Revolusi otomatisasi yang didorong oleh AI dan enkripsi: "Momen ChatGPT" dari Bot akan segera tiba
Kemunculan ChatGPT telah mengubah secara drastis pemahaman orang tentang kecerdasan buatan. Namun, impian sejati umat manusia adalah membuat AI berinteraksi dengan dunia fisik dalam bentuk robot, seperti yang digambarkan dalam film fiksi ilmiah.
Terobosan besar di bidang Robot tampaknya akan segera datang. Artikel ini akan menganalisis bagaimana kemajuan kecerdasan buatan dalam beberapa tahun terakhir mengubah lanskap industri, mengeksplorasi bagaimana teknologi baterai, optimasi latensi, dan perbaikan pengumpulan data akan membentuk masa depan, serta peran enkripsi dalam hal ini. Selain itu, juga akan dijelaskan bidang-bidang yang patut diperhatikan seperti keamanan robot, pendanaan, evaluasi, dan pendidikan.
1. Faktor Kunci dalam Mendorong Perubahan
terobosan kecerdasan buatan
Kemajuan model bahasa multimodal memberikan "otak" untuk Bot dalam melaksanakan tugas-tugas kompleks. Bot terutama merasakan lingkungan melalui penglihatan dan pendengaran. Model visi komputer tradisional unggul dalam deteksi atau klasifikasi objek, tetapi sulit untuk mengubah informasi visual menjadi instruksi tindakan. Meskipun model bahasa besar menunjukkan kinerja luar biasa dalam pemahaman dan generasi teks, mereka kurang memiliki kemampuan untuk merasakan dunia fisik.
Model-visual-bahasa-tindakan ( VLA ) memungkinkan Bot untuk mengintegrasikan persepsi visual, pemahaman bahasa, dan tindakan fisik dalam kerangka kerja yang terpadu. Pada Februari 2025, sebuah perusahaan kecerdasan buatan merilis model kontrol Bot humanoid umum yang menetapkan standar baru untuk industri berkat kemampuan generalisasi tanpa contoh dan arsitektur sistem ganda. Generalisasi tanpa contoh memungkinkan Bot untuk beradaptasi dengan skenario baru, objek baru, dan instruksi baru tanpa perlu pelatihan ulang untuk setiap tugas. Arsitektur sistem ganda memisahkan penalaran tingkat tinggi dan penalaran ringan, menciptakan Bot humanoid komersial yang menggabungkan pemikiran mirip manusia dengan akurasi waktu nyata.
Robot ekonomi menjadi kenyataan
Teknologi yang mengubah dunia selalu memiliki sifat yang dapat diakses. Ketika harga beberapa robot humanoid lebih rendah dari mobil kelas menengah atau pendapatan tahunan terendah di Amerika, membayangkan dunia di mana pekerjaan fisik dan tugas sehari-hari sebagian besar diselesaikan oleh Bot tidak lagi terasa mustahil.
dari penyimpanan ke pasar konsumen
Teknologi Bot sedang berkembang dari solusi gudang ke bidang konsumen. Dunia ini dirancang untuk manusia—manusia dapat menyelesaikan semua pekerjaan yang dilakukan oleh Bot profesional, sementara Bot profesional tidak dapat menangani semua pekerjaan manusia. Perusahaan Bot tidak lagi terbatas pada pembuatan Bot khusus untuk pabrik, tetapi beralih ke pengembangan Bot humanoid yang lebih serbaguna. Oleh karena itu, ujung tombak teknologi Bot tidak hanya ada di gudang, tetapi juga akan meresap ke dalam kehidupan sehari-hari.
Biaya adalah salah satu kendala utama dalam skala. Indikator yang paling penting adalah biaya keseluruhan per jam, yang dihitung dengan cara: biaya peluang waktu untuk pelatihan dan pengisian, biaya pelaksanaan tugas, dan biaya pembelian Bot, dibagi dengan total jam operasi Bot. Biaya ini harus di bawah tingkat gaji rata-rata industri terkait agar kompetitif.
Untuk sepenuhnya menerobos bidang penyimpanan, biaya keseluruhan robot per jam harus di bawah 31,39 dolar AS. Sementara itu, di pasar konsumen terbesar - bidang pendidikan swasta dan layanan kesehatan, biaya tersebut harus dikendalikan di bawah 35,18 dolar AS. Saat ini, robot sedang berkembang ke arah yang lebih murah, lebih efisien, dan lebih serbaguna.
