雲端 SDK 對於機器人技術的重要性可能聽起來不那麼引人注目，但對於推進這個領域來說，它絕對是至關重要的。 如果你身處科技圈，你每天都會聽到雲端平台的消息，這些消息很少能激發想像力。 然而，對於人形機器人和在物理世界中的操作員來說，雲端模擬工具包是任何試圖擴展其訓練的開發者的核心需求。 準確的虛擬世界模擬是目前機器人技術中最受追捧的商品之一。研究人員正在進行無數實驗，以確定哪些真實數據和合成數據的組合能為訓練任務產生最精確的結果。 是的，像特斯拉這樣的公司因為從其車隊中收集的神經網絡數據而擁有巨大的先發優勢，儘管這些數據在通過現實的訓練模擬付諸實踐之前僅僅是原始信息。 對於其他人來說，獲得這種數據水平甚至是驅動它的硬體都不是一個選項，除非你是一家資金雄厚的公司。 這就是雲端模擬的用武之地。通過將機器人的訓練和測試移入基於雲端的虛擬環境，任何人都可以訪問所需的計算能力並擴展。雲端平台可以集中共享這些模擬、結果和數據。 你基本上是在抽象化這些十億美元公司所擁有的封閉門戶訪問權，將實驗室中使用的廣泛硬體組件帶入公眾視野，讓開源貢獻成為創新的整體 +EV。 這種商業模式已經通過 Hugging Face 的 LeRobot（開源倡議）與 Nvidia 的合作而證明了自己，讓研究人員可以在雲端共享模型、數據集和模擬環境。 最終目標是創建一個數據飛輪，隨著人們向開放的庫貢獻模擬數據和訓練策略，它加速了其他人的進步，反過來又產生了更多全球可訪問的數據。 大量的工作正在通過縮小“模擬到現實”的差距而被投入其中。模擬器往往無法達到現實，機器人在虛擬世界中學習的行為無法轉移到現實世界，因為物理或視覺不夠準確。由於更好的模擬真實性和混合訓練方法，這一差距現在正在迅速縮小。 機器人技術中最新的基礎模型（如 NVIDIA 的 Isaac GROOT 和 Figure 的 Helix VLA）使用模仿人類認知的雙系統架構。這同樣適用於他們在世界模擬中的數據訓練。模型的一部分是基於來自現實世界的人類示範數據進行訓練，而另一部分則是基於通過高保真模擬器生成的大量合成數據進行訓練。 通過結合物理和模擬訓練，模型學會了更準確的技能，這些技能能更好地進行概括。真實數據為 AI 提供了真相，而模擬數據則提供了在物理世界中收集不切實際的規模和多樣性。開發者甚至可以使用額外的真實或合成數據對模型進行微調或後期訓練，以針對特定任務，使訓練流程極具靈活性。 Figures Helix VLA 使用系統 1/系統 2 方法，僅在數百小時的遠程操作下進行訓練（通過模擬和智能標記增強），Helix 可以通過自然語言處理新家務任務，而無需自定義編碼。這展示了多模態模型和合成訓練如何大幅減少數據需求。 @codecopenflow 正在應用相同的原則，使用 Octo，這是一個集成到其 Optr SDK 中的開放 VLA，實現多攝像頭感知和語言引導控制，所需數據集和計算能力都大幅減少。 世界模擬平台現在正在生成大量多樣的訓練數據，這些數據在之前是無法獲得的。Nvidia 的 Isaac Sim（Isaac Lab 的一部分）可以將單個人類示範的任務轉化為數千個模擬變體，使用並行雲實例。 想像一下，向機器人展示如何在現實中拾起一個箱子，然後模擬器創建無數場景，包含不同的箱子、光照條件和輕微的物理調整，所有這些都產生機器人可以學習的訓練經驗。這是 @unmoyai 正在努力實現的願景。 當這項技能在物理機器人上部署時，它已經在大量虛擬試驗中得到了證明。將這些豐富的合成數據集與足夠的現實世界校準數據相結合，能產生更準確和更具韌性的機器人大腦。 這就是 Codec 的雲端 SDK 的定位，讓用戶既可以從大型開源數據集中提取數據，也可以貢獻數據（例如，與 Hugging Face 的 LeRobot 中心進行接口）。每次在雲端運行的模擬都可能成為新的訓練數據，從而提升機器人與世界互動的全球模型。 所有的跡象表明，人形機器人和機器人技術總體上正接近一個“應用商店時刻”。如果沒有技能庫，機器人硬體將毫無用處。 