DePIN与具身智能：技术瓶颈与未来前景

2月27日，Messari举办了一场关于“构建去中心化物理人工智能”的播客，邀请了FrodoBot Lab的联合创始人Michael Cho。他们探讨了去中心化物理基础设施网络（DePIN）在机器人技术领域的挑战与机会。尽管这一领域仍处于起步阶段，但其潜力巨大，可能彻底改变AI机器人在现实世界中的运作方式。然而，与依赖大量互联网数据的传统AI不同，DePIN机器人AI技术面临更多复杂问题，如数据收集、硬件限制、评估瓶颈以及经济模式的可持续性。

本文将拆解此次讨论的关键点，分析DePIN机器人技术面临的主要障碍，并探讨其相较于中心化方法的优势。最后，我们还将展望DePIN机器人技术的未来，探讨是否即将迎来属于它的“ChatGPT时刻”。

DePIN智能机器人的主要瓶颈

Michael Cho在创立FrodoBot时，最头疼的问题是机器人技术的成本。市面上商用机器人价格高昂，导致AI在现实世界中的应用难以推广。他最初的解决方案是开发一款低成本自主机器人，目标成本仅500美元，以低价优势取胜。

然而，随着研发深入，Michael意识到，成本并非真正的瓶颈。DePIN在机器人技术中的挑战远比“贵不贵”复杂得多。以下是实现大规模部署必须克服的几大瓶颈：

瓶颈一：数据

与依赖大量互联网数据训练的“线上”AI大模型不同，具身化AI（embodied AI）需要通过与现实世界的互动发展智能。目前，全球范围内尚无大规模的数据基础，且对如何收集这些数据缺乏共识。具身化AI的数据收集可分为以下三类：

▎第一类是人类操作数据，即人类手动控制机器人时产生的数据。这类数据质量高，能捕捉视频流和动作标签，是训练AI模仿人类行为的有效方式，但成本高且劳动强度大。

▎第二类是合成数据（模拟数据），对训练机器人在复杂地形中移动很有帮助，但对于变化多端的任务（如做饭），虚拟环境难以覆盖所有场景。

▎第三类是视频学习，让AI模型通过观察现实世界的视频学习。这种方法有潜力，但缺乏物理互动反馈。

瓶颈二：自主性水平

Michael提到，他在现实世界中首次测试FrodoBot时，主要用于最后一英里的配送。数据显示，机器人成功完成了90%的任务，但10%的失败率在商业上不可接受。一个每十次配送就失败一次的机器人无法被市场接受。要实现商业化，成功率需接近99.99%甚至更高。然而，每提高0.001%的准确率都需要付出指数级的时间和精力。

Michael回忆道，2015年他坐在谷歌的自动驾驶汽车原型里时，认为完全自主驾驶即将实现。十年过去了，Level 5完全自主性仍未达成。机器人技术的进步并非线性，而是呈指数性质——越接近完美，难度越大。

瓶颈三：硬件问题

即使AI模型再先进，现有机器人硬件也尚未准备好实现真正的自主性。例如，触觉传感器的缺乏是一大问题。当前技术远未达到人类指尖的敏感度，机器人对纹理、抓握和压力反馈几乎一无所知。

此外，遮挡问题也是一个难点。当物体部分被挡住时，机器人难以识别和互动，而人类即使看不到全貌也能凭直觉理解。

执行器设计也存在缺陷。大多数仿人机器人将执行器直接放在关节上，导致动作僵硬且潜在危险。相比之下，人类的肌腱结构使动作更平滑、安全。像Apptronik这样的公司正在开发更具生物灵感的设计，但这些创新还需时间成熟。

瓶颈四：硬件扩展难题

与依赖计算能力的传统AI模型不同，智能机器人技术需要在现实世界中部署物理设备，这带来了巨大的资本挑战。制造机器人成本高昂，只有少数大公司能负担大规模实验。即使是高效的仿人机器人，成本也高达数万美元，大规模普及不现实。

瓶颈五：评估有效性

这是一个“隐形”瓶颈。在线AI大模型（如ChatGPT）几乎可以瞬间测试其功能，而评估物理AI则需要现实世界的部署，耗时较长。

特斯拉的全自动驾驶（FSD）软件是一个例子。即使记录了100万英里无事故，这是否意味着它达到了Level 5自主性？唯一验证方法是看它最终在哪里失败，这意味着需要大规模、长时间的实时部署。

瓶颈六：人力依赖

机器人AI开发中，人类劳动力依然不可或缺。机器人需要人类操作员提供训练数据，维护团队保持运行，研究人员持续优化AI模型。与可在云端训练的AI模型不同，机器人需要持续的人类干预，这也是DePIN必须解决的主要挑战之一。

未来：机器人技术的ChatGPT时刻何时到来？

一些人认为，机器人技术的ChatGPT时刻即将到来。Michael对此持怀疑态度。考虑到硬件、数据和评估的挑战，他认为通用机器人AI距离大规模采用还很遥远。然而，DePIN机器人技术的进展确实带来了希望。

机器人技术的开发应是去中心化的，而非由少数大公司主导。去中心化网络的规模和协调性能分散资本负担。例如，DePIN加速了数据收集和评估，无需等待一家公司部署有限机器人，去中心化网络可更大规模并行运行。

此外，AI驱动的硬件设计改进（如优化芯片和材料工程）可能大幅缩短时间线。例如，FrodoBot Lab与其他机构合作，确保了两盒NVIDIA H100 GPU，为研究人员提供了必要的计算能力。通过DePIN去中心化计算基础设施的访问，全球研究人员可在不受资本密集型GPU限制的情况下训练和评估模型。

像Sam这样的AI代理展示了去中心化机器人技术网络的新盈利模式。Sam自主运行，24/7在多个城市直播，其meme币也在增值。这种模式展示了由DePIN驱动的智能机器人如何通过去中心化所有权和代币激励维持财务。

总结

机器人AI的发展不仅取决于算法，还涉及硬件升级、数据积累、资金支持及人类参与。过去，高昂成本和大型企业主导地位限制了创新速度。而DePIN机器人网络的建立意味着，借助去中心化网络的力量，机器人数据收集、计算资源和资本投入可在全球范围内协同进行，不仅加速AI训练和硬件优化，还能降低开发门槛，让更多研究人员、创业者和个人用户参与进来。

*Coinspire平台上的所有内容仅供参考，不构成任何投资策略的要约或建议，基于本文内容所做的任何个人决策均由投资者自行承担责任，Coinspire不对由此产生的任何收益或损失负责。

投资有风险，决策需谨慎