2. Langkah Terobosan Berikutnya dalam Teknologi Bot
optimasi baterai
Teknologi baterai telah menjadi kendala bagi robot yang ramah pengguna. Beberapa robot humanoid hanya memiliki daya tahan baterai sekitar 2 jam. Pengguna jelas tidak mau mengisi daya secara manual setiap dua jam, sehingga pengisian daya mandiri dan infrastruktur docking menjadi arah pengembangan utama. Saat ini, ada dua mode utama untuk pengisian daya robot: penggantian baterai atau pengisian daya langsung.
Mode penggantian baterai memungkinkan penggantian cepat dari kumpulan baterai yang habis untuk mencapai operasi berkelanjutan, meminimalkan waktu henti, cocok untuk skenario lapangan atau pabrik. Proses ini dapat dilakukan secara manual atau otomatis.
Pengisian induktif menggunakan metode penyediaan daya nirkabel, meskipun pengisian penuh memakan waktu lebih lama, tetapi dapat dengan mudah mencapai proses otomatisasi penuh.
optimasi latensi
Operasi latensi rendah dapat dibagi menjadi dua kategori: persepsi lingkungan dan pengendalian jarak jauh. Persepsi mengacu pada kemampuan ruang kognitif Bot terhadap lingkungan, sedangkan pengendalian jarak jauh secara khusus merujuk pada kontrol waktu nyata oleh operator manusia.
Penelitian menunjukkan bahwa sistem persepsi Bot dimulai dari sensor murah, tetapi keunggulan teknologi terletak pada perangkat lunak integrasi, komputasi daya rendah, dan sirkuit kontrol presisi dalam milidetik. Setelah Bot menyelesaikan pemetaan ruang, jaringan saraf ringan akan menandai elemen seperti rintangan, palet, atau manusia. Setelah label skenario dimasukkan ke dalam sistem perencanaan, segera menghasilkan instruksi motor yang dikirim ke kaki, roda, atau lengan mekanis. Keterlambatan persepsi di bawah 50 milidetik setara dengan kecepatan refleks manusia—setiap keterlambatan yang melebihi ambang batas ini akan menyebabkan gerakan Bot menjadi canggung. Oleh karena itu, 90% keputusan harus diselesaikan secara lokal melalui satu jaringan visi-bahasa-tindakan.
Robot otonom penuh harus memastikan model VLA berkinerja tinggi dengan latensi kurang dari 50 milidetik; robot yang dikendalikan dari jarak jauh mengharuskan latensi sinyal antara sisi pengoperasian dan robot tidak melebihi 50 milidetik. Pentingnya model VLA di sini sangat jelas - jika input visi dan teks diproses oleh model yang berbeda sebelum dimasukkan ke dalam model bahasa besar, total latensi akan jauh melebihi ambang batas 50 milidetik.
optimasi pengumpulan data
Pengumpulan data terutama memiliki tiga jalur: data video dunia nyata, data sintetik, dan data kontrol jarak jauh. Kendala inti antara data nyata dan data sintetik terletak pada menjembatani perbedaan antara perilaku fisik Bot dan model video/simulasi. Data video nyata kehilangan umpan balik fisik, kesalahan gerakan sendi, dan detail fisik seperti deformasi material; data simulasi kekurangan variabel tak terduga seperti kegagalan sensor dan koefisien gesekan.
Metode pengumpulan data yang paling potensial adalah pengendalian jarak jauh—di mana operator manusia mengendalikan bot untuk menjalankan tugas. Namun, biaya tenaga kerja adalah faktor pembatas utama dalam pengumpulan data dengan pengendalian jarak jauh.
Pengembangan perangkat keras khusus juga memberikan solusi baru untuk pengumpulan data berkualitas tinggi. Beberapa perusahaan menggabungkan metode mainstream dengan perangkat keras khusus untuk mengumpulkan data gerakan manusia multidimensi, yang setelah diproses diubah menjadi dataset yang cocok untuk pelatihan jaringan saraf Bot, bersama dengan siklus iterasi yang cepat untuk menyediakan data berkualitas tinggi dalam jumlah besar untuk pelatihan AI Bot. Saluran teknologi ini secara bersama-sama memperpendek jalur konversi dari data mentah menjadi Bot yang dapat diterapkan.
