Es war großartig, endlich das Team von @codecopenflow, @0xdetweiler und einige Freunde neulich Abend zu treffen. Nachdem ich die Möglichkeit hatte, persönlich zu sprechen, hat sich meine Position klargestellt, dass Codec die fortschrittlichste Robotics-Infrastruktur in unserer Branche ist. Was sie aufbauen, ist ein Toolkit, das derzeit selbst in Web2 nicht existiert, und sein Erscheinen wird ein riesiges Loch für Datenströme füllen. Es wäre sehr einfach für mich gewesen, im Komfort meines Zuhauses zu bleiben und weiterhin regelmäßig Bull-Posts zu machen und zu traden. Obwohl mit der Technologie, die sie entwickeln, dies wirklich die Chance ist, am Anfang für die offensichtlichste Erzählung und Branche zu sein, die sich von hier aus um das 100-fache vergrößern wird. Sie haben die Technologie, die Vision und direkte Eingaben vom Hugging Face LeRobot-Team, um die Benutzerfreundlichkeit ihres Toolkits für reale Anwendungsfälle zu validieren und zu gestalten. Also, was mache ich? Wir sind uns alle bewusst, dass Krypto ebenso sehr ein Marketing- und Optikspiel ist wie Technologie. Mein Fokus wird auf dem Wachstum, der Positionierung, dem Inhalt, dem Flywheel, den Ponzinomics, der Benutzeroberfläche und diesem Hauch von Shawmakesmagic liegen, den wir aus der AI-Saison gesehen haben. Denkt an das Eliza GitHub-Repo der Robotik, mit einem Hauch von Virtuals Ponzinomics und einer Benutzeroberfläche, die nicht erfordert, dass man ein versierter Programmierer ist, um zu verstehen, was vor sich geht. Es ist nur eine Frage der Zeit, bis die Robotik ihren "ChatGPT"-Moment hat, und ich denke, wir sind nicht weit davon entfernt. Die Tatsache, dass wir so früh mit einem Produkt sind, das so entwickelt ist, + direkte Eingaben von einigen der besten Robotiklabore der Welt, ist ziemlich verrückt.

Flog nach Dubai, um persönlich mit dem $CODEC-Team zu arbeiten. Robotik wird ein zu großer Sektor sein, um nicht voll einzusteigen. Lerne, für deine Bags zu arbeiten.

Die Bedeutung eines cloudbasierten SDK für Robotik mag nicht aufregend klingen, ist aber absolut entscheidend für den Fortschritt des Sektors. Wenn Sie in Technologiekreisen sind, hören Sie täglich von Cloud-Plattformen, die selten die Vorstellungskraft anregen. Doch für humanoide Roboter und Betreiber in der physischen Welt ist ein Cloud-Simulationswerkzeug eine grundlegende Notwendigkeit für jeden Entwickler, der versucht, sein Training zu skalieren. Genaueste virtuelle Weltsimulationen sind derzeit eines der am meisten nachgefragten Güter in der Robotik. Forscher führen endlose Experimente durch, um herauszufinden, welche Kombinationen aus realen und synthetischen Daten die präzisesten Ergebnisse für Trainingsaufgaben liefern. Ja, Unternehmen wie Tesla haben einen massiven Vorsprung dank der neuronalen Netzwerkdaten, die sie von ihren Flotten gesammelt haben, obwohl diese Daten einfach rohe Informationen sind, bis sie durch realistische Trainingssimulationen in die Praxis umgesetzt werden. Für alle anderen ist es einfach keine Option, dieses Datenlevel oder sogar die Hardware zu erwerben, um es zu betreiben, es sei denn, Sie sind ein massiv finanziertes Unternehmen. Hier kommt die Cloud-Simulation ins Spiel. Indem das Training und Testen von Robotern in cloudbasierten virtuellen Umgebungen verlagert wird, kann jeder auf die benötigte Rechenleistung und Skalierung zugreifen. Eine Cloud-Plattform kann das Teilen dieser Simulationen, Ergebnisse und Daten zentralisieren. Sie abstrahieren im Wesentlichen den geschlossenen Zugang, den diese milliardenschweren Unternehmen haben, die umfangreichen Hardwarekomponenten, die in Laboren verwendet werden, und bringen Datensätze ins öffentliche Licht, wo Open-Source-Beiträge insgesamt einen positiven Einfluss auf Innovationen haben. Dieses Geschäftsmodell beweist sich bereits mit Hugging Face’s LeRobot (Open-Source-Initiative), die mit Nvidia zusammenarbeitet, um ihre Frameworks zu verbinden, damit Forscher Modelle, Datensätze und Simulationsumgebungen in der Cloud teilen können. Das Endziel ist es, ein Datenflywheel zu schaffen, da Menschen Simulationsdaten und trainierte Richtlinien zu offenen Repos beitragen, beschleunigt es den Fortschritt anderer und generiert im Gegenzug mehr global zugängliche Daten. Viel Arbeit wird in diesen Bereich gesteckt, um die „Sim-to-Real“-Lücke zu schließen. Simulatoren blieben oft hinter der Realität zurück, Roboter lernten Verhaltensweisen in einer virtuellen Welt, die sich nicht auf die reale Welt übertragen ließen, weil die Physik oder die Visualisierungen nicht genau genug waren. Diese Lücke schließt sich jetzt schnell aufgrund besserer Simulationsgenauigkeit und hybrider