機器人「叛變」在即？DePIN 揭秘 AI 野心的終極陰謀！

引言：DePIN 機器人技術的挑戰與機遇

機器人技術，特別是結合了人工智慧（AI）的機器人，正逐漸走出科幻小說，步入現實世界。然而，實現真正意義上的自主智慧機器人並非易事。2 月 27 日，Messari 舉辦了一場播客，FrodoBot Lab 的聯合創始人 Michael Cho 受邀探討了去中心化物理基礎設施網絡（DePIN）在機器人技術領域所面臨的挑戰和潛在的機遇。

DePIN 機器人技術旨在利用去中心化的網路來構建、部署和維護機器人系統，這與傳統的中心化模式形成鮮明對比。雖然這一領域尚處於早期階段，但其潛力巨大，有望徹底改變 AI 機器人在現實世界中的運作方式。

然而，與那些依賴於大量互聯網數據的傳統 AI 模型不同，DePIN 機器人 AI 技術面臨着更加複雜的問題，包括數據收集的特殊性、硬件設備的限制、評估機制的瓶頸以及經濟模型的可持續性等。

本文將深入剖析 Michael Cho 在這次討論中提出的關鍵觀點，探討 DePIN 機器人技術所遇到的具體問題，分析阻礙去中心化機器人發展的主要障礙，並闡述 DePIN 相較於中心化方法的優勢所在。最後，我們還將展望 DePIN 機器人技術的未來，思考我們是否即將迎來 DePIN 機器人技術領域的 “ChatGPT 時刻”。

DePIN 智慧機器人的瓶頸分析

Michael Cho 在創辦 FrodoBot 之初，就意識到機器人技術的高昂成本是一個巨大的阻礙。當時市面上的商用機器人價格居高不下，使得 AI 在現實世界中的應用難以推廣。為了解決這個問題，他的最初方案是打造一款低成本的自主機器人，目標是將成本控制在 500 美元以內，希望以價格優勢在市場上脫穎而出。

然而，隨著研發的深入，Michael 及其團隊逐漸認識到，成本僅僅是問題的冰山一角。去中心化物理基礎設施網路（DePIN）在機器人技術中所面臨的挑戰，遠比單純的 “貴不貴” 要複雜得多。隨著 FrodoBot Lab 的不斷推進，DePIN 機器人技術的多個瓶頸逐漸浮出水面。要實現大規模部署，以下這些瓶頸必須被逐一克服。

瓶頸一：數據獲取的難點

與那些依賴於大量互聯網數據訓練的 “線上” AI 大模型不同，具身化 AI (embodied AI) 需要與現實世界進行互動才能發展出智能。這意味着機器人需要通過感知、行動和反饋來學習，而這一切都離不開數據。然而，目前世界上並不具備大規模的具身化 AI 數據基礎，而且對於如何有效地收集這些數據也沒有形成廣泛的共識。

具身化 AI 的數據收集大致可以歸為以下三大類：

• 人類操作數據： 這是指人類手動控制機器人時產生的數據。這類數據質量很高，能夠捕捉到視頻流和動作標籤——也就是人類看到什麼，以及如何作出相應的反應。這是訓練 AI 模仿人類行為最有效的方式之一，但其缺點是成本高昂，並且需要大量的人工勞動。

• 合成數據（模擬數據）： 這類數據對於訓練機器人在複雜地形中移動非常有用。例如，可以利用模擬數據來訓練機器人在崎嶇的地面上行走，這對於一些專用領域來說很有價值。然而，對於一些變化多端的任務，例如做飯，模擬環境就顯得力不從心。我們可以想像一下訓練機器人煎蛋的情形：鍋的類型、油溫、房間條件的微小變化都會影響最終的結果，而虛擬環境很難覆蓋所有這些複雜的場景。

