27 Şubat'ta Messari, FrodoBot Lab'ın kurucu ortağı Michael Cho ile "Merkezi Olmayan Fiziksel Yapay Zeka Oluşturma" konulu bir podcast'e ev sahipliği yaptı. Robotikte merkezi olmayan fiziksel altyapı ağlarının (DePIN) zorlukları ve fırsatları hakkında sohbet ettiler. Henüz emekleme aşamasında olan bu alan, yapay zeka botlarının gerçek dünyada çalışma biçiminde devrim yaratma konusunda büyük bir potansiyele sahiptir. Bununla birlikte, büyük miktarda internet verisine dayanan geleneksel yapay zekanın aksine, DePIN robotik yapay zeka teknolojisi, veri toplama, donanım sınırlamaları, değerlendirme darboğazları ve ekonomik modelin sürdürülebilirliği gibi daha karmaşık sorunlarla karşı karşıyadır.
Bugünün makalesinde, bu tartışmadaki kilit noktaları inceleyeceğiz, DePIN robotlarının karşılaştığı sorunlara, merkezi olmayan botları ölçeklendirmenin önündeki ana engellerin neler olduğuna ve DePIN'in neden merkezi yöntemlerden daha avantajlı olduğuna bakacağız. Son olarak, DePIN robotları için bir "ChatGPT anının" eşiğinde olup olmadığımızı görmek için DePIN robotiğinin geleceğini keşfedeceğiz.
DePIN akıllı robotların darboğazı nerede?
Michael Cho, FrodoBot üzerinde çalışmaya ilk başladığında, en büyük baş ağrısı robotiğin maliyetiydi. Piyasadaki ticari robotların fiyatı gülünç derecede yüksek, bu da yapay zeka uygulamalarını gerçek dünyada tanıtmayı zorlaştırıyor. İlk çözümü, mevcut projelerin çoğundan daha ucuz bir fiyata kazanmayı amaçlayan, 500 $ gibi düşük maliyetli bir otonom robot inşa etmekti.
Ancak kendisi ve ekibi daha derin çalıştıkça Michael, maliyetin gerçekten darboğaz olmadığını fark etti. Robotikte merkezi olmayan bir fiziksel altyapı ağının (DePIN) zorlukları, "pahalı ya da değil"den çok daha karmaşıktır. FrodoBotLab ilerlemeye devam ettikçe, DePIN robotlarında birden fazla darboğaz ortaya çıkıyor. Büyük ölçekli dağıtım elde etmek için aşağıdaki performans sorunlarının üstesinden gelinmesi gerekir.
Darboğaz 1: Veri
Büyük miktarda internet verisi üzerinde eğitilmiş büyük 'çevrimiçi' yapay zeka modellerinin aksine, somutlaşmış yapay zeka (AI) zeka geliştirmek için gerçek dünyayla etkileşim gerektirir. Sorun şu ki, dünyada bu kadar büyük ölçekli bir temel yok ve bu verilerin nasıl toplanacağı konusunda bir fikir birliği yok. Somutlaştırılmış yapay zeka için veri toplama aşağıdaki üç geniş kategoride gruplandırılabilir:
▎İlk kategori, insanlar robotları manuel olarak kontrol ettiğinde üretilen veriler olan insan operasyon verileri'dir. Bu tür veriler yüksek kalitededir ve video akışlarını ve hareket etiketlerini, yani insanların ne gördüğünü ve buna göre nasıl tepki verdiklerini yakalar. Bu, yapay zekayı insan davranışını taklit edecek şekilde eğitmenin en etkili yoludur, ancak maliyetli ve emek yoğun olma dezavantajına sahiptir.
▎İkinci tür, bazı özel alanlar için çok yararlı olan, robotların engebeli zeminde yürümesi için eğitilmesi gibi, robotların karmaşık arazilerde hareket etmesini sağlamak için çok yararlı olan sentetik veriler (simülasyon verileri) 'dir. Ancak yemek pişirmek gibi çok çeşitli görevlerden bazıları için bir ortamı simüle etmek o kadar iyi değildir. Bir robotu yumurta kızartmak için eğitmenin durumunu hayal edebiliriz: tava türündeki, yağ sıcaklığındaki, oda koşullarındaki küçük değişiklikler sonuçları etkileyebilir ve sanal ortamın tüm sahneleri kapsaması zordur.