3. Bidang Eksplorasi Utama
enkripsi teknologi dan Bot
Teknologi enkripsi dapat mendorong pihak yang tidak saling percaya untuk meningkatkan efisiensi jaringan Bot. Berdasarkan bidang kunci yang telah disebutkan sebelumnya, teknologi enkripsi dapat meningkatkan efisiensi dalam tiga aspek yaitu integrasi infrastruktur, optimasi latensi, dan pengumpulan data.
Jaringan infrastruktur fisik terdesentralisasi ( DePIN ) diharapkan dapat merevolusi infrastruktur pengisian daya. Ketika robot manusia beroperasi secara global seperti mobil, stasiun pengisian perlu mudah dijangkau seperti stasiun pengisian bahan bakar. Jaringan terpusat memerlukan investasi awal yang besar, sementara DePIN membagi biaya kepada operator node, memungkinkan fasilitas pengisian berkembang dengan cepat ke lebih banyak area.
DePIN juga dapat memanfaatkan infrastruktur terdistribusi untuk mengoptimalkan latensi kontrol jarak jauh. Dengan mengagregasi sumber daya komputasi node tepi yang terdistribusi secara geografis, instruksi kontrol jarak jauh dapat diproses oleh node lokal atau node terdekat yang tersedia, meminimalkan jarak transmisi data dan secara signifikan mengurangi latensi komunikasi. Namun, proyek DePIN saat ini lebih fokus pada penyimpanan terdesentralisasi, distribusi konten, dan berbagi bandwidth, meskipun ada proyek yang menunjukkan keunggulan komputasi tepi dalam streaming media atau Internet of Things, belum diperluas ke bidang robotika atau kontrol jarak jauh.
Pengendalian jarak jauh adalah cara pengumpulan data yang paling menjanjikan, tetapi biaya untuk entitas terpusat yang mempekerjakan profesional untuk mengumpulkan data sangat tinggi. DePIN memecahkan masalah ini dengan mendorong pihak ketiga untuk menyediakan data pengendalian jarak jauh melalui token enkripsi. Beberapa proyek sedang membangun jaringan operator jarak jauh global, yang mengubah kontribusi mereka menjadi aset digital yang tertokenisasi, membentuk sistem terdesentralisasi tanpa izin—peserta dapat memperoleh keuntungan, berpartisipasi dalam pemerintahan, dan membantu pelatihan robot AGI.
Keamanan selalu menjadi perhatian utama
Tujuan akhir dari teknologi robot adalah mencapai otonomi penuh, tetapi seperti yang diperingatkan oleh beberapa film fiksi ilmiah, manusia paling tidak ingin melihat otonomi mengubah robot menjadi senjata agresif. Masalah keamanan model bahasa besar telah menarik perhatian, dan ketika model-model ini memiliki kemampuan untuk bertindak secara fisik, keamanan robot menjadi prasyarat kunci untuk penerimaan masyarakat.
Keamanan ekonomi adalah salah satu pilar kemakmuran ekosistem Bot. Beberapa perusahaan sedang membangun lapisan koordinasi mesin terdesentralisasi, yang menggunakan enkripsi untuk mewujudkan otentikasi identitas perangkat, verifikasi keberadaan fisik, dan pengambilan sumber daya. Sistem ini memungkinkan Bot untuk membuktikan informasi identitas, lokasi geografis, dan catatan perilaku secara mandiri tanpa bergantung pada perantara terpusat.
Pembatasan perilaku dan otentikasi identitas dieksekusi melalui mekanisme on-chain, memastikan bahwa siapa pun dapat mengaudit kepatuhan. Robot yang memenuhi standar keamanan, persyaratan kualitas, dan norma daerah akan mendapatkan imbalan, sementara pelanggar akan menghadapi hukuman atau diskualifikasi, sehingga membangun mekanisme akuntabilitas dan kepercayaan dalam jaringan mesin otonom.
Jaringan re-staking pihak ketiga juga dapat memberikan jaminan keamanan yang setara. Meskipun sistem parameter hukuman masih perlu disempurnakan, teknologi terkait telah memasuki tahap praktis. Diperkirakan pedoman keamanan industri akan segera terbentuk, dan pada saat itu parameter hukuman akan dimodelkan berdasarkan pedoman tersebut.
