Oli hienoa vihdoin tavata @codecopenflow tiimi, @0xdetweiler ja muutama ystävä toissailtana. Pystyttyäni keskustelemaan henkilökohtaisesti, se on selventänyt kantaani, että Codec on alamme edistynein robotiikan infra. He rakentavat työkalupakkia, jota ei tällä hetkellä ole edes web2:ssa, ja sen saapuminen täyttää valtavan aukon tietovirroille. Minun olisi ollut erittäin helppoa pysyä mukavasti kotonani ja jatkaa säännöllistä härkäpostitusta ja kauppaa. Vaikka heidän rakentamansa tekniikan ansiosta tämä on aidosti mahdollisuus olla pohjakerroksessa ilmeisimmälle narratiiville ja teollisuudelle, joka tulee 100-kertaisesti tästä eteenpäin. Heillä on teknologia, visio ja suora panos Hugging Face LeRobot -tiimiltä, jonka avulla he voivat validoida ja muokata työkalupakkinsa käytettävyyttä todellisia käyttötapauksia varten. Joten mitä minä teen? Olemme kaikki hyvin tietoisia siitä, että krypto on yhtä paljon markkinointi- ja optiikkapeli kuin tekniikka. Keskityn kasvuun, asemointiin, sisältöön, vauhtipyörään, ponzinomiciin, käyttöliittymään ja siihen Shawmakesmagiciin, jonka näimme AI szn:stä. Ajattele Eliza GitHub -robotiikkaa, jossa on ripaus Virtuals-ponzinomicia ja käyttöliittymä, joka ei edellytä taitavaa koodaria edes ymmärtääksesi, mitä tapahtuu. On ajan kysymys, milloin robotiikka saa "chatgpt"-hetkensä, enkä usko, että olemme liian kaukana. Se, että olemme niin varhaisessa vaiheessa niin kehittyneen tuotteen kanssa kuin se on + suora panos joiltakin maailman parhaista robotiikkalaboratorioista, on aivan hullua.

Lensin Dubaihin työskentelemään $CODEC tiimin kanssa henkilökohtaisesti. Robotiikka tulee olemaan liian suuri ala, jotta siihen ei menisi täysillä. Opiskele työskentelyä laukkujesi eteen.

Pilvipohjaisen SDK:n merkitys robotiikassa ei ehkä kuulosta räikeältä, mutta se on ehdottoman tärkeää alan edistämiseksi. Jos olet teknologiapiireissä, kuulet päivittäin pilvialustoista, jotka harvoin herättävät mielikuvitusta. Humanoidiroboteille ja fyysisen maailman operaattoreille pilvisimulaatiotyökalupakki on kuitenkin keskeinen välttämättömyys jokaiselle kehittäjälle, joka yrittää skaalata koulutustaan. Tarkat virtuaalimaailman simulaatiot ovat yksi robotiikan halutuimmista hyödykkeistä tällä hetkellä. Tutkijat suorittavat loputtomasti kokeita selvittääkseen, mitkä todellisen ja synteettisen datan yhdistelmät tuottavat tarkimmat tulokset harjoitustehtävissä Kyllä, Teslan kaltaisilla yrityksillä on valtava etumatka kalustoistaan keräämiensä neuroverkkotietojen ansiosta, vaikka nämä tiedot ovat vain raakatietoa, kunnes ne otetaan käyttöön realististen koulutussimulaatioiden avulla. Kaikille muille tämän tason datan tai edes laitteiston hankkiminen sen virransyöttöön ei vain ole vaihtoehto, ellet ole massiivisesti rahoitettu yritys. Tässä kohtaa pilvisimulaatio astuu kuvaan. Siirtämällä robottien koulutuksen ja testauksen pilvipohjaisiin virtuaaliympäristöihin kuka tahansa voi käyttää tarvittavaa laskentaa ja skaalausta. Pilvialusta voi keskittää näiden simulaatioiden, tulosten ja tietojen jakamisen. Käytännössä abstraktit pois suljetut ovet, joihin näillä miljardin dollarin yrityksillä on pääsy, laboratorioissa käytetyt laajat laitteistokomponentit ja tuot tietoaineistot julkisuuteen, jossa avoimen lähdekoodin panoksesta tulee yleinen +EV innovaatioille. Tämä liiketoimintamalli on jo osoittanut toimivuutensa, kun Hugging Facen LeRobot (avoimen lähdekoodin aloite) tekee yhteistyötä Nvidian kanssa yhdistääkseen kehyksensä, jotta tutkijat voivat jakaa malleja, tietojoukkoja ja simulaatioympäristöjä pilvessä. Lopullisena tavoitteena on luoda datan vauhtipyörä, kun ihmiset tuovat simulaatiodataa ja koulutettuja käytäntöjä arkistojen avaamiseen, se nopeuttaa muiden edistymistä ja tuottaa puolestaan maailmanlaajuisesti saatavilla olevaa dataa. Tähän kanavoidaan paljon työtä kuromalla umpeen "sim to real" -kuilua. Simulaattorit eivät usein vastanneet todellisuutta, robotit oppivat virtuaalimaailmassa käyttäytymistä, joka ei siirtynyt todelliseen maailmaan, koska fysiikka tai visuaalinen ilme ei ollut tarpeeksi tarkka. Tämä ero on nyt kaventumassa nopeasti paremman simulaatiotarkkuuden ja hybridikoulutusmenetelmien ansiosta. Suurin osa robotiikan uusimmista perusmalleista (kuten NVIDIAn Isaac GROOT ja Figuren Helix VLA) käyttävät kaksoisjärjestelmäarkkitehtuuria, joka jäljittelee ihmisen kognitiota. Sama pätee siihen, miten he kouluttavat dataa maailman simulaatioissa. Yksi osa mallista on koulutettu todellisen maailman ihmisen esittelydatalla, kun taas toinen osa on koulutettu valtavaan määrään synteettistä dataa, joka on tuotettu korkealaatuisten simulaattoreiden avulla. Yhdistämällä fyysistä ja simuloitua harjoittelua malli oppii tarkkoja taitoja, jotka yleistyvät paremmin. Todellinen data tarjoaa totuuden tekoälyssä, kun taas simuloitu data tarjoaa mittakaavaa ja vaihtelua, jota on epäkäytännöllistä kerätä fyysisessä maailmassa. Kehittäjät voivat jopa hienosäätää tai lähettää harjoitusmalleja todellisilla tai synteettisillä lisätiedoilla tiettyjä tehtäviä varten, mikä tekee koulutusputkesta erittäin joustavan. Kuvat Helix VLA, joka käyttää System 1/System 2 -lähestymistapaa, on koulutettu vain sadoilla etäkäyttöisillä tunneilla (täydennettynä simulaatiolla ja älykkäillä merkinnöillä), Helix pystyy käsittelemään uusia kotitöitä luonnollisella kielellä ilman mukautettua koodausta. Osoittaa, kuinka multimodaaliset mallit ja synteettinen koulutus vähentävät datatarpeita dramaattisesti. @codecopenflow soveltaa samaa periaatetta Octoon, Optr SDK:hen integroituun avoimeen VLA:han, joka mahdollistaa usean kameran havainnoinnin ja kieliohjatun ohjauksen paljon pienemmillä tietojoukoilla ja pienemmällä laskennalla. Maailman simulaatioalustat tuottavat nyt valtavia määriä monipuolista koulutusdataa, jota ei yksinkertaisesti ollut aiemmin saatavilla. Nvidian Isaac Sim (osa Isaac Labia) voi ottaa yhden ihmisen esityksen tehtävästä ja pyörittää sen tuhansiksi simuloiduiksi muunnelmiksi käyttämällä rinnakkaisia pilviinstansseja. Kuvittele, että näytät robotille, kuinka yksi laatikko poimitaan todellisuudessa, ja sitten simulaattori luo lukemattomia skenaarioita erilaisilla laatikoilla, valaistusolosuhteilla ja pienillä fysiikan hienosäädöillä, jotka kaikki tuottavat koulutuskokemuksia, joista robotti voi oppia. Visio, jonka eteen @unmoyai työskentelee kovasti. Siihen mennessä, kun tämä taito otetaan käyttöön fyysisessä robotissa, se on todistettu suurissa määrissä virtuaalisia kokeita. Yhdistämällä nämä rikkaat synteettiset tietojoukot juuri ja juuri tarpeeksi reaalimaailman kalibrointitietoihin saadaan paljon tarkempia ja kestävämpiä robottiaivoja. Tätä varten Codecin pilvi-SDK on sijoitettu antamalla käyttäjien sekä vetää suurista avoimen lähdekoodin tietojoukoista että osallistua niihin (esimerkiksi liittymällä Hugging Facen LeRobot-keskukseen). Jokaisesta pilvessä suoritettavasta simulaatiosta voi tulla uutta koulutusdataa, joka terävöittää globaalia mallia siitä, miten robotit ovat vuorovaikutuksessa maailman kanssa. Kaikki palaset viittaavat siihen, että humanoidi ja robotit yleensä lähestyvät "App Store -hetkeä". Robottilaitteisto on hyödytön ilman taitokirjastoa. Optr tarjoaa yhtenäisen API:n, jotta verkkosovellusta ohjaava autonominen agentti, robottikäsi tai simuloitu avatar käyttää samaa ydinkehystä ja logiikkaa. Tämä abstraktio on dynaaminen, koska kehittäjät voivat tehdä tehtävän prototyypin pelin kaltaisessa simulaatioympäristössä ja ottaa sitten saman logiikan käyttöön oikeassa robotissa minimaalisilla muutoksