我们还没有见证机器人的ChatGPT时刻
尤其是人形机器人,虽然外观越来越出色,但它们仍然无法理解我们的世界
大语言模型(LLMs)可以学习数十年的文本;而物理AI起步时数据极少,随后便要面对真实世界的全部复杂性
两者之间有巨大的差距需要弥补
目前,这些机器还在被教授规则和特定任务,最终它们会走进现实世界,“边工作边学习”
以下是加密 x 机器人领域的一些细分应用示例
其中部分项目跨越多个类别,这不是完整清单,仅为展示而精选的成熟案例
训练
遥操作、强化学习和具身AI流水线,赋予机器人技能
项目:@BitRobotNetwork, @PrismaXai, @NRNAgents
意义:机器人在能够自主学习之前需要可教授的技能,这些流水线为它们奠定了基础
现实世界数据采集
去中心化传感器与地理空间网络,用于捕捉真实世界数据
项目:@NATIXNetwork, @GEODNET
意义:现实世界智能依赖于现实世界数据,这些网络为机器提供所需的感知燃料
机器人部署
在真实环境中进行空间计算和多机器人协作
项目:@Auki
意义:现实世界部署是加速机器智能的下一个重要步骤之一,但在经济和实践层面都极具挑战,因此Auki计划明年在零售领域的大规模部署是一项重大举措
机器经济
为机器身份、经济活动与协作提供基础设施
项目:@peaq
意义:身份与链上协作赋予机器自主交易、协作和无需人类持续监督的能
查看原文