我們尚未見到機器人領域出現像 chatGPT 那樣的時刻

尤其是人形機器人開始變得非常出色，但它們仍無法理解我們的世界

大型語言模型有數十年的文本可供學習；物理 AI 則是從極少的數據起步，然後直接面對現實世界的全部複雜性

這之間存在著巨大的差距需要彌補

目前這些機器正在被教導規則並展示特定任務，最終它們將進入現實世界並「在工作中學習」

以下是加密貨幣 x 機器人領域中這些細分領域的示範

部分項目有分類重疊，這不是完整清單，而是為展示而精選的成熟案例

訓練

遙操作、強化學習以及具身 AI 流程，用於教導機器人技能

項目：@BitRobotNetwork, @PrismaXai, @NRNAgents

重要性：在機器人能夠自律學習之前，必須擁有可教導的技能，而這些流程為它們打下了基礎

現實世界數據收集

去中心化感測器與地理空間網路，捕捉現實世界數據

項目：@NATIXNetwork, @GEODNET

重要性：現實世界的智能依賴於現實世界的數據，這些網路提供了機器所需的感知燃料

機器人部署

在現實世界環境中的空間運算與多機器人協作

項目：@Auki

重要性：現實世界的部署是加速機器智能的下一步之一，但經濟上與實際上都非常困難，因此Auki計劃明年在多個零售場域大規模推展，是一大突破

機器經濟

適用於機器身份、經濟活動與協作的基礎設施

項目：@peaq

重要性：身份與鏈上協作賦予機器自主管理交易、協作與運作的能力，無需持續的人為監督

作業系統

協調與控制自主機器的軟體層

項目：@openmind_agi, @codecopenflow

重要性：透過提供共享的智能層，它們賦予機器學習、協作與大規模運作的結構

至少在加密領域，許多人認為機器人關注度非常短暫，是短期的風口

關注度會有波動，但整體來看，離完全發揮潛力還有很長的路要走

在近期，你可以看到目前的痛點，以及在實現目標過程中該關注的地方

若想獲得更深入的報導和定期更新，請關注 State of the Machines，我的電子報涵蓋物理 AI、機器人及所有相關領域