Trainingsansätze. Die meisten der neuesten Grundmodelle in der Robotik (wie NVIDIA’s Isaac GROOT und Figures Helix VLA) verwenden eine duale Systemarchitektur, die menschliche Kognition nachahmt. Das Gleiche gilt für die Art und Weise, wie sie Daten in Weltsimulationen trainieren. Ein Teil des Modells wird mit menschlichen Demonstrationsdaten aus der realen Welt trainiert, während ein anderer Teil mit einer riesigen Menge synthetischer Daten, die über hochpräzise Simulatoren generiert werden, trainiert wird. Durch die Kombination von physischem und simuliertem Training lernt das Modell genaue Fähigkeiten, die sich besser verallgemeinern lassen. Reale Daten bieten Wahrheit in der KI, während simulierte Daten die Skalierung und Vielfalt bieten, die in der physischen Welt unpraktisch zu sammeln sind. Entwickler können Modelle sogar mit zusätzlichen realen oder synthetischen Daten für spezifische Aufgaben feinabstimmen oder nachtrainieren, was die Trainingspipeline extrem flexibel macht. Figures Helix VLA, das den System 1/System 2-Ansatz verwendet, wird nur mit Hunderten von teleoperierten Stunden (erweitert durch Simulation und intelligentes Labeling) trainiert, Helix kann neue Haushaltsaufgaben durch natürliche Sprache ohne benutzerdefiniertes Codieren bewältigen. Dies zeigt, wie multimodale Modelle und synthetisches Training den Datenbedarf drastisch reduzieren. @codecopenflow wendet dasselbe Prinzip mit Octo an, einem offenen VLA, das in sein Optr SDK integriert ist und die Wahrnehmung mit mehreren Kameras und sprachgesteuerte Steuerung mit viel kleineren Datensätzen und geringeren Rechenanforderungen ermöglicht. Welt-Simulationsplattformen generieren jetzt riesige Mengen an vielfältigen Trainingsdaten, die zuvor einfach nicht zugänglich waren. Nvidia’s Isaac Sim (Teil von Isaac Lab) kann eine einzige menschliche Demonstration einer Aufgabe nehmen und sie in Tausende von simulierten Variationen umwandeln, indem parallele Cloud-Instanzen verwendet werden. Stellen Sie sich vor, Sie zeigen einem Roboter, wie man eine Kiste in der Realität aufnimmt, und dann erstellt der Simulator unzählige Szenarien mit verschiedenen Kisten, Lichtverhältnissen und leichten physikalischen Anpassungen, die alle Trainingserfahrungen produzieren, aus denen der Roboter lernen kann. Eine Vision, auf die @unmoyai sehr hart hinarbeitet. Bis die Fähigkeit auf einem physischen Roboter eingesetzt wird, wurde sie in massiven Mengen virtueller Versuche bewährt. Die Kombination dieser reichen synthetischen Datensätze mit gerade genug realen Kalibrierungsdaten erzeugt viel genauere und widerstandsfähigere Robotergehirne. Dafür ist das Cloud-SDK von Codec positioniert, indem es Benutzern ermöglicht, sowohl auf große Open-Source-Datensätze zuzugreifen als auch zu diesen beizutragen (zum Beispiel durch die Schnittstelle mit Hugging Face’s LeRobot-Hub). Jede Simulationsausführung in der Cloud könnte neue Trainingsdaten werden, die ein globales Modell schärfen, wie Roboter mit der Welt interagieren. Alle Teile deuten darauf hin, dass humanoide Roboter und Roboter im Allgemeinen auf einen „App Store-Moment“ zusteuern. Robotikhardware wird nutzlos sein, ohne eine Bibliothek von Fähigkeiten. Optr bietet eine einheitliche API, sodass ein autonomer Agent, der eine Webanwendung, einen Roboterarm oder einen simulierten Avatar steuert, alle dasselbe Kernframework und dieselbe Logik verwendet. Diese Abstraktion ist dynamisch, da Entwickler eine Aufgabe in einer spielähnlichen Simulationsumgebung prototypisieren und dann dieselbe Logik mit minimalen Änderungen auf einen echten Roboter übertragen können. Durch die Cloud-Basierung und Offenheit kann das Optr SDK als Grundlage für einen Robotermarkt fungieren. Entwickler können eine neue Fähigkeit entwickeln, ohne einen Roboter zu besitzen (dank der Cloud-Simulation), sie sicher in virtuellen Umgebungen testen und dann für andere veröffentlichen. Diejenigen, die die Fähigkeit benötigen, wie ein Robotik-Startup oder eine Einzelperson mit einem Heimroboter, könnten sie aus der Bibliothek abrufen und auf ihren Maschinen ausführen. Diese Art von offenem Marktplatz und Anreizmodell ist der Zünder für die Robotik-Entwicklerwirtschaft. Es senkt die Eintrittsbarriere (keine teure Hardware oder Labore erforderlich dank Cloud-Tools), fördert die Zusammenarbeit, da Beiträge die gemeinsamen Datensätze und Modelle verbessern, und bietet finanzielle Anreize für Einzelpersonen, Nischenprobleme zu lösen. Es gibt viele nachgelagerte wirtschaftliche Flywheel-Möglichkeiten, die sich daraus ergeben (was Sie an den jüngsten Partnerschaften sehen können), aber ich werde das für einen separaten Artikel aufbewahren.