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力

操作系统

协调和控制自主机器的软件层

项目：@openmind_agi, @codecopenflow

意义：通过提供共享智能层，为机器大规模学习、协作与运营提供了结构

至少在加密领域，许多人将机器人领域的关注视为短期、短命的风口

关注度会有波动，但整体来看，要实现最大潜力仍有很长的路要走

在近期，你可以看到目前的痛点，以及在实现目标过程中值得关注的方向

如需更广泛的报道和定期更新，请关注我的通讯《State of the Machines》，涵盖物理AI、机器人及所有相关领域