких как приготовление пищи, симуляция окружающей среды не так хороша. Можно представить себе ситуацию обучения робота жарить яйца: небольшие изменения типа сковороды, температуры масла, условий в помещении могут повлиять на результаты, а виртуальной среде сложно охватить все сцены.
▎Третья категория — это видеообучение, которое позволяет модели ИИ обучаться, наблюдая за видео из реального мира. Несмотря на то, что у этого подхода есть потенциал, ему не хватает реальной физической прямой интерактивной обратной связи, необходимой для интеллекта.
Узкое место 2: Уровень автономности
Майкл упоминает, что когда он впервые протестировал FrodoBot в реальном мире, он в основном использовал роботов для доставки «последней мили». По статистике, результаты на самом деле довольно неплохие — робот успешно выполнил 90% задач по доставке. Но 10% отказов в реальной жизни недопустимы. Робот, который выходит из строя каждые 10 доставок, просто не является коммерческим. Так же, как и технология автоматизированного вождения, автономное вождение может иметь рекорд в 10 000 успешных поездок, но одной неудачи достаточно, чтобы подорвать доверие коммерческих потребителей.
Поэтому, чтобы робототехника была действительно полезной, процент успеха должен быть близок к 99,99% или даже выше. Но проблема в том, что на каждые 0,001% повышения точности требуется экспоненциальное время и усилия. Многие недооценивают сложность этого последнего шага.
Майкл вспоминает, что, когда в 2015 году он сидел за рулем прототипа беспилотного автомобиля Google, он почувствовал, что полностью автономное вождение вот-вот станет реальностью. Десять лет спустя мы все еще обсуждаем, когда Уровень 5 станет полностью автономным. Прогресс в робототехнике носит не линейный, а экспоненциальный характер – с каждым шагом вперед сложность резко возрастает. На достижение этого показателя точности в 1% могут уйти годы или даже десятилетия.
Узкое место 3: Аппаратное обеспечение: ИИ сам по себе не может решить проблему роботов
Оглядываясь назад, можно сказать, что даже с лучшими моделями искусственного интеллекта существующее оборудование роботов не готово к настоящей автономии. Например, самой недооцененной проблемой в аппаратном обеспечении является отсутствие тактильных датчиков — лучшие современные технологии, такие как исследования Meta AI, далеки от чувствительности кончика пальца человека. Люди взаимодействуют с окружающим миром с помощью зрения и осязания, в то время как роботы мало знают о текстуре, сцеплении и обратной связи по давлению.
Существует также проблема окклюзии — когда объект частично заблокирован, роботу трудно распознать его и взаимодействовать с ним. И люди могут интуитивно понять объект, даже если они не могут увидеть его целиком.
Помимо проблемы восприятия, у самого привода робота есть и недостатки. Большинство человекоподобных роботов размещают свои приводы непосредственно на суставах, что делает их громоздкими и потенциально опасными. В отличие от этого, структура сухожилий человека обеспечивает более плавные и безопасные движения. Вот почему существующие человекоподобные роботы выглядят жесткими и негибкими. Такие компании, как Apptronik, разрабатывают все больше конструкций приводов, вдохновленных биологией, но для того, чтобы эти инновации созрели, потребуется время.
Узкое место 4: Почему расширение аппаратного обеспечения так сложно?
В отличие от традиционных моделей ИИ, которые полагаются исключительно на вычислительные мощности, внедрение интеллектуальной робототехники требует развертывания физических устройств в реальном мире. Это создает серьезную проблему для капиталовложений. Создание роботов стоит дорого, и только самые богатые крупные компании могут позволить себе масштабные эксперименты. Даже самые эффективные человекоподобные роботы сейчас стоят десятки тысяч долларов, что делает массовое внедрение просто нереальным.
Узкое место 5: Оценка эффективности
Это «невидимое» узкое место. Если задуматься, то крупная онлайн-модель ИИ, такая как ChatGPT, может тестировать свою функциональность практически мгновенно — после выпуска новой языковой модели исследователи или обычные пользователи по всему миру могут сделать выводы о ее производительности за считанные часы. Но оценка физического ИИ требует развертывания в реальных условиях, что требует времени.
Хорошим примером является программное обеспечение Tesla Full Self-Driving (FSD). Если Tesla проехала 1 миллион миль без аварий, значит ли это, что она действительно достигла 5-го уровня автономности? А как насчет 10 миллионов миль? Проблема с роботизированным интеллектом заключается в том, что единственный способ проверить его — увидеть, где он в конечном итоге потерпит неудачу, что означает крупномасштабное, долгосрочное развертывание в режиме реального времени.
Узкое место 6: Рабочая сила
Еще одна недооцененная проблема заключается в том, что человеческий труд остается незаменимым при разработке роботизированного ИИ. Одного ИИ недостаточно. Роботы нуждаются в обучающих данных от людей-операторов; Команда технического обслуживания поддерживает робота в рабочем состоянии; а также необходимые исследователи/разработчики для непрерывной оптимизации моделей ИИ. В отличие от моделей ИИ, которые можно обучить в облаке, боты требуют постоянного вмешательства человека, что является основной проблемой, которую должен решить DePIN.