• 視頻學習： 這種方法是讓 AI 模型通過觀察現實世界的視頻來學習。雖然這種方法具有一定的潛力，但它缺少智能發展所需的真正物理互動和直接反饋。

瓶頸二：自主性水平的提升困境

Michael 提到，他第一次在現實世界中測試 FrodoBot 時，主要是用機器人做最後一英里的配送。從數據上看，結果其實還算不錯——機器人成功完成了 90% 的配送任務。但現實生活裏，10% 的失敗率是不可接受的。一個每十次配送就失敗一次的機器人，根本無法實現商業化。就像自動駕駛技術那樣，無人駕駛可以有一萬次的成功駕駛記錄，但是一次失敗就足以打敗商業消費者的信心。

因此，要讓機器人技術真正實用，其成功率需要接近 99.99% 甚至更高。但問題是，每提高 0.001% 的準確率，都需要付出指數級的時間和精力。很多人低估了這最後一步的難度。

Michael 回憶說，2015 年他坐在 Google 的自動駕駛汽車原型裏時，覺得完全自主駕駛馬上就要實現了。然而，十年過去了，我們仍然在討論什麼時候能夠實現 Level 5 的完全自主性。機器人技術的進步不是線性的，而是指數性質的——每前進一步，難度都會大幅增加。這最後的 1% 準確率，可能需要幾年甚至幾十年的時間才能實現。

瓶頸三：硬件的制約

退一步講，即使 AI 模型再厲害，現有的機器人硬件也還沒有完全準備好實現真正的自主性。比如，在硬件上最容易被忽視的問題是缺乏觸覺傳感器——目前最好的技術，例如 Meta AI 的研究，還遠遠達不到人類指尖的敏感度。人類依靠視覺和觸覺與世界互動，而機器人對於紋理、抓握和壓力反饋幾乎一無所知。

此外，還存在遮擋問題——當物體部分被遮擋時，機器人很難識別並與之互動。而人類即使看不到物體的全貌，也能憑直覺理解它。

除了感知問題，機器人執行器本身也存在缺陷。大多數仿人機器人將執行器直接放置在關節上，導致它們顯得笨重且潛在危險。相比之下，人類的肌腱結構使得動作更加平滑、更加安全。這就是為什麼現有的仿人機器人看起來僵硬且不靈活。像 Apptronik 這樣的公司正在開發更具生物靈感的執行器設計，但這些創新還需要時間才能成熟。

瓶頸四：硬件擴展的挑戰

與那些僅僅依賴於計算能力的傳統 AI 模型不同，智慧機器人技術的實現需要在現實世界中部署物理設備。這帶來了巨大的資本挑戰。製造機器人的成本很高，只有那些最有錢的大公司才能夠負擔得起大規模的實驗。即使是最具效率的仿人機器人，現在的成本也高達數萬美元，大規模普及根本不現實。

瓶頸五：有效性評估的困難

這是一個 “隱形” 的瓶頸。大家可以思考一下，像 ChatGPT 這樣的線上 AI 大模型幾乎可以瞬間測試其功能——一個新的語言模型發布後，全世界的研究人員或者普通用戶基本上在幾個小時之內就能夠對它的性能好壞得出結論。但是，評估物理 AI 需要現實世界的部署，這需要時間和資源。

特斯拉的全自動駕駛（FSD）軟件就是一個很好的例子。如果特斯拉記錄了 100 萬英里的行駛里程且沒有發生事故，這是否意味着它真的達到了 Level 5 自主性？1000 萬英里呢？機器人智能技術的問題在於，唯一驗證它的方法是看它最終在哪裡失敗，這意味着需要大規模、長時間的實時部署才能進行有效的評估。

瓶頸六：人力投入的重要性

另一個被低估的挑戰是，在機器人 AI 開發中，人類勞動力依然不可或缺。僅僅依靠 AI 是不夠的。機器人需要人類操作員提供訓練數據；需要維護團隊保持機器人的運行；以及必不可少的研究人員/開發人員持續優化 AI 模型。與那些可以在雲端訓練的 AI 模型不同，機器人需要持續的人類干預——這也是 DePIN 必須解決的一個主要挑戰。