▎Üçüncü kategori, AI modelinin gerçek dünyadaki videoları gözlemleyerek öğrenmesine izin veren video öğrenme'dir. Bu yaklaşım potansiyele sahip olsa da, istihbarat için gerekli olan gerçek fiziksel doğrudan etkileşimli geri bildirimden yoksundur.
Darboğaz 2: Özerklik düzeyi
Michael, FrodoBot'u gerçek dünyada ilk kez test ettiğinde, son kilometre teslimatları için esas olarak robotlar kullandığından bahsediyor. İstatistiksel olarak, sonuçlar aslında oldukça iyi – robot teslimat görevlerinin %90'ını başarıyla tamamladı. Ancak gerçek hayatta %10'luk bir başarısızlık oranı kabul edilemez. Her 10 teslimatta başarısız olan bir robot ticari değildir. Tıpkı otomatik sürüş teknolojisi gibi, otonom sürüş de 10.000 başarılı sürüş kaydına sahip olabilir, ancak bir başarısızlık ticari tüketicilerin güvenini yenmek için yeterlidir.
Bu nedenle, robotiğin gerçekten yararlı olması için başarı oranının %99,99'a yakın veya daha yüksek olması gerekir. Ancak sorun şu ki, doğruluktaki her %0,001'lik iyileşme üstel zaman ve çaba gerektiriyor. Birçok insan bu son adımın zorluğunu hafife alıyor.
Michael, 2015 yılında Google'ın sürücüsüz otomobil prototipine oturduğunda, tamamen otonom sürüşün gerçeğe dönüşmenin eşiğinde olduğunu hissettiğini hatırlıyor. On yıl sonra, Seviye 5'in ne zaman tamamen özerk olacağını hala tartışıyoruz. Robotikteki gelişmeler doğrusal değil, doğası gereği üsteldir - ileriye doğru atılan her adımda zorluk önemli ölçüde artar. Bu son %1'lik doğruluk oranının elde edilmesi yıllar hatta on yıllar alabilir.
Darboğaz 3: Donanım: Yapay zeka tek başına robot sorununu çözemez
Bir adım geri atarak, en iyi yapay zeka modellerinde bile, mevcut robot donanımı gerçek özerkliğe hazır değil. Örneğin, donanımda en çok gözden kaçan sorun, dokunsal sensörlerin eksikliğidir - Meta AI'nın araştırması gibi mevcut en iyi teknolojiler, bir insan parmak ucunun hassasiyetine yakın değildir. İnsanlar dünyayla görme ve dokunma yoluyla etkileşime girerken, robotlar doku, kavrama ve basınç geri bildirimi hakkında çok az şey biliyor.
Ayrıca tıkanma sorunu da var - bir nesne kısmen engellendiğinde, robotun onu tanıması ve onunla etkileşime girmesi zor. Ve insanlar bir nesneyi bütünüyle göremeseler bile sezgisel olarak anlayabilirler.
Algılama sorununa ek olarak, robot aktüatörünün kendisi de kusurludur. Çoğu insansı robot, aktüatörlerini doğrudan eklemlerine yerleştirerek onları hantal ve potansiyel olarak tehlikeli hale getirir. Buna karşılık, insan tendon yapısı daha yumuşak ve daha güvenli hareketlere izin verir. Bu yüzden mevcut insansı robotlar sert ve esnek görünmüyor. Apptronik gibi şirketler daha fazla biyo-esinli aktüatör tasarımları geliştiriyor, ancak bu yeniliklerin olgunlaşması zaman alacak.
Darboğaz 4: Donanım genişletme neden bu kadar zor?