Будущее: когда наступит момент ChatGPT для робототехники?
Некоторые считают, что наступает момент ChatGPT для робототехники. Майкл настроен несколько скептически. Учитывая проблемы с оборудованием, данными и оценкой, он считает, что роботизированный ИИ общего назначения все еще далек от массового внедрения. Тем не менее, прогресс робототехники DePIN вселяет некоторую надежду. Развитие робототехники должно быть децентрализованным, а не контролироваться несколькими крупными компаниями. Масштаб и координация децентрализованной сети могут распределить бремя капитала. Вместо того, чтобы полагаться на крупную компанию, которая будет платить за тысячи роботов, включите людей, которые могут внести свой вклад, в общую сеть.
Например, DePIN ускоряет сбор и оценку данных. Вместо того, чтобы ждать, пока компания развернет ограниченное количество ботов для сбора данных, децентрализованные сети могут работать параллельно и собирать данные в гораздо большем масштабе. Например, на недавнем соревновании по робототехнике между искусственным интеллектом и человеком в Абу-Даби исследователи из таких учреждений, как DeepMind и Техасский университет в Остине, протестировали свои модели ИИ на игроках-людях. Несмотря на то, что люди по-прежнему преобладают, исследователи в восторге от уникальных наборов данных, собранных из реальных взаимодействий роботов. Это свидетельствует о необходимости создания подсетей, соединяющих различные компоненты робототехники. Энтузиазм исследовательского сообщества также показывает, что даже если полная автономия остается долгосрочной целью, робототехника DePIN продемонстрировала ощутимую ценность от сбора данных и обучения до развертывания и проверки в реальных условиях.
С другой стороны, усовершенствования аппаратного обеспечения на основе ИИ, такие как оптимизация микросхем и материалов с помощью ИИ, могут значительно сократить сроки. Конкретным примером является ситуация, когда FrodoBot Lab в партнерстве с другими учреждениями получила две коробки графических процессоров NVIDIA H100, каждая из которых содержала восемь чипов H100. Это обеспечивает исследователей необходимой вычислительной мощностью для обработки и оптимизации моделей ИИ для реальных данных, собранных в ходе развертывания роботов. Без таких вычислительных ресурсов даже самые ценные наборы данных не могут быть использованы в полной мере. Имея доступ к децентрализованной вычислительной инфраструктуре DePIN, робототехническая сеть позволяет исследователям по всему миру обучать и оценивать модели, не ограничиваясь капиталоемким владением графическими процессорами. Если DePIN преуспеет в краудсорсинге данных и аппаратных достижениях, будущее робототехники может наступить раньше, чем ожидалось.
Кроме того, ИИ-агенты, такие как Sam (путешествующий KOL-бот с мем-монетами), демонстрируют новую модель монетизации для децентрализованных робототехнических сетей. Sam работает автономно, транслируя в прямом эфире 24 часа в сутки 7 дней в неделю в нескольких городах, и его мем-монеты также растут в цене. Эта модель показывает, как интеллектуальные боты на базе DEPIN могут поддерживать свои финансы за счет децентрализованного владения и стимулов в виде токенов. В будущем эти ИИ-агенты могут даже использовать токены для оплаты помощи от людей-операторов, аренды дополнительных активов ботов или участия в реальных задачах, создавая экономический цикл, который приносит пользу как разработчикам ИИ, так и участникам DePIN.
Резюме
Развитие искусственного интеллекта роботов зависит не только от алгоритмов, но и от апгрейда оборудования, накопления данных, финансовой поддержки и участия человека. В прошлом рост робототехнической отрасли ограничивался высокими затратами и доминированием крупных предприятий, что сдерживало скорость внедрения инноваций. Создание сети ботов DePIN означает, что благодаря мощи децентрализованной сети сбор данных роботами, вычислительные ресурсы и капиталовложения могут быть скоординированы в глобальном масштабе, что не только ускоряет обучение ИИ и оптимизацию оборудования, но и снижает барьер разработки, позволяя большему количеству исследователей, предпринимателей и индивидуальных пользователей участвовать в процессе. Мы также ожидаем, что индустрия робототехники больше не будет зависеть от нескольких технологических гигантов, а будет подталкиваться мировым сообществом к движению к по-настоящему открытой и устойчивой технологической экосистеме.
*Весь контент на платформе Coinspire предназначен только для информационных целей и не является предложением или рекомендацией какой-либо инвестиционной стратегии, и любые индивидуальные решения, принятые на основе содержания этой статьи, являются исключительной ответственностью инвестора, и Coinspire не несет ответственности за любые прибыли или убытки, возникшие в связи с этим.
Инвестиции рискованны, и решения нужно принимать взвешенно