未來展望：DePIN 如何加速機器人技術的發展？

有些人認為，機器人技術的 ChatGPT 時刻即將到來。Michael 對此持一定的懷疑態度。考慮到硬件、數據和評估的挑戰，他認為通用機器人 AI 距離大規模採用還很遙遠。不過，DePIN 機器人技術的進展確實讓人看到了希望。機器人技術的開發應該是去中心化的，而不是由少數大公司控制。一個去中心化網絡的規模和協調性能夠分散資本負擔。與其依賴一家大公司出資建造數千台機器人，不如將可以貢獻的個人納入一個共享的網絡之中。

舉例而言：

首先，DePIN 加速了數據收集和評估。無需等待一家公司部署有限的機器人收集數據，去中心化網絡可以以更大的規模並行運行、收集數據。例如，在最近於阿布扎比舉行的一場 AI 與人類機器人競賽中，來自 DeepMind 和 UT Austin 等機構的研究人員將他們的 AI 模型與人類玩家進行了測試。雖然人類仍然佔據上風，但研究人員對從現實世界機器人互動中收集到的獨特數據集感到十分振奮。這從側面證明了對連接機器人技術各個組成部分的子網的需求。研究界的熱情也表明，即使完全自主性仍然是一個長期目標，DePIN 機器人技術已經從數據收集和訓練到現實世界部署和驗證方面展示了切實的價值。

另一方面，AI 驅動的硬件設計改進，例如使用 AI 優化芯片和材料工程，可能會大大縮短時間線。一個具體的例子是 FrodoBot Lab 與其他機構合作，確保了兩盒 NVIDIA H100 GPU——每盒都包含八個 H100 芯片。這為研究人員提供了必要的計算能力，用來處理和優化從機器人部署中收集的現實世界數據的 AI 模型。如果沒有這樣的計算資源，即使是最有價值的數據集也無法得到充分利用。可見，通過 DePIN 去中心化計算基礎設施的訪問，機器人技術網絡可以讓全球的研究人員在不被資本密集的 GPU 所有權所限制的情況下訓練和評估模型。如果 DePIN 能夠成功眾包數據和硬件進步，機器人技術的未來可能會比預期更早到來。

此外，像 Sam 這樣的 AI 代理（一個帶有 meme 幣的旅行 KOL 機器人）展示了去中心化機器人技術網絡的新盈利模式。Sam 自主運行，24/7 在多個城市直播，而它的 meme 幣也在增值。這種模式展示了由 DePIN 驅動的智慧機器人如何通過去中心化所有權和代幣激勵來維持自身財務。未來，這些 AI 代理甚至可以用代幣支付人類操作員的協助、租用額外的機器人資產，或者競標現實世界的任務，從而形成一個既有利於 AI 開發又有利於 DePIN 參與者的經濟循環。

總結：DePIN 助力機器人技術走向開放與可持續

機器人 AI 的發展不僅僅取決於算法的優化，還涉及硬件的升級換代、數據的積累、資金的支持以及人的參與。過去，機器人行業的發展很大程度上受限於高昂的成本和大型企業的主導地位，這使得創新速度受到了阻礙。而 DePIN 機器人網絡的建立意味着，借助去中心化網絡的力量，機器人數據的收集、計算資源的分配和資本的投入可以在全球範圍內協同進行，這不僅能夠加速 AI 的訓練和硬件的優化，還能夠降低開發的門檻，讓更多的研究人員、創業者和個人用戶參與進來。

我們期待，機器人行業不再依賴少數科技巨頭，而是由全球社區共同推動，邁向真正開放、可持續的技術生態。DePIN 的出現，為我們描繪了一幅更加民主化、更具創新活力的機器人技術發展藍圖。