Salah satu skema pelaksanaan yang mungkin adalah sebagai berikut:
Perusahaan Bot bergabung dengan jaringan staking ulang.
Tetapkan parameter penyitaan yang dapat diverifikasi (seperti "memberikan gaya kontak manusia lebih dari 2500 Newton");
Staker menyediakan jaminan untuk memastikan Bot mematuhi parameter;
Jika terjadi pelanggaran, deposit akan digunakan sebagai kompensasi bagi korban.
Mode ini tidak hanya mendorong perusahaan untuk mengutamakan keamanan, tetapi juga meningkatkan penerimaan konsumen melalui mekanisme asuransi dari kolam dana yang dipertaruhkan.
4. Mengisi Kekosongan di Tumpukan Teknologi Bot
Sebuah perusahaan AI ternama mendorong penyebaran AI, tetapi landasan terobosan ini telah lama diletakkan. Layanan cloud memecahkan ketergantungan model pada kekuatan komputasi lokal, platform sumber terbuka mewujudkan model sumber terbuka, dan beberapa platform online menyediakan tempat eksperimen bagi insinyur AI. Terobosan bertahap ini secara bersama-sama berkontribusi pada populernya AI.
Tidak seperti AI, bidang Bot sulit untuk dimasuki ketika dana terbatas. Untuk mencapai penyebaran Bot, ambang pengembangannya perlu diturunkan hingga tingkat kemudahan yang sama dengan pengembangan aplikasi AI. Kami percaya ada ruang untuk perbaikan di tiga aspek: mekanisme pembiayaan, sistem evaluasi, dan ekosistem pendidikan.
Pendanaan adalah titik sakit di bidang robotika. Mengembangkan program komputer hanya memerlukan satu komputer dan sumber daya cloud, sementara membangun robot yang berfungsi penuh memerlukan pengadaan motor, sensor, baterai, dan perangkat keras lainnya, yang biayanya dengan mudah melampaui 100.000 dolar. Sifat perangkat keras ini membuat pengembangan robot kurang fleksibel dan mahal dibandingkan dengan AI.
Infrastruktur evaluasi robot dalam skenario nyata masih berada di tahap awal. Di bidang AI, telah dibangun sistem fungsi kerugian yang jelas, dan pengujian dapat sepenuhnya divirtualisasi. Namun, strategi virtual yang baik tidak dapat langsung diterapkan sebagai solusi yang efektif di dunia nyata. Robot perlu menguji fasilitas evaluasi strategi otonom dalam lingkungan nyata yang beragam untuk mencapai optimasi iteratif.
Ketika infrastruktur ini matang, talenta akan mengalir dalam jumlah besar, dan robot humanoid akan mengulangi kurva ledakan Web2. Beberapa perusahaan enkripsi robot sedang bergerak ke arah ini—mengembangkan "sistem operasi android versi robot", mengubah perangkat keras asli menjadi agen cerdas yang dapat ditingkatkan dengan kesadaran ekonomi. Modul perencanaan visual, bahasa, dan gerakan dapat dipasang dan digunakan seperti aplikasi ponsel, dengan semua langkah penalaran disajikan dalam bahasa yang jelas, sehingga operator tidak perlu menyentuh firmware untuk mengaudit atau menyesuaikan perilaku. Kemampuan penalaran bahasa alami ini memungkinkan generasi baru talenta untuk masuk ke bidang robotika tanpa hambatan, melangkah ke langkah kunci untuk meledakkan platform terbuka revolusi robotika, seperti peran percepatan gerakan sumber terbuka terhadap AI.
