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.

Hver dag ser vi milliardoverskrifter for robotikk. For bare 12 måneder siden var disse selskapene og tallene 10-20 ganger lavere. Hvis det ikke allerede er møysommelig åpenbart hvor vellykket denne sektoren kommer til å bli, dediker en helg til forskning slik at du ikke blir etterlatt. Historien viser at den største verdien i teknologibølger ofte tilfaller de muliggjørende lagene, Microsoft i PC-er, Apple i smarttelefoner, AWS i skyen. Robotikk vil ikke være annerledes, infralaget som utviklere bygger på vil fange opp mer enn noe enkelt maskinvarespill. Et vanlig tema jeg hører fra venner er at de er bekymret for å bli undereksponert for tradisjonell robotikk. Ja, det kommer til å være vanvittige overskrifter om Figure AI som gjør en 200x fra frøverdier eller tilsvarende. Men hvis du er under midten av 7 fiken gi eller ta, er ikke Web2 der du vil være (med mindre du har vanvittig info/forbindelser). Gang på gang har krypto tilbudt den mest asymmetriske og enda viktigere, akselererte oppsiden. Det er betydelig mer risiko, men det kommer også med luksusen av å ikke være tidsrobust, noe som noen ganger er verre i seg selv. Nvidia er den største aksjen i verden på grunn av AIs akselerasjon. Når du ser tilbake, ville du ha foretrukket å satse på ai16z, Virtuals, AIXBT, GOAT i første etappe, eller jakte på undervurderte "grunnleggende AI-spill" på Robinhood? Du kan ha beholdt mer penger i det lange løp, men vi er her for søvnfraøvelsen uPNL, er vi ikke? I likhet med de tidlige omgangene av AI, har vi fått et veldig spesielt øyeblikk der toppen av teknologisk innovasjon stirrer oss døde i ansiktet. Hvordan du navigerer i progresjonen er en refleksjon av din forståelse av markedsgrunnprinsipper og menneskelig grådighet. Akkurat som AI, kommer vi til å bli møtt med endeløs vaporware når vi beveger oss nærmere generelle roboter. For de som er villige til å kaste terningen og fange lederne, vil du lage store multipler som får Andrew Kangs såkorninvesteringer til å se små ut. Jeg vet hvilket spill jeg spiller.

Jeg blir ofte spurt om hvilke robotikkspill jeg er med i i tillegg til $CODEC. Svar: ingen så langt. Hvis jeg tror robotikk er den neste metaen i AI-stil med potensial til å løpe opp i milliarder, og hvis jeg ser på Codec som ai16z/Virtuals i økosystemet, hvorfor skulle jeg allokere kapital og enda viktigere, overbevisning, til min nest beste idé? Handelsstilen min er nærmere Jez's, hvor jeg fullporterer min høyeste overbevisning spiller. Det betyr at jeg har hatt noen forferdelige rundturer, men jeg er ikke her for gjennomsnittlig avkastning. Full portering tvinger ansvarlighet, du kan ikke gjemme deg bak en kurv med halvferdige spill. Den mentale klarheten er en del av fordelen din. Hvis du møter opp til denne bransjen hver dag, er målet ditt å ta stor risiko og svingninger som kan gi deg generasjonsrikdom hvis det er riktig. Problemet er at de fleste traderes "beste idé" faktisk ikke er gode. Når du fullbyr middelmådighet, eksploderer du. Diversifisering gir bare mening når du har truffet likviditetsbegrensninger i hovedprosjektet ditt. Selv da, med mindre du eier 3-4%+ av tilbudet, tror jeg ikke det er et reelt problem (du kan alltid OTC uansett). I løpet av det siste året har onchain bevist at rotasjoner blir raskere og raskere. Selv om robotikk blir den store fortellingen jeg har kalt i flere måneder, er det bare de beste prosjektene som vil tiltrekke seg tankegangen og likviditeten som kreves for å levere livsendrende resultater. Ledere har alltid vært kongemaker-handler, og å jage betaer har ikke fungert på 9 måneder nå. Det er bare ikke nok aktiv likviditet. Historien viser at flertallet av generasjonsavkastningen tilfaller de 1-3 beste prosjektene i en sektor. Robotikk vil ikke være annerledes. Den raskeste hesten er den raskeste hesten.