Yalnızca bilgi işlem gücüne dayanan geleneksel yapay zeka modellerinin aksine, akıllı robotiklerin uygulanması, fiziksel cihazların gerçek dünyada konuşlandırılmasını gerektirir. Bu, önemli bir sermaye sorunu teşkil etmektedir. Robot inşa etmek pahalıdır ve yalnızca en zengin büyük şirketler büyük ölçekli deneyleri karşılayabilir. En verimli insansı robotlar bile artık on binlerce dolara mal oluyor ve bu da kitlesel benimsemeyi gerçekçi kılmıyor.
Darboğaz 5: Etkinliği değerlendirin
Bu "görünmez" bir darboğazdır. Düşünürseniz, ChatGPT gibi büyük bir çevrimiçi yapay zeka modeli, işlevselliğini neredeyse anında test edebilir – yeni bir dil modeli piyasaya sürüldükten sonra, dünyanın dört bir yanındaki araştırmacılar veya sıradan kullanıcılar birkaç saat içinde performansı hakkında sonuçlar çıkarabilir. Ancak fiziksel yapay zekayı değerlendirmek, zaman alan gerçek dünya dağıtımlarını gerektirir.
Tesla'nın Full Self-Driving (FSD) yazılımı buna iyi bir örnektir. Tesla kazasız 1 milyon mil kaydederse, bu gerçekten Seviye 5 özerkliğe ulaştığı anlamına mı geliyor? Peki ya 10 milyon mil? Robotik zeka ile ilgili sorun, onu doğrulamanın tek yolunun, sonuçta nerede başarısız olduğunu görmek olmasıdır, bu da büyük ölçekli, uzun vadeli, gerçek zamanlı dağıtımlar anlamına gelir.
Darboğaz 6: İnsan Gücü
Hafife alınan bir diğer zorluk, robotik yapay zeka geliştirmede insan emeğinin vazgeçilmez olmaya devam etmesidir. Yapay zeka tek başına yeterli değil. Robotlar, insan operatörlerden eğitim verilerine ihtiyaç duyar; Bakım ekibi robotu çalışır durumda tutar; ve yapay zeka modellerini sürekli olarak optimize etmek için gerekli araştırmacılar/geliştiriciler. Bulutta eğitilebilen yapay zeka modellerinin aksine, botlar sürekli insan müdahalesi gerektirir ve bu da DePIN'in ele alması gereken büyük bir zorluktur.
Gelecek: Robotik için ChatGPT Anı Ne Zaman Gelecek?
Bazıları robotik için ChatGPT anının geldiğine inanıyor. Michael biraz şüpheci. Donanım, veri ve değerlendirme zorlukları göz önüne alındığında, genel amaçlı robotik yapay zekanın hala kitlesel olarak benimsenmekten uzak olduğuna inanıyor. Bununla birlikte, DePIN robotlarının ilerlemesi biraz umut veriyor. Robotiğin gelişimi merkezi olmayan olmalı ve birkaç büyük şirket tarafından kontrol edilmemelidir. Merkezi olmayan bir ağın ölçeği ve koordinasyonu, sermaye yükünü dağıtabilir. Binlerce robot için ödeme yapmak için büyük bir şirkete güvenmek yerine, katkıda bulunabilecek bireyleri ortak bir ağa koyun.
Örnek vermek gerekirse, her şeyden önce DePIN, veri toplama ve değerlendirmeyi hızlandırır. Bir şirketin veri toplamak için sınırlı sayıda bot dağıtmasını beklemek yerine, merkezi olmayan ağlar paralel olarak çalışabilir ve çok daha büyük ölçekte veri toplayabilir. Örneğin, Abu Dabi'deki yakın tarihli bir yapay zekadan insana robotik yarışmasında, DeepMind ve UT Austin gibi kurumlardan araştırmacılar, yapay zeka modellerini insan oyunculara karşı test ettiler. İnsanlar hala galip gelse de, araştırmacılar gerçek dünyadaki robot etkileşimlerinden toplanan benzersiz veri kümeleri konusunda heyecanlılar. Bu, robotiğin çeşitli bileşenlerini birbirine bağlayan alt ağlara duyulan ihtiyacın bir kanıtıdır. Araştırma topluluğunun coşkusu, tam özerklik uzun vadeli bir hedef olmaya devam etse bile, DePIN robotiklerinin veri toplama ve eğitimden gerçek dünya dağıtımına ve doğrulamasına kadar somut bir değer gösterdiğini de gösteriyor.
Öte yandan, çipleri ve malzeme mühendisliğini yapay zeka ile optimize etmek gibi yapay zeka odaklı donanım tasarımı iyileştirmeleri, zaman çizelgesini önemli ölçüde kısaltabilir. Somut bir örnek, FrodoBot Lab'ın her biri sekiz H100 yongası içeren iki kutu NVIDIA H100 GPU'yu güvence altına almak için diğer kurumlarla ortaklık kurmasıdır. Bu, araştırmacılara robot dağıtımlarından toplanan gerçek dünya verileri için yapay zeka modellerini işlemek ve optimize etmek için gerekli bilgi işlem gücünü sağlar. Bu tür bilgi işlem kaynakları olmadan, en değerli veri kümeleri bile tam olarak kullanılamaz. DePIN'in merkezi olmayan bilgi işlem altyapısına erişim sağlayan robotik ağ, dünyanın dört bir yanındaki araştırmacıların sermaye yoğun GPU sahipliğiyle kısıtlanmadan modelleri eğitmesine ve değerlendirmesine olanak tanır. DePIN, kitle kaynaklı veri ve donanım geliştirmelerinde başarılı olursa, robotiğin geleceği beklenenden daha erken gelebilir.
Buna ek olarak, Sam (meme coin'lere sahip seyahat eden bir KOL botu) gibi yapay zeka ajanları, merkezi olmayan robotik ağlar için yeni bir para kazanma modeli sergiliyor. Sam özerk bir şekilde çalışıyor, birden fazla şehirde 7/24 canlı yayın yapıyor ve meme coin'lerinin değeri de artıyor. Bu model, DEPIN tarafından desteklenen akıllı botların, merkezi olmayan sahiplik ve token teşvikleri yoluyla mali durumlarını nasıl sürdürebileceklerini göstermektedir. Gelecekte, bu yapay zeka aracıları, insan operatörlerden yardım için ödeme yapmak, ek bot varlıkları kiralamak veya gerçek dünyadaki görevlere teklif vermek için belirteçleri bile kullanabilir ve hem yapay zeka geliştirmeye hem de DePIN katılımcılarına fayda sağlayan bir ekonomik döngü yaratabilir.
Özet
Robot yapay zekanın gelişimi yalnızca algoritmalara değil, aynı zamanda donanım yükseltmelerine, veri birikimine, finansal desteğe ve insan katılımına da bağlıdır. Geçmişte, robotik endüstrisinin büyümesi, yüksek maliyetler ve inovasyon hızını engelleyen büyük işletmelerin hakimiyeti ile sınırlıydı. DePIN bot ağının kurulması, merkezi olmayan ağın gücüyle, robot veri toplama, bilgi işlem kaynakları ve sermaye yatırımının küresel ölçekte koordine edilebileceği anlamına gelir, yalnızca AI eğitimini ve donanım optimizasyonunu hızlandırmakla kalmaz, aynı zamanda daha fazla araştırmacı, girişimci ve bireysel kullanıcının katılmasına izin vermek için geliştirme engelini azaltır. Ayrıca, robotik endüstrisinin artık birkaç teknoloji devine güvenmeyeceğini, ancak küresel topluluk tarafından gerçekten açık ve sürdürülebilir bir teknoloji ekosistemine doğru ilerlemeye yönlendirileceğini umuyoruz.
*Coinspire platformundaki tüm içerikler yalnızca bilgilendirme amaçlıdır ve herhangi bir yatırım stratejisinin teklifi veya tavsiyesi niteliğinde değildir ve bu makalenin içeriğine dayalı olarak alınan herhangi bir bireysel karar tamamen yatırımcının sorumluluğundadır ve Coinspire bunlardan kaynaklanan herhangi bir kazanç veya kayıptan sorumlu değildir.