Kepadatan bakat menentukan arah industri. Sistem pendidikan inklusif yang terstruktur sangat penting untuk pengiriman bakat di bidang robotika. Keberhasilan suatu perusahaan robot untuk melantai di Nasdaq menandai dimulainya era baru di mana mesin cerdas terlibat dalam inovasi finansial dan pendidikan nyata. Perusahaan tersebut bersama mitranya mengumumkan akan meluncurkan kurikulum pendidikan umum berbasis robot humanoid di sekolah publik K-12 di Amerika Serikat. Desain kurikulum ini memiliki platform independen, dapat disesuaikan dengan berbagai bentuk robot, dan memberikan kesempatan bagi siswa untuk melakukan praktik.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
12 Suka
Hadiah
12
1
Posting ulang
Bagikan
Komentar
0/400
PaperHandsCriminal
· 9jam yang lalu
Uang kertas sudah melambai kepada Bot... Kapan saya bisa tidak menjadi suckers
Revolusi Robot yang Didukung AI: Robot Humanoid Era ChatGPT Segera Datang
Revolusi otomatisasi yang didorong oleh AI dan enkripsi: "Momen ChatGPT" dari Bot akan segera tiba
Kemunculan ChatGPT telah mengubah secara drastis pemahaman orang tentang kecerdasan buatan. Namun, impian sejati umat manusia adalah membuat AI berinteraksi dengan dunia fisik dalam bentuk robot, seperti yang digambarkan dalam film fiksi ilmiah.
Terobosan besar di bidang Robot tampaknya akan segera datang. Artikel ini akan menganalisis bagaimana kemajuan kecerdasan buatan dalam beberapa tahun terakhir mengubah lanskap industri, mengeksplorasi bagaimana teknologi baterai, optimasi latensi, dan perbaikan pengumpulan data akan membentuk masa depan, serta peran enkripsi dalam hal ini. Selain itu, juga akan dijelaskan bidang-bidang yang patut diperhatikan seperti keamanan robot, pendanaan, evaluasi, dan pendidikan.
1. Faktor Kunci dalam Mendorong Perubahan
terobosan kecerdasan buatan
Kemajuan model bahasa multimodal memberikan "otak" untuk Bot dalam melaksanakan tugas-tugas kompleks. Bot terutama merasakan lingkungan melalui penglihatan dan pendengaran. Model visi komputer tradisional unggul dalam deteksi atau klasifikasi objek, tetapi sulit untuk mengubah informasi visual menjadi instruksi tindakan. Meskipun model bahasa besar menunjukkan kinerja luar biasa dalam pemahaman dan generasi teks, mereka kurang memiliki kemampuan untuk merasakan dunia fisik.
Model-visual-bahasa-tindakan ( VLA ) memungkinkan Bot untuk mengintegrasikan persepsi visual, pemahaman bahasa, dan tindakan fisik dalam kerangka kerja yang terpadu. Pada Februari 2025, sebuah perusahaan kecerdasan buatan merilis model kontrol Bot humanoid umum yang menetapkan standar baru untuk industri berkat kemampuan generalisasi tanpa contoh dan arsitektur sistem ganda. Generalisasi tanpa contoh memungkinkan Bot untuk beradaptasi dengan skenario baru, objek baru, dan instruksi baru tanpa perlu pelatihan ulang untuk setiap tugas. Arsitektur sistem ganda memisahkan penalaran tingkat tinggi dan penalaran ringan, menciptakan Bot humanoid komersial yang menggabungkan pemikiran mirip manusia dengan akurasi waktu nyata.
Robot ekonomi menjadi kenyataan
Teknologi yang mengubah dunia selalu memiliki sifat yang dapat diakses. Ketika harga beberapa robot humanoid lebih rendah dari mobil kelas menengah atau pendapatan tahunan terendah di Amerika, membayangkan dunia di mana pekerjaan fisik dan tugas sehari-hari sebagian besar diselesaikan oleh Bot tidak lagi terasa mustahil.
dari penyimpanan ke pasar konsumen
Teknologi Bot sedang berkembang dari solusi gudang ke bidang konsumen. Dunia ini dirancang untuk manusia—manusia dapat menyelesaikan semua pekerjaan yang dilakukan oleh Bot profesional, sementara Bot profesional tidak dapat menangani semua pekerjaan manusia. Perusahaan Bot tidak lagi terbatas pada pembuatan Bot khusus untuk pabrik, tetapi beralih ke pengembangan Bot humanoid yang lebih serbaguna. Oleh karena itu, ujung tombak teknologi Bot tidak hanya ada di gudang, tetapi juga akan meresap ke dalam kehidupan sehari-hari.
Biaya adalah salah satu kendala utama dalam skala. Indikator yang paling penting adalah biaya keseluruhan per jam, yang dihitung dengan cara: biaya peluang waktu untuk pelatihan dan pengisian, biaya pelaksanaan tugas, dan biaya pembelian Bot, dibagi dengan total jam operasi Bot. Biaya ini harus di bawah tingkat gaji rata-rata industri terkait agar kompetitif.
