執行摘要

通用人形機器人正迅速從科幻小說轉變爲商業現實。硬件成本下降、資本投資激增以及運動和靈活性方面的進展正在匯聚，推動計算領域的下一個重大平台轉變。

雖然計算和硬件正日益商品化，爲機器人工程提供低成本的順風，但該行業仍然受到訓練數據瓶頸的限制。

Reborn是少數利用去中心化物理人工智能（DePAI）衆包高保真運動和合成數據，並構建機器人基礎模型的項目之一，使其獨特地處於催化類人機器人部署的位置。該項目由一支技術深厚的創始團隊領導，他們在加州大學伯克利分校、康奈爾大學、哈佛大學和蘋果公司的研究和教授背景結合了學術卓越與現實工程執行。

人形機器人：從虛構到前線

商業化機器人並不是一個新概念。大多數人都熟悉像2002年首次推出的iRobot Roomba吸塵器，或更近期的家用機器人，比如Kasa的寵物攝像頭。這兩者都是單一用途的產品。在人工智能的幫助下，機器人正從單一功能的機器演變爲多功能的，可以在非結構化環境中操作。

在未來5到15年內，人形機器人將從基本的清潔和烹飪任務發展到禮賓服務、消防，甚至外科手術。

最近的發展正在將類人機器人從科幻變爲現實。

• 市場擴展：100多家公司正在開發類人機器人（例如：特斯拉、Unitree、Figure、Clone、Agile等）。
• 硬件技術已跨越了奇異谷：新的類人機器人展現出流暢自然的動作，使其能夠在人類環境中進行類人互動。Unitree的H1走得比平均人類快（3.3米/秒對1.4米/秒）。
• 勞動成本的新範式：預計到2032年，人形機器人將降低美國工資。

瓶頸：真實世界的訓練數據

盡管人形機器人有明顯的有利因素，但大規模部署仍然受到數據質量和稀缺性的制約。

其他人工智能的體現，如自動駕駛，已經通過現有車輛上的攝像頭和傳感器在很大程度上克服了數據問題。在自動駕駛的情況下（例如，特斯拉、Waymo），這些車隊能夠生成數十億英裏的真實駕駛數據。在這一階段，Waymo能夠讓他們的汽車上路進行實時訓練，副駕駛座上有一位人類“看護者”。

然而，消費者不太可能容忍“機器人保姆”的存在。機器人必須開箱即用，因此部署前的數據獲取至關重要。培訓必須在商業生產之前完成，而數據的規模和質量仍然是一個問題。

雖然每種訓練模式都有其自身的規模單位（即 LLM 的代幣、圖像生成器的視頻-文本對和機器人的運動集），但以下比較突顯了機器人數據所面臨的數據可用性之間的數量級差距：

• GPT-4的訓練數據超過15萬億個文本標記
• Midjourney/Sora 利用數十億個標記的視頻-文本對
• 相比之下，最大的機器人數據集僅包含約240萬集。

這種差異說明了爲什麼機器人技術尚未像大型語言模型那樣實現真正的基礎模型。數據還不夠充足。

傳統的數據收集方法無法滿足類人機器人訓練數據的規模需求。目前的方法包括：

• 仿真：便宜但缺乏現實世界邊緣案例（Sim2Real差距）
• 互聯網視頻：不包含機器人學習所需的本體感知或力反饋上下文
• 真實世界數據：準確，但需要遠程操作和人類參與，這成本高昂（每個機器人超過40K美元），且缺乏可擴展性。

在虛擬環境中的訓練成本低且可擴展，但模型在實際應用中常常遇到困難。這個問題被稱爲Sim2Real差距。

例如，在模擬中訓練的機器人可能在完美的光照和平坦表面上成功地撿起物體，但在面對雜亂的環境、不平坦的紋理或人類習慣於的物理世界中的不完美情況時可能會失敗。

Reborn 提供了一種廉價且快速的衆包真實世界數據的方法，使得強大的機器人訓練成爲可能，並解決了 Sim2Real 差距。

重生：去中心化物理人工智能的全棧願景

Reborn正在構建一個垂直整合的軟件和數據平台，專注於物理AI。Reborn的核心是解決類人機器人面臨的數據瓶頸，但其雄心遠不止於此。通過專有硬件、多模態仿真基礎設施和基礎模型開發的結合，Reborn成爲了具身智能的全棧賦能者。

重生堆棧始於“ReboCap”, 一款專有的消費級動作捕捉設備。它爲一個快速增長的AR/VR遊戲生態系統提供動力，用戶通過生成高保真的動作數據來獲取網路激勵。Reborn已售出超過5000個ReboCap設備，目前支持160,000個每月活躍用戶（MAUs），並明確計劃到年底達到200萬。

Reborn能夠以比替代方法更好的經濟性進行數據捕獲

令人印象深刻的是，這一增長是有機的：用戶被遊戲本身的娛樂價值吸引，直播者則採用ReboCap實時跟蹤身體動作來爲數字化身賦予生命。這一有機參與循環推動了可擴展、低成本和高保真的數據生成，使Reborn的數據集成爲領先機器人公司寶貴的訓練資源。