Optr 提供統一的 API，使得控制網頁應用、機器人手臂或模擬化身的自主代理都使用相同的核心框架和邏輯。這種抽象是動態的，開發者可以在類似遊戲的模擬環境中原型化任務，然後將相同的邏輯以最小的變更部署到真實機器人上。 通過雲端和開放的方式，Optr SDK 可以作為機器人市場的基礎。開發者可以在不擁有機器人的情況下（多虧了雲端模擬）構建新技能，在虛擬環境中安全測試，然後將其發布給其他人。需要這項技能的人，例如機器人初創公司或擁有家庭機器人的個人，可以從庫中提取並在其機器上運行。 這種開放市場和激勵模型是機器人開發者經濟的引爆點。它降低了進入門檻（由於雲端工具，不需要昂貴的硬體或實驗室），鼓勵合作，因為貢獻改善了共享的數據集和模型，並為個人解決小眾問題提供了財務動機。 這從中產生了許多下游經濟飛輪的可能性（你可以從最近的合作夥伴關係中看到），但我會將這留給另一篇文章。

每天我們都能看到關於機器人技術的十億美元頭條新聞。 僅僅12個月前，這些公司和數字還低了10-20倍。 如果你還沒有痛苦地意識到這個行業將會多麼成功，那就花一個週末進行研究，以免被落在後面。 歷史表明，科技浪潮中最大的價值往往積累在支持層上，微軟在個人電腦上，蘋果在智能手機上，AWS在雲計算上。機器人技術也不會例外，開發者所構建的基礎設施層將捕獲的價值超過任何單一的硬件項目。 我從朋友那裡聽到的一個共同主題是，他們擔心自己對傳統機器人技術的投資不足。 是的，關於Figure AI從種子估值中實現200倍增長的瘋狂頭條新聞將會出現。但如果你的投資在中等七位數以下，Web2並不是你想要的地方（除非你有超強的信息/人脈）。 一次又一次，crypto提供了最不對稱且更重要的是，加速的上行空間。風險顯著更高，但它也帶來了不被時間拖累的奢侈，這有時本身就是更糟糕的情況。 Nvidia是全球最大的股票，因為AI的加速。回想一下，你會更願意在ai16z、Virtuals、AIXBT、GOAT的第一階段下注，還是在Robinhood上尋找被低估的“基礎AI項目”？ 你可能在長遠中保留了更多的錢，然而我們在這裡是為了那些讓人失眠的uPNL，不是嗎？ 就像AI的早期階段一樣，我們被賦予了一個非常特殊的時刻，科技創新的巔峰正直面而來。你如何駕馭其進展，反映了你對市場基本面和人類貪婪的理解。 就像AI一樣，隨著我們向通用機器人邁進，我們將面臨無盡的虛假產品。對於那些願意冒險並抓住領導者的人，你將獲得超額的回報，使Andrew Kang的種子投資顯得微不足道。 我知道我在玩哪個遊戲。

我經常被問到除了 $CODEC 之外我還參與了哪些機器人項目。 回答：到目前為止，沒有。 如果我相信機器人技術是下一個 AI 風格的元宇宙，有潛力達到數十億，而我將 Codec 視為生態系統中的 ai16z/Virtuals，為什麼我要將資本，更重要的是信念，分配給我的第二個最佳想法呢？ 我的交易風格更接近 Jez 的風格，我會全力投入我最有信心的項目。這意味著我經歷了一些可怕的回合交易，但我不是為了平均回報而來。 全力投入迫使你承擔責任，你不能躲在一籃子半成品的賭注後面。那種心理清晰是你的一部分優勢。 如果你每天都出現在這個行業，你的目標就是承擔超額風險和波動，如果正確的話，這可以為你帶來世代財富。 問題是大多數交易者的“最佳想法”實際上並不偉大。當你全力投入平庸時，你會崩潰。 多樣化只有在你在主要項目中遇到流動性約束時才有意義。即便如此，除非你擁有 3-4% 以上的供應量，否則我認為這並不是一個真正的問題（你總是可以進行場外交易）。 在過去的一年裡，鏈上證明了輪換變得越來越快。即使機器人技術成為我幾個月以來一直在呼籲的宏大敘事，只有頂級項目才能吸引所需的關注和流動性，以實現改變生活的結果。 領導者一直是王者交易，追逐貝塔在過去 9 個月裡並沒有奏效。活躍流動性實在太少。 歷史表明，世代回報的絕大多數集中在一個行業的前 1-3 個項目上。機器人技術也不會例外。 最快的馬就是最快的馬。