Yatırım risklidir ve kararların dikkatli bir şekilde alınması gerekir
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
DePIN'in ve somutlaşmış zekanın teknik zorlukları ve geleceği
! DePIN ve Somutlaşmış Zekanın Teknik Zorlukları ve Geleceği
27 Şubat'ta Messari, FrodoBot Lab'ın kurucu ortağı Michael Cho ile "Merkezi Olmayan Fiziksel Yapay Zeka Oluşturma" konulu bir podcast'e ev sahipliği yaptı. Robotikte merkezi olmayan fiziksel altyapı ağlarının (DePIN) zorlukları ve fırsatları hakkında sohbet ettiler. Henüz emekleme aşamasında olan bu alan, yapay zeka botlarının gerçek dünyada çalışma biçiminde devrim yaratma konusunda büyük bir potansiyele sahiptir. Bununla birlikte, büyük miktarda internet verisine dayanan geleneksel yapay zekanın aksine, DePIN robotik yapay zeka teknolojisi, veri toplama, donanım sınırlamaları, değerlendirme darboğazları ve ekonomik modelin sürdürülebilirliği gibi daha karmaşık sorunlarla karşı karşıyadır.
Bugünün makalesinde, bu tartışmadaki kilit noktaları inceleyeceğiz, DePIN robotlarının karşılaştığı sorunlara, merkezi olmayan botları ölçeklendirmenin önündeki ana engellerin neler olduğuna ve DePIN'in neden merkezi yöntemlerden daha avantajlı olduğuna bakacağız. Son olarak, DePIN robotları için bir "ChatGPT anının" eşiğinde olup olmadığımızı görmek için DePIN robotiğinin geleceğini keşfedeceğiz.
DePIN akıllı robotların darboğazı nerede?
Michael Cho, FrodoBot üzerinde çalışmaya ilk başladığında, en büyük baş ağrısı robotiğin maliyetiydi. Piyasadaki ticari robotların fiyatı gülünç derecede yüksek, bu da yapay zeka uygulamalarını gerçek dünyada tanıtmayı zorlaştırıyor. İlk çözümü, mevcut projelerin çoğundan daha ucuz bir fiyata kazanmayı amaçlayan, 500 $ gibi düşük maliyetli bir otonom robot inşa etmekti.
Ancak kendisi ve ekibi daha derin çalıştıkça Michael, maliyetin gerçekten darboğaz olmadığını fark etti. Robotikte merkezi olmayan bir fiziksel altyapı ağının (DePIN) zorlukları, "pahalı ya da değil"den çok daha karmaşıktır. FrodoBotLab ilerlemeye devam ettikçe, DePIN robotlarında birden fazla darboğaz ortaya çıkıyor. Büyük ölçekli dağıtım elde etmek için aşağıdaki performans sorunlarının üstesinden gelinmesi gerekir.
Darboğaz 1: Veri
Büyük miktarda internet verisi üzerinde eğitilmiş büyük 'çevrimiçi' yapay zeka modellerinin aksine, somutlaşmış yapay zeka (AI) zeka geliştirmek için gerçek dünyayla etkileşim gerektirir. Sorun şu ki, dünyada bu kadar büyük ölçekli bir temel yok ve bu verilerin nasıl toplanacağı konusunda bir fikir birliği yok. Somutlaştırılmış yapay zeka için veri toplama aşağıdaki üç geniş kategoride gruplandırılabilir:
▎İlk kategori, insanlar robotları manuel olarak kontrol ettiğinde üretilen veriler olan insan operasyon verileri'dir. Bu tür veriler yüksek kalitededir ve video akışlarını ve hareket etiketlerini, yani insanların ne gördüğünü ve buna göre nasıl tepki verdiklerini yakalar. Bu, yapay zekayı insan davranışını taklit edecek şekilde eğitmenin en etkili yoludur, ancak maliyetli ve emek yoğun olma dezavantajına sahiptir.
▎İkinci tür, bazı özel alanlar için çok yararlı olan, robotların engebeli zeminde yürümesi için eğitilmesi gibi, robotların karmaşık arazilerde hareket etmesini sağlamak için çok yararlı olan sentetik veriler (simülasyon verileri) 'dir. Ancak yemek pişirmek gibi çok çeşitli görevlerden bazıları için bir ortamı simüle etmek o kadar iyi değildir. Bir robotu yumurta kızartmak için eğitmenin durumunu hayal edebiliriz: tava türündeki, yağ sıcaklığındaki, oda koşullarındaki küçük değişiklikler sonuçları etkileyebilir ve sanal ortamın tüm sahneleri kapsaması zordur.