Untuk sepenuhnya menerobos bidang penyimpanan, biaya keseluruhan robot per jam harus di bawah 31,39 dolar AS. Sementara itu, di pasar konsumen terbesar - bidang pendidikan swasta dan layanan kesehatan, biaya tersebut harus dikendalikan di bawah 35,18 dolar AS. Saat ini, robot sedang berkembang ke arah yang lebih murah, lebih efisien, dan lebih serbaguna.
2. Langkah Terobosan Berikutnya dalam Teknologi Bot
optimasi baterai
Teknologi baterai telah menjadi kendala bagi robot yang ramah pengguna. Beberapa robot humanoid hanya memiliki daya tahan baterai sekitar 2 jam. Pengguna jelas tidak mau mengisi daya secara manual setiap dua jam, sehingga pengisian daya mandiri dan infrastruktur docking menjadi arah pengembangan utama. Saat ini, ada dua mode utama untuk pengisian daya robot: penggantian baterai atau pengisian daya langsung.
Mode penggantian baterai memungkinkan penggantian cepat dari kumpulan baterai yang habis untuk mencapai operasi berkelanjutan, meminimalkan waktu henti, cocok untuk skenario lapangan atau pabrik. Proses ini dapat dilakukan secara manual atau otomatis.
Pengisian induktif menggunakan metode penyediaan daya nirkabel, meskipun pengisian penuh memakan waktu lebih lama, tetapi dapat dengan mudah mencapai proses otomatisasi penuh.
optimasi latensi
Operasi latensi rendah dapat dibagi menjadi dua kategori: persepsi lingkungan dan pengendalian jarak jauh. Persepsi mengacu pada kemampuan ruang kognitif Bot terhadap lingkungan, sedangkan pengendalian jarak jauh secara khusus merujuk pada kontrol waktu nyata oleh operator manusia.
Penelitian menunjukkan bahwa sistem persepsi Bot dimulai dari sensor murah, tetapi keunggulan teknologi terletak pada perangkat lunak integrasi, komputasi daya rendah, dan sirkuit kontrol presisi dalam milidetik. Setelah Bot menyelesaikan pemetaan ruang, jaringan saraf ringan akan menandai elemen seperti rintangan, palet, atau manusia. Setelah label skenario dimasukkan ke dalam sistem perencanaan, segera menghasilkan instruksi motor yang dikirim ke kaki, roda, atau lengan mekanis. Keterlambatan persepsi di bawah 50 milidetik setara dengan kecepatan refleks manusia—setiap keterlambatan yang melebihi ambang batas ini akan menyebabkan gerakan Bot menjadi canggung. Oleh karena itu, 90% keputusan harus diselesaikan secara lokal melalui satu jaringan visi-bahasa-tindakan.
Robot otonom penuh harus memastikan model VLA berkinerja tinggi dengan latensi kurang dari 50 milidetik; robot yang dikendalikan dari jarak jauh mengharuskan latensi sinyal antara sisi pengoperasian dan robot tidak melebihi 50 milidetik. Pentingnya model VLA di sini sangat jelas - jika input visi dan teks diproses oleh model yang berbeda sebelum dimasukkan ke dalam model bahasa besar, total latensi akan jauh melebihi ambang batas 50 milidetik.
optimasi pengumpulan data
Pengumpulan data terutama memiliki tiga jalur: data video dunia nyata, data sintetik, dan data kontrol jarak jauh. Kendala inti antara data nyata dan data sintetik terletak pada menjembatani perbedaan antara perilaku fisik Bot dan model video/simulasi. Data video nyata kehilangan umpan balik fisik, kesalahan gerakan sendi, dan detail fisik seperti deformasi material; data simulasi kekurangan variabel tak terduga seperti kegagalan sensor dan koefisien gesekan.
Metode pengumpulan data yang paling potensial adalah pengendalian jarak jauh—di mana operator manusia mengendalikan bot untuk menjalankan tugas. Namun, biaya tenaga kerja adalah faktor pembatas utama dalam pengumpulan data dengan pengendalian jarak jauh.
Pengembangan perangkat keras khusus juga memberikan solusi baru untuk pengumpulan data berkualitas tinggi. Beberapa perusahaan menggabungkan metode mainstream dengan perangkat keras khusus untuk mengumpulkan data gerakan manusia multidimensi, yang setelah diproses diubah menjadi dataset yang cocok untuk pelatihan jaringan saraf Bot, bersama dengan siklus iterasi yang cepat untuk menyediakan data berkualitas tinggi dalam jumlah besar untuk pelatihan AI Bot. Saluran teknologi ini secara bersama-sama memperpendek jalur konversi dari data mentah menjadi Bot yang dapat diterapkan.
3. Bidang Eksplorasi Utama
enkripsi teknologi dan Bot
Teknologi enkripsi dapat mendorong pihak yang tidak saling percaya untuk meningkatkan efisiensi jaringan Bot. Berdasarkan bidang kunci yang telah disebutkan sebelumnya, teknologi enkripsi dapat meningkatkan efisiensi dalam tiga aspek yaitu integrasi infrastruktur, optimasi latensi, dan pengumpulan data.
Jaringan infrastruktur fisik terdesentralisasi ( DePIN ) diharapkan dapat merevolusi infrastruktur pengisian daya. Ketika robot manusia beroperasi secara global seperti mobil, stasiun pengisian perlu mudah dijangkau seperti stasiun pengisian bahan bakar. Jaringan terpusat memerlukan investasi awal yang besar, sementara DePIN membagi biaya kepada operator node, memungkinkan fasilitas pengisian berkembang dengan cepat ke lebih banyak area.
DePIN juga dapat memanfaatkan infrastruktur terdistribusi untuk mengoptimalkan latensi kontrol jarak jauh. Dengan mengagregasi sumber daya komputasi node tepi yang terdistribusi secara geografis, instruksi kontrol jarak jauh dapat diproses oleh node lokal atau node terdekat yang tersedia, meminimalkan jarak transmisi data dan secara signifikan mengurangi latensi komunikasi. Namun, proyek DePIN saat ini lebih fokus pada penyimpanan terdesentralisasi, distribusi konten, dan berbagi bandwidth, meskipun ada proyek yang menunjukkan keunggulan komputasi tepi dalam streaming media atau Internet of Things, belum diperluas ke bidang robotika atau kontrol jarak jauh.
Pengendalian jarak jauh adalah cara pengumpulan data yang paling menjanjikan, tetapi biaya untuk entitas terpusat yang mempekerjakan profesional untuk mengumpulkan data sangat tinggi. DePIN memecahkan masalah ini dengan mendorong pihak ketiga untuk menyediakan data pengendalian jarak jauh melalui token enkripsi. Beberapa proyek sedang membangun jaringan operator jarak jauh global, yang mengubah kontribusi mereka menjadi aset digital yang tertokenisasi, membentuk sistem terdesentralisasi tanpa izin—peserta dapat memperoleh keuntungan, berpartisipasi dalam pemerintahan, dan membantu pelatihan robot AGI.
Keamanan selalu menjadi perhatian utama
Tujuan akhir dari teknologi robot adalah mencapai otonomi penuh, tetapi seperti yang diperingatkan oleh beberapa film fiksi ilmiah, manusia paling tidak ingin melihat otonomi mengubah robot menjadi senjata agresif. Masalah keamanan model bahasa besar telah menarik perhatian, dan ketika model-model ini memiliki kemampuan untuk bertindak secara fisik, keamanan robot menjadi prasyarat kunci untuk penerimaan masyarakat.
Keamanan ekonomi adalah salah satu pilar kemakmuran ekosistem Bot. Beberapa perusahaan sedang membangun lapisan koordinasi mesin terdesentralisasi, yang menggunakan enkripsi untuk mewujudkan otentikasi identitas perangkat, verifikasi keberadaan fisik, dan pengambilan sumber daya. Sistem ini memungkinkan Bot untuk membuktikan informasi identitas, lokasi geografis, dan catatan perilaku secara mandiri tanpa bergantung pada perantara terpusat.
Pembatasan perilaku dan otentikasi identitas dieksekusi melalui mekanisme on-chain, memastikan bahwa siapa pun dapat mengaudit kepatuhan. Robot yang memenuhi standar keamanan, persyaratan kualitas, dan norma daerah akan mendapatkan imbalan, sementara pelanggar akan menghadapi hukuman atau diskualifikasi, sehingga membangun mekanisme akuntabilitas dan kepercayaan dalam jaringan mesin otonom.
Jaringan re-staking pihak ketiga juga dapat memberikan jaminan keamanan yang setara. Meskipun sistem parameter hukuman masih perlu disempurnakan, teknologi terkait telah memasuki tahap praktis. Diperkirakan pedoman keamanan industri akan segera terbentuk, dan pada saat itu parameter hukuman akan dimodelkan berdasarkan pedoman tersebut.
Salah satu skema pelaksanaan yang mungkin adalah sebagai berikut:
Mode ini tidak hanya mendorong perusahaan untuk mengutamakan keamanan, tetapi juga meningkatkan penerimaan konsumen melalui mekanisme asuransi dari kolam dana yang dipertaruhkan.
4. Mengisi Kekosongan di Tumpukan Teknologi Bot
Sebuah perusahaan AI ternama mendorong penyebaran AI, tetapi landasan terobosan ini telah lama diletakkan. Layanan cloud memecahkan ketergantungan model pada kekuatan komputasi lokal, platform sumber terbuka mewujudkan model sumber terbuka, dan beberapa platform online menyediakan tempat eksperimen bagi insinyur AI. Terobosan bertahap ini secara bersama-sama berkontribusi pada populernya AI.
Tidak seperti AI, bidang Bot sulit untuk dimasuki ketika dana terbatas. Untuk mencapai penyebaran Bot, ambang pengembangannya perlu diturunkan hingga tingkat kemudahan yang sama dengan pengembangan aplikasi AI. Kami percaya ada ruang untuk perbaikan di tiga aspek: mekanisme pembiayaan, sistem evaluasi, dan ekosistem pendidikan.
Pendanaan adalah titik sakit di bidang robotika. Mengembangkan program komputer hanya memerlukan satu komputer dan sumber daya cloud, sementara membangun robot yang berfungsi penuh memerlukan pengadaan motor, sensor, baterai, dan perangkat keras lainnya, yang biayanya dengan mudah melampaui 100.000 dolar. Sifat perangkat keras ini membuat pengembangan robot kurang fleksibel dan mahal dibandingkan dengan AI.
Infrastruktur evaluasi robot dalam skenario nyata masih berada di tahap awal. Di bidang AI, telah dibangun sistem fungsi kerugian yang jelas, dan pengujian dapat sepenuhnya divirtualisasi. Namun, strategi virtual yang baik tidak dapat langsung diterapkan sebagai solusi yang efektif di dunia nyata. Robot perlu menguji fasilitas evaluasi strategi otonom dalam lingkungan nyata yang beragam untuk mencapai optimasi iteratif.
Ketika infrastruktur ini matang, talenta akan mengalir dalam jumlah besar, dan robot humanoid akan mengulangi kurva ledakan Web2. Beberapa perusahaan enkripsi robot sedang bergerak ke arah ini—mengembangkan "sistem operasi android versi robot", mengubah perangkat keras asli menjadi agen cerdas yang dapat ditingkatkan dengan kesadaran ekonomi. Modul perencanaan visual, bahasa, dan gerakan dapat dipasang dan digunakan seperti aplikasi ponsel, dengan semua langkah penalaran disajikan dalam bahasa yang jelas, sehingga operator tidak perlu menyentuh firmware untuk mengaudit atau menyesuaikan perilaku. Kemampuan penalaran bahasa alami ini memungkinkan generasi baru talenta untuk masuk ke bidang robotika tanpa hambatan, melangkah ke langkah kunci untuk meledakkan platform terbuka revolusi robotika, seperti peran percepatan gerakan sumber terbuka terhadap AI.
Kepadatan bakat menentukan arah industri. Sistem pendidikan inklusif yang terstruktur sangat penting untuk pengiriman bakat di bidang robotika. Keberhasilan suatu perusahaan robot untuk melantai di Nasdaq menandai dimulainya era baru di mana mesin cerdas terlibat dalam inovasi finansial dan pendidikan nyata. Perusahaan tersebut bersama mitranya mengumumkan akan meluncurkan kurikulum pendidikan umum berbasis robot humanoid di sekolah publik K-12 di Amerika Serikat. Desain kurikulum ini memiliki platform independen, dapat disesuaikan dengan berbagai bentuk robot, dan memberikan kesempatan bagi siswa untuk melakukan praktik.