Reborn軟件堆棧的第二層是Roboverse, 一個統一碎片化仿真環境的多模態數據平台。今天的仿真環境高度碎片化，例如Mujoco和NVIDIA Isaac Lab等工具各自提供不同的優勢，但缺乏互操作性。這種碎片化減緩了進展，並加劇了Sim2Real差距。Roboverse通過在仿真器之間標準化，創建了一個用於開發和評估機器人模型的共享虛擬基礎設施，從而解決了這個問題。這種整合允許一致的基準測試，提高了可擴展性和通用性。

ReboCap和Roboverse共同構成Reborn全棧平台的基礎。前者以規模捕獲現實世界數據，而後者則協調模型訓練的仿真環境。這種集成方法展示了Reborn的DePAI網路的真正實力。它正在建立一個超越簡單數據獲取的物理人工智能開發者平台，涉及實際模型部署和許可。

重生基礎模型

Reborn軟件堆棧中或許最關鍵的組成部分是Reborn基礎模型（RFM）。Reborn正在構建首批機器人基礎模型之一，旨在作爲新興物理AI堆棧的核心基礎設施。可以將其想象爲傳統的基礎模型，類似於OpenAI的o4或Meta的Llama，但專爲機器人設計。

重生技術棧

Reborn的三大元素組合（ReboCap、Roboverse和RFM），爲Reborn創造了一個強大的垂直整合護城河。通過將衆包運動數據與強大的仿真和模型許可相結合，Reborn能夠以所需的規模和多樣性訓練模型，以便在各種用例中進行泛化。最終結果是一個基礎模型，支持廣泛應用的下遊應用，包括工業、消費者和研究機器人。

Reborn正在積極商業化其技術，與Galbot和Noematrix推出付費試點，並與Unitree、Booster Robotics、Swiss Mile和Agile Robots建立戰略合作夥伴關係。中國的人形機器人市場正在迅速增長，佔全球市場的約32.7%。值得注意的是，Unitree在全球四足機器人市場上佔有超過60%的份額，並且是六家計劃在2025年生產超過1,000個單位的中國人形機器人制造商之一。

加密貨幣在物理人工智能堆棧中的角色

加密貨幣正在爲物理人工智能啓用完整的垂直堆棧。

Reborn是一個領先的具身AI加密貨幣項目

雖然所有這些項目位於物理人工智能堆棧的不同部分，但它們都有一個共同點：100%都是DePAI項目！DePAI通過確保堆棧中開放、可組合和無權限的擴展，利用代幣激勵使去中心化物理人工智能成爲可能。

Reborn尚未推出代幣這一事實使其有機增長更加令人印象深刻。一旦代幣激勵生效，網路參與預計將加速，成爲DePAI飛輪的一部分：Reborn爲獲取其硬件（ReboCap）提供激勵，機器人公司向ReboCap所有者支付報酬以鼓勵他們的貢獻，從而鼓勵更多人購買和使用ReboCap。Reborn還將動態激勵高價值的邊緣案例行爲——確保更好地覆蓋Sim2Real差距。

Reborn的DePAI飛輪在運作中

數據是關鍵

機器人領域的“ChatGPT”時刻不會來自機器人公司本身，因爲硬件的部署比軟件要復雜得多。機器人技術的傳播本質上受到成本、硬件可用性和物流復雜性的限制。而這些因素在像ChatGPT這樣的純數字軟件中是不存在的。

人形機器人達到轉折點的時刻，不在於原型令人印象深刻，而在於成本足夠降低以實現大規模採用——正如智能手機或個人電腦一樣。當成本下降時，硬件就變成了基本要求。真正的競爭優勢將體現在數據和模型上。具體而言，是用於訓練這些機器的運動智能的規模、質量和多樣性。

結論

機器人平台的轉變是不可避免的，但像所有平台一樣，它需要數據來擴展。Reborn是一個高槓杆的賭注，認爲加密貨幣可以填補人工智能機器人堆棧中最迫切的空白。DePAI用於機器人數據，具有成本效益、可擴展性和可組合性。在一個機器人是人工智能下一個前沿的世界中，Reborn相當於將普通人類轉變爲運動數據的“礦工”。正如大型語言模型需要文本令牌，人形機器人需要運動片段。Reborn是我們解鎖將人形機器人從科幻變爲現實的最後一個瓶頸之一的方式。

免責聲明:

1. 本文轉載自 [hypersphere_]. 所有版權歸原作者所有 [hypersphere_]. 如果對本次轉載有異議，請聯繫 Gate Learn團隊，他們會及時處理。
2. 責任免責聲明：本文中表達的觀點和意見僅代表作者本人，並不構成任何投資建議。
3. 文章的其他語言翻譯由 Gate Learn 團隊完成。除非另有說明，復制、分發或抄襲翻譯的文章是被禁止的。