▎Üçüncü kategori, AI modelinin gerçek dünyadaki videoları gözlemleyerek öğrenmesine izin veren video öğrenme'dir. Bu yaklaşım potansiyele sahip olsa da, istihbarat için gerekli olan gerçek fiziksel doğrudan etkileşimli geri bildirimden yoksundur.
Darboğaz 2: Özerklik düzeyi
Michael, FrodoBot'u gerçek dünyada ilk kez test ettiğinde, son kilometre teslimatları için esas olarak robotlar kullandığından bahsediyor. İstatistiksel olarak, sonuçlar aslında oldukça iyi – robot teslimat görevlerinin %90'ını başarıyla tamamladı. Ancak gerçek hayatta %10'luk bir başarısızlık oranı kabul edilemez. Her 10 teslimatta başarısız olan bir robot ticari değildir. Tıpkı otomatik sürüş teknolojisi gibi, otonom sürüş de 10.000 başarılı sürüş kaydına sahip olabilir, ancak bir başarısızlık ticari tüketicilerin güvenini yenmek için yeterlidir.
Bu nedenle, robotiğin gerçekten yararlı olması için başarı oranının %99,99'a yakın veya daha yüksek olması gerekir. Ancak sorun şu ki, doğruluktaki her %0,001'lik iyileşme üstel zaman ve çaba gerektiriyor. Birçok insan bu son adımın zorluğunu hafife alıyor.
Michael, 2015 yılında Google'ın sürücüsüz otomobil prototipine oturduğunda, tamamen otonom sürüşün gerçeğe dönüşmenin eşiğinde olduğunu hissettiğini hatırlıyor. On yıl sonra, Seviye 5'in ne zaman tamamen özerk olacağını hala tartışıyoruz. Robotikteki gelişmeler doğrusal değil, doğası gereği üsteldir - ileriye doğru atılan her adımda zorluk önemli ölçüde artar. Bu son %1'lik doğruluk oranının elde edilmesi yıllar hatta on yıllar alabilir.
Darboğaz 3: Donanım: Yapay zeka tek başına robot sorununu çözemez
Bir adım geri atarak, en iyi yapay zeka modellerinde bile, mevcut robot donanımı gerçek özerkliğe hazır değil. Örneğin, donanımda en çok gözden kaçan sorun, dokunsal sensörlerin eksikliğidir - Meta AI'nın araştırması gibi mevcut en iyi teknolojiler, bir insan parmak ucunun hassasiyetine yakın değildir. İnsanlar dünyayla görme ve dokunma yoluyla etkileşime girerken, robotlar doku, kavrama ve basınç geri bildirimi hakkında çok az şey biliyor.
Ayrıca tıkanma sorunu da var - bir nesne kısmen engellendiğinde, robotun onu tanıması ve onunla etkileşime girmesi zor. Ve insanlar bir nesneyi bütünüyle göremeseler bile sezgisel olarak anlayabilirler.
Algılama sorununa ek olarak, robot aktüatörünün kendisi de kusurludur. Çoğu insansı robot, aktüatörlerini doğrudan eklemlerine yerleştirerek onları hantal ve potansiyel olarak tehlikeli hale getirir. Buna karşılık, insan tendon yapısı daha yumuşak ve daha güvenli hareketlere izin verir. Bu yüzden mevcut insansı robotlar sert ve esnek görünmüyor. Apptronik gibi şirketler daha fazla biyo-esinli aktüatör tasarımları geliştiriyor, ancak bu yeniliklerin olgunlaşması zaman alacak.
Darboğaz 4: Donanım genişletme neden bu kadar zor?
Yalnızca bilgi işlem gücüne dayanan geleneksel yapay zeka modellerinin aksine, akıllı robotiklerin uygulanması, fiziksel cihazların gerçek dünyada konuşlandırılmasını gerektirir. Bu, önemli bir sermaye sorunu teşkil etmektedir. Robot inşa etmek pahalıdır ve yalnızca en zengin büyük şirketler büyük ölçekli deneyleri karşılayabilir. En verimli insansı robotlar bile artık on binlerce dolara mal oluyor ve bu da kitlesel benimsemeyi gerçekçi kılmıyor.
Darboğaz 5: Etkinliği değerlendirin
Bu "görünmez" bir darboğazdır. Düşünürseniz, ChatGPT gibi büyük bir çevrimiçi yapay zeka modeli, işlevselliğini neredeyse anında test edebilir – yeni bir dil modeli piyasaya sürüldükten sonra, dünyanın dört bir yanındaki araştırmacılar veya sıradan kullanıcılar birkaç saat içinde performansı hakkında sonuçlar çıkarabilir. Ancak fiziksel yapay zekayı değerlendirmek, zaman alan gerçek dünya dağıtımlarını gerektirir.
Tesla'nın Full Self-Driving (FSD) yazılımı buna iyi bir örnektir. Tesla kazasız 1 milyon mil kaydederse, bu gerçekten Seviye 5 özerkliğe ulaştığı anlamına mı geliyor? Peki ya 10 milyon mil? Robotik zeka ile ilgili sorun, onu doğrulamanın tek yolunun, sonuçta nerede başarısız olduğunu görmek olmasıdır, bu da büyük ölçekli, uzun vadeli, gerçek zamanlı dağıtımlar anlamına gelir.
Darboğaz 6: İnsan Gücü
Hafife alınan bir diğer zorluk, robotik yapay zeka geliştirmede insan emeğinin vazgeçilmez olmaya devam etmesidir. Yapay zeka tek başına yeterli değil. Robotlar, insan operatörlerden eğitim verilerine ihtiyaç duyar; Bakım ekibi robotu çalışır durumda tutar; ve yapay zeka modellerini sürekli olarak optimize etmek için gerekli araştırmacılar/geliştiriciler. Bulutta eğitilebilen yapay zeka modellerinin aksine, botlar sürekli insan müdahalesi gerektirir ve bu da DePIN'in ele alması gereken büyük bir zorluktur.
Gelecek: Robotik için ChatGPT Anı Ne Zaman Gelecek?
Bazıları robotik için ChatGPT anının geldiğine inanıyor. Michael biraz şüpheci. Donanım, veri ve değerlendirme zorlukları göz önüne alındığında, genel amaçlı robotik yapay zekanın hala kitlesel olarak benimsenmekten uzak olduğuna inanıyor. Bununla birlikte, DePIN robotlarının ilerlemesi biraz umut veriyor. Robotiğin gelişimi merkezi olmayan olmalı ve birkaç büyük şirket tarafından kontrol edilmemelidir. Merkezi olmayan bir ağın ölçeği ve koordinasyonu, sermaye yükünü dağıtabilir. Binlerce robot için ödeme yapmak için büyük bir şirkete güvenmek yerine, katkıda bulunabilecek bireyleri ortak bir ağa koyun.
Örnek vermek gerekirse, her şeyden önce DePIN, veri toplama ve değerlendirmeyi hızlandırır. Bir şirketin veri toplamak için sınırlı sayıda bot dağıtmasını beklemek yerine, merkezi olmayan ağlar paralel olarak çalışabilir ve çok daha büyük ölçekte veri toplayabilir. Örneğin, Abu Dabi'deki yakın tarihli bir yapay zekadan insana robotik yarışmasında, DeepMind ve UT Austin gibi kurumlardan araştırmacılar, yapay zeka modellerini insan oyunculara karşı test ettiler. İnsanlar hala galip gelse de, araştırmacılar gerçek dünyadaki robot etkileşimlerinden toplanan benzersiz veri kümeleri konusunda heyecanlılar. Bu, robotiğin çeşitli bileşenlerini birbirine bağlayan alt ağlara duyulan ihtiyacın bir kanıtıdır. Araştırma topluluğunun coşkusu, tam özerklik uzun vadeli bir hedef olmaya devam etse bile, DePIN robotiklerinin veri toplama ve eğitimden gerçek dünya dağıtımına ve doğrulamasına kadar somut bir değer gösterdiğini de gösteriyor.
Öte yandan, çipleri ve malzeme mühendisliğini yapay zeka ile optimize etmek gibi yapay zeka odaklı donanım tasarımı iyileştirmeleri, zaman çizelgesini önemli ölçüde kısaltabilir. Somut bir örnek, FrodoBot Lab'ın her biri sekiz H100 yongası içeren iki kutu NVIDIA H100 GPU'yu güvence altına almak için diğer kurumlarla ortaklık kurmasıdır. Bu, araştırmacılara robot dağıtımlarından toplanan gerçek dünya verileri için yapay zeka modellerini işlemek ve optimize etmek için gerekli bilgi işlem gücünü sağlar. Bu tür bilgi işlem kaynakları olmadan, en değerli veri kümeleri bile tam olarak kullanılamaz. DePIN'in merkezi olmayan bilgi işlem altyapısına erişim sağlayan robotik ağ, dünyanın dört bir yanındaki araştırmacıların sermaye yoğun GPU sahipliğiyle kısıtlanmadan modelleri eğitmesine ve değerlendirmesine olanak tanır. DePIN, kitle kaynaklı veri ve donanım geliştirmelerinde başarılı olursa, robotiğin geleceği beklenenden daha erken gelebilir.
Buna ek olarak, Sam (meme coin'lere sahip seyahat eden bir KOL botu) gibi yapay zeka ajanları, merkezi olmayan robotik ağlar için yeni bir para kazanma modeli sergiliyor. Sam özerk bir şekilde çalışıyor, birden fazla şehirde 7/24 canlı yayın yapıyor ve meme coin'lerinin değeri de artıyor. Bu model, DEPIN tarafından desteklenen akıllı botların, merkezi olmayan sahiplik ve token teşvikleri yoluyla mali durumlarını nasıl sürdürebileceklerini göstermektedir. Gelecekte, bu yapay zeka aracıları, insan operatörlerden yardım için ödeme yapmak, ek bot varlıkları kiralamak veya gerçek dünyadaki görevlere teklif vermek için belirteçleri bile kullanabilir ve hem yapay zeka geliştirmeye hem de DePIN katılımcılarına fayda sağlayan bir ekonomik döngü yaratabilir.
Özet
Robot yapay zekanın gelişimi yalnızca algoritmalara değil, aynı zamanda donanım yükseltmelerine, veri birikimine, finansal desteğe ve insan katılımına da bağlıdır. Geçmişte, robotik endüstrisinin büyümesi, yüksek maliyetler ve inovasyon hızını engelleyen büyük işletmelerin hakimiyeti ile sınırlıydı. DePIN bot ağının kurulması, merkezi olmayan ağın gücüyle, robot veri toplama, bilgi işlem kaynakları ve sermaye yatırımının küresel ölçekte koordine edilebileceği anlamına gelir, yalnızca AI eğitimini ve donanım optimizasyonunu hızlandırmakla kalmaz, aynı zamanda daha fazla araştırmacı, girişimci ve bireysel kullanıcının katılmasına izin vermek için geliştirme engelini azaltır. Ayrıca, robotik endüstrisinin artık birkaç teknoloji devine güvenmeyeceğini, ancak küresel topluluk tarafından gerçekten açık ve sürdürülebilir bir teknoloji ekosistemine doğru ilerlemeye yönlendirileceğini umuyoruz.
*Coinspire platformundaki tüm içerikler yalnızca bilgilendirme amaçlıdır ve herhangi bir yatırım stratejisinin teklifi veya tavsiyesi niteliğinde değildir ve bu makalenin içeriğine dayalı olarak alınan herhangi bir bireysel karar tamamen yatırımcının sorumluluğundadır ve Coinspire bunlardan kaynaklanan herhangi bir kazanç veya kayıptan sorumlu değildir.
Yatırım risklidir ve kararların dikkatli bir şekilde alınması gerekir