Важливість хмарного SDK для робототехніки може здатися не кричущою, але він має вирішальне значення для розвитку сектора. Якщо ви працюєте в технічних колах, ви щодня чуєте про хмарні платформи, які рідко розпалюють уяву. Тим не менш, для гуманоїдних роботів і операторів у фізичному світі набір інструментів для хмарного моделювання є основною необхідністю для будь-якого розробника, який намагається масштабувати своє навчання. Точне моделювання віртуального світу є одним із найбільш затребуваних товарів у робототехніці на даний момент. Дослідники проводять нескінченні експерименти, щоб визначити, які комбінації реальних і синтетичних даних дають найбільш точні результати для тренувальних завдань Так, такі компанії, як Tesla, мають величезну перевагу завдяки нейронним мережам, які вони зібрали зі своїх автопарків, хоча ці дані є просто сирою інформацією, поки вони не будуть застосовані на практиці за допомогою реалістичних симуляцій тренувань. Для всіх інших отримати такий рівень даних або навіть апаратне забезпечення для їх живлення просто не варіант, якщо ви не є компанією з величезним фінансуванням. Саме тут на допомогу приходить хмарне моделювання. Перенісши навчання та тестування роботів у хмарні віртуальні середовища, будь-хто може отримати доступ до необхідних обчислень і масштабування. Хмарна платформа може централізовано обмінюватися цими симуляціями, результатами та даними. По суті, ви абстрагуєтеся від закритих дверей, до якого мають доступ ці мільярдні компанії, від широких апаратних компонентів, що використовуються в лабораторіях, і від винесення наборів даних на загальний секрет, де внесок у відкритий вихідний код стає загальним +EV до інновацій. Ця бізнес-модель вже доводить свою ефективність завдяки партнерству LeRobot (ініціатива з відкритим вихідним кодом) від Hugging Face та Nvidia для підключення їхніх фреймворків, щоб дослідники могли обмінюватися моделями, наборами даних та середовищами моделювання в хмарі. Кінцева мета полягає в тому, щоб створити маховик даних, оскільки люди вносять дані моделювання та навчені політики для відкриття репозиторіїв, це прискорює прогрес інших, у свою чергу, генеруючи більш глобально доступні дані. Багато роботи спрямовується на те, щоб скоротити розрив між «сім і реальним». Симулятори часто не відповідали реальності, роботи вивчали поведінку у віртуальному світі, яка не переносилася в реальний світ, тому що фізика або візуальні ефекти були недостатньо точними. Зараз цей розрив швидко скорочується завдяки кращій точності симуляції та гібридним підходам до навчання. Більшість останніх базових моделей у робототехніці (наприклад, Isaac GROOT від NVIDIA та Helix VLA від Figure) використовують архітектуру подвійної системи, яка імітує людське пізнання. Те ж саме стосується і того, як вони тренуються в світових симуляторах. Одна частина моделі тренується на демонстраційних даних людини з реального світу, тоді як інша частина тренується на величезній кількості синтетичних даних, згенерованих за допомогою симуляторів високої точності. Поєднуючи фізичне та симульоване тренування, модель засвоює точні навички, які краще узагальнюють. Реальні дані забезпечують правду в штучному інтелекті, тоді як змодельовані дані забезпечують масштаб і різноманітність, які непрактично зібрати у фізичному світі. Розробники навіть можуть точно налаштовувати або розміщувати моделі поїздів з додатковими реальними або синтетичними даними для конкретних завдань, що робить навчальний конвеєр надзвичайно гнучким. Цифри Helix VLA, яка використовує підхід System 1/System 2, навчається лише на сотнях дистанційно керованих годин (доповнена симуляцією та інтелектуальним маркуванням), Helix може виконувати нові побутові завдання за допомогою природної мови без спеціального кодування. Демонстрація того, як мультимодальні моделі та синтетичні тренування різко скорочують дані. @codecopenflow застосовує той самий принцип з Octo, відкритою VLA, інтегрованою в Optr SDK, що забезпечує сприйняття кількох камер і керування мовою з набагато меншими наборами даних і меншим обсягом обчислень. Світові симуляційні платформи зараз генерують величезні обсяги різноманітних тренувальних даних, які раніше просто були недоступні. Isaac Sim від Nvidia (частина Isaac Lab) може взяти одну демонстрацію завдання людиною та розгорнути її на тисячі змодельованих варіацій за допомогою паралельних хмарних екземплярів. Уявіть, що ви показуєте роботу, як підняти одну коробку в реальності, а потім симулятор створює незліченну кількість сценаріїв з різними коробками, умовами освітлення та невеликими фізичними налаштуваннями, і все це створює досвід навчання, на якому робот може вчитися. Бачення, над яким @unmoyai дуже старанно працює. До того моменту, коли ця навичка була застосована на фізичному роботі, це було доведено в масовій кількості віртуальних випробувань. Поєднання цих багатих синтетичних наборів даних з достатньою кількістю калібрувальних даних у реальному світі дає набагато точніший і витриваліший мозок робота. Саме для цього і позиціонується хмарний SDK Codec, що дозволяє користувачам як отримувати доступ до великих наборів даних з відкритим вихідним кодом, так і робити свій внесок у них (наприклад, взаємодіючи з хабом LeRobot від Hugging Face). Кожна симуляція, проведена в хмарі, може стати новими навчальними даними, які заточують глобальну модель того, як роботи взаємодіють зі світом. Усі матеріали натякають на те, що гуманоїд і роботи загалом наближаються до «моменту App Store». Апаратне забезпечення робота буде марним без бібліотеки навичок. Optr надає уніфікований API, так що автономний агент, який керує веб-додатком, роботом-маніпулятором або симульованим аватаром, використовує одну і ту ж основну структуру і логіку. Ця абстракція динамічна, оскільки розробники можуть створити прототип завдання в ігровому середовищі, схожому на симулятор, а потім розгорнути ту саму логіку на реальному роботі з мінімальними змінами. Будучи хмарним і відкритим, Optr SDK може стати основою для ринку робототехніки. Розробники можуть створити нову навичку, не маючи робота (завдяки хмарній симуляції), безпечно протестувати її у віртуальних середовищах, а потім опублікувати для інших. Ті, кому потрібна ця навичка, наприклад, стартап з робототехніки або людина з домашнім роботом, можуть витягнути її з бібліотеки та запустити на своїх машинах. Такий відкритий ринок і модель стимулювання є запобіжником для економіки розробників робототехніки. Це знижує бар'єр для входу (не потрібне дороге обладнання чи лабораторії через хмарні інструменти), заохочує співпрацю, оскільки внески покращують спільні набори даних і моделі, а також забезпечує фінансову мотивацію для окремих осіб вирішувати вузькоспеціалізовані проблеми. Є багато економічних можливостей маховика, які випливають з цього (які ви можете побачити з нещодавніх партнерств), але я збережу це для окремого запису.

Щодня ми бачимо мільярдні заголовки про робототехніку. Ще 12 місяців тому ці компанії та показники були в 10-20 разів нижчими. Якщо вже не очевидно, наскільки успішним стане цей сектор, присвятіть вихідні дослідженням, щоб не залишитися позаду. Історія показує, що найбільшу цінність технологічних хвиль часто отримують шари можливостей, Microsoft у ПК, Apple у смартфонах, AWS у хмарі. Робототехніка нічим не відрізнятиметься, рівень інфраструктури, на якому спираються розробники, захопить більше, ніж будь-яка окрема апаратна гра. Одна з поширених тем, яку я чую від друзів, полягає в тому, що вони стурбовані тим, що їх недостатньо знайомлять з традиційною робототехнікою. Так, будуть божевільні заголовки про те, що Figure AI має 200-кратний показник від оцінки насіння або еквівалента. Але якщо ви перебуваєте нижче середнього рівня 7 фіг плюс-мінус, Web2 не там, де ви хочете бути (якщо у вас немає божевільної інформації/зв'язків). Знову і знову криптовалюта пропонувала найбільш асиметричне і, що важливіше, прискорене зростання. Ризику значно більше, але він також пов'язаний з розкішшю не бути обмеженим у часі, що іноді гірше саме по собі. Nvidia є найбільшою акцією у світі через прискорення штучного інтелекту. Озираючись назад, чи вважали б ви перевагу панту на ai16z, Virtuals, AIXBT, GOAT у першому матчі або полювати на недооцінені «фундаментальні ігри штучного інтелекту» на Robinhood? Можливо, ви б зберегли більше грошей у довгостроковій перспективі, однак ми тут заради того, щоб позбавити сну uPNL, чи не так? Як і на ранніх етапах розвитку штучного інтелекту, ми отримали дуже особливий момент, коли вершина технологічних інновацій дивиться нам мертвим поглядом в обличчя. Те, як ви орієнтуєтеся в його розвитку, є відображенням вашого розуміння основ ринку та людської жадібності. Подібно до штучного інтелекту, ми зіткнемося з нескінченною кількістю vaporware, коли ми наближатимемося до роботів загального призначення. Для тих, хто готовий кинути кубики та зловити лідерів, ви створите величезні мультиплікатори, завдяки яким початкові інвестиції Ендрю Канга виглядають невеликими. Я знаю, в яку гру я граю.

Мене часто запитують, чим займається робототехніка, крім $CODEC. Відповідь: поки що немає. Якщо я вважаю, що робототехніка – це наступна мета в стилі штучного інтелекту, яка може обчислюватися мільярдами, і якщо я бачу Codec як ai16z/Virtuals екосистеми, навіщо мені виділяти капітал і, що важливіше, переконання, на мою другу найкращу ідею? Мій стиль торгівлі ближчий до Jez's, де я повністю демонструю свої найвищі переконання. Це означає, що у мене було кілька жахливих поїздок туди і назад, але я тут не заради середньої повернення. Повне перенесення змушує до відповідальності, за кошиком наполовину спечених ставок не сховаєшся. Ця ясність розуму є частиною вашої переваги. Якщо ви з'являєтеся в цій галузі щодня, ваша мета полягає в тому, щоб піти на непомірний ризик і коливання, які можуть принести вам багатство поколінь, якщо це правильно. Проблема в тому, що більшість трейдерів насправді не є найкращою ідеєю. Коли ти повний порт посередності, ти вибухаєш. Диверсифікація має сенс лише після того, як ви зіткнулися з обмеженнями ліквідності у своєму основному проекті. Навіть у цьому випадку, якщо ви не володієте 3-4%+ запасів, я не думаю, що це реальна проблема (ви завжди можете OTC у будь-якому випадку). За останній рік компанія Onchain довела, що обертання стають все швидшими і швидшими. Навіть якщо робототехніка стане грандіозним наративом, до якого я закликаю вже кілька місяців, лише найкращі проєкти привернуть частку розуму та ліквідність, необхідні для досягнення результатів, що змінюють життя. Лідери завжди були королем, а гонитва за бета-версіями не працює вже 9 місяців. Просто не вистачає активної ліквідності. Історія показує, що більшість доходів від поколінь припадає на 1-3 найкращі проекти в секторі. Робототехніка нічим не відрізнятиметься. Найшвидший кінь - найшвидший кінь.