Viktigheten av en skybasert SDK for robotikk høres kanskje ikke prangende ut, men det er helt avgjørende for å fremme sektoren. Hvis du er i teknologikretser, vil du høre om skyplattformer daglig, som sjelden vekker fantasien. Men for humanoide roboter og operatører i den fysiske verden er et verktøysett for skysimulering en kjernenødvendighet for enhver utvikler som prøver å skalere opplæringen sin. Nøyaktige simuleringer av virtuelle verdener er en av de mest ettertraktede varene innen robotikk akkurat nå. Forskere kjører endeløse eksperimenter for å finne ut hvilke kombinasjoner av ekte og syntetiske data som genererer de mest presise resultatene for treningsoppgaver Ja, selskaper som Tesla har et enormt forsprang takket være nevrale nettverksdata de har samlet inn fra flåtene sine, selv om disse dataene ganske enkelt er rå informasjon til de blir satt ut i livet gjennom realistiske treningssimuleringer. For alle andre er det ikke et alternativ å skaffe seg det nivået av data eller til og med maskinvaren for å drive det med mindre du er et massivt finansiert selskap. Det er her skysimulering kommer inn. Ved å flytte robotopplæring og -testing til skybaserte virtuelle miljøer, kan hvem som helst få tilgang til nødvendig databehandling og skalering. En skyplattform kan sentralisere delingen av disse simuleringene, resultatene og dataene. Du abstraherer i hovedsak bort den lukkede dørtilgangen disse milliardselskapene har tilgang til, de omfattende maskinvarekomponentene som brukes i laboratorier og bringer datasett ut i offentlig lys der åpen kildekode-bidrag blir en generell +EV for innovasjon. Denne forretningsmodellen har allerede bevist seg med Hugging Faces LeRobot (åpen kildekode-initiativ) som samarbeider med Nvidia for å koble sammen rammeverkene deres slik at forskere kan dele modeller, datasett og simuleringsmiljøer på skyen. Sluttmålet er å lage et datasvinghjul, ettersom folk bidrar med simuleringsdata og trente retningslinjer for å åpne repositorier, akselererer det andres fremgang, og genererer igjen mer globalt tilgjengelige data. Mye arbeid blir kanalisert inn i dette ved å tette gapet mellom "sim til ekte". Simulatorer kom ofte til kort med virkeligheten, roboter ville lære atferd i en virtuell verden som ikke ble overført til den virkelige verden, fordi fysikken eller det visuelle ikke var nøyaktig nok. Dette gapet lukkes nå raskt på grunn av bedre simuleringstroskap og hybride treningstilnærminger. De fleste av de nyeste grunnmodellene innen robotikk (som NVIDIAs Isaac GROOT og Figure's Helix VLA) bruker en dobbel systemarkitektur som etterligner menneskelig kognisjon. Det samme gjelder hvordan de trener data i verdenssimulatorer. En del av modellen er trent på menneskelige demonstrasjonsdata fra den virkelige verden, mens en annen del er trent på en enorm mengde syntetiske data generert via high fidelity-simulatorer. Ved å kombinere fysisk og simulert trening lærer modellen nøyaktige ferdigheter som generaliserer bedre. Ekte data gir sannhet i AI, mens simulerte data gir skalaen og variasjonen som er upraktisk å samle inn i den fysiske verden. Utviklere kan til og med finjustere eller ettertrene modeller med ekstra reelle eller syntetiske data for spesifikke oppgaver, noe som gjør opplæringspipelinen ekstremt fleksibel. Figurer: Helix VLA, som bruker System 1/System 2-tilnærmingen, er trent på bare hundrevis av fjernstyrte timer (forsterket av simulering og smart merking), Helix kan håndtere nye husholdningsoppgaver gjennom naturlig språk uten tilpasset koding. Demonstrerer hvordan multimodale modeller og syntetisk trening reduserer databehov dramatisk. @codecopenflow bruker det samme prinsippet med Octo, en åpen VLA integrert i Optr SDK, som muliggjør oppfatning av flere kameraer og språkstyrt kontroll med langt mindre datasett og lavere databehandling. Verdens simuleringsplattformer genererer nå enorme mengder varierte treningsdata som rett og slett ikke var tilgjengelige før. Nvidias Isaac Sim (en del av Isaac Lab) kan ta en enkelt menneskelig demonstrasjon av en oppgave og spinne den opp i tusenvis av simulerte variasjoner ved hjelp av parallelle skyforekomster. Tenk deg å vise en robot hvordan man plukker opp en boks i virkeligheten, og så lager simulatoren utallige scenarier med forskjellige bokser, lysforhold og små fysikkjusteringer som alle produserer treningsopplevelser roboten kan lære av. En visjon @unmoyai jobber veldig hardt mot. Når ferdigheten er distribuert på en fysisk robot, har den blitt bevist i massemengder av virtuelle forsøk. Ved å kombinere disse rike syntetiske datasettene med akkurat nok kalibreringsdata fra den virkelige verden får du langt mer nøyaktige og robuste robothjerner. Dette er hva Codecs sky-SDK er posisjonert for ved å la brukere både trekke fra og bidra til store datasett med åpen kildekode (for eksempel grensesnitt med Hugging Faces LeRobot-hub). Hver simulering som kjøres i skyen kan bli nye treningsdata som skjerper en global modell for hvordan roboter samhandler med verden. Alle brikkene tyder på at humanoider og roboter generelt nærmer seg et «App Store-øyeblikk». Robotmaskinvare vil være ubrukelig uten et bibliotek med ferdigheter. Optr tilbyr et enhetlig API slik at en autonom agent som styrer en webapp, en robotarm eller en simulert avatar alle bruker samme kjernerammeverk og logikk. Denne abstraksjonen er dynamisk, ettersom utviklere kan prototype en oppgave i et spill som sim-miljø, og deretter distribuere den samme logikken til en ekte robot med minimale endringer. Ved å være skybasert og åpen kan Optr SDK fungere som grunnlaget for en robotmarkedsplass. Utviklere kan bygge en ny ferdighet uten å eie en robot (takket være skysimulering), teste den trygt i virtuelle miljøer og deretter publisere den for andre. De som trenger ferdighetene, som en robotikkoppstart eller en person med en hjemmerobot, kan hente den fra biblioteket og kjøre den på maskinene sine. Denne typen åpen markedsplass og insentivmodell er sikringen for robotikkutviklerøkonomien. Det senker inngangsbarrieren (ingen dyr maskinvare eller laboratorier trengs på grunn av skyverktøy), det oppmuntrer til samarbeid siden bidrag forbedrer de delte datasettene og modellene og gir økonomisk motivasjon for enkeltpersoner til å løse nisjeproblemer. Det er mange nedstrøms økonomiske svinghjulsmuligheter som dukker opp fra dette (som du kan se fra nylige partnerskap), men jeg sparer det til en egen artikkel.

Hvorfor jeg investerte i Forward Industries: Da @multicoincap, @KyleSamani, @jump_, @galaxyhq og andre annonserte en investering på 1,65 milliarder dollar i Forward Industries, visste jeg at vi var vitne til et vendepunkt for bransjen vår. @FWDind skaper verdens første Solana Treasury Company – en struktur som kan vise seg å være like viktig for Solana som MicroStrategy var for Bitcoin. Selskaper hadde tradisjonelt tre typer eiendeler på balansen: kontanter, obligasjoner og aksjer. Denne formelen forble stort sett uendret i flere tiår inntil @saylor omskrev spilleboken ved å sette $BTC i en bedriftskasse. Da @MicroStrategy begynte å stable BTC i 2020, var det et paradigmeskifte som legitimerte en kryptoaktiva for første gang. Dette trekket gjorde BTC til et kjøretøy for institusjonelle investorer som ønsket BTC-eksponering uten direkte å holde eiendelen, og frigjorde milliarder i Wall Street-kapital og drev BTC inn i mainstream finansiell bevissthet. Men det var bare begynnelsen. BTC, til tross for alt sitt revolusjonerende potensial, forblir stort sett statisk og ikke-produktiv utenfor nisje BTCfi. Det behandles som digitalt gull - som et verdilager som sitter inert på balansen. Forward Industries tar dette konseptet til neste nivå, og forskjellen i første prinsipper er dyp. @solana er ikke bare et verdilager – det er et finansielt operativsystem der eiendeler er: ▪️ Rask (opptil ~65 000 TPS) ▪️ Komponerbar (kan programmeres og kombineres) ▪️ Avkastningsbærende (produktiv i stedet for statisk) Mens BTC brøt mønsteret for hvilke eiendeler som kan sitte på en bedriftsbalanse, bryter Forward Industries mønsteret for hva disse eiendelene kan gjøre når de først er der. Investeringsoppgaven min går utover finansinnovasjon. Jeg tror at DeAI - desentralisert kunstig intelligens - vil trenge et økonomisk lag som er like robust som beregningslaget. Derfor bygger vi desentraliserte GPU-nettverk, modeller med åpen kildekode og protokoller for å frigjøre intelligens fra sentralisert kontroll. Men DeAI vil ikke kjøre på bare håp og ideologi. Den vil kjøre på skinner: ▪️ Datamarkedsplasser trenger sikkerhet. ▪️ Modeller og datasett trenger forsikring og oppgjør. ▪️ Autonome agenter trenger penger som beveger seg så raskt som de gjør, transaksjoner på tvers av selskaper og landegrenser 24/7 uten menneskelig godkjenning. Det krever et stabilt, flytende, komponerbart finansielt operativsystem. Solana sørger for skinnene. Forward utdyper likviditeten og styrker Solanas rolle som operativsystemet som vil drive DeAI. Slik jeg ser det, stabler disse bevegelsene seg: ▪️ Bitcoin frigjorde penger. ▪️ Fremover frigjør statsobligasjoner. ▪️ DeAI vil frigjøre intelligens. Hvert trinn fjerner en portvakt. Hvert trinn bygger en friere, mer rettferdig verden. Hvert skritt fører oss nærmere øyeblikket da intelligensen i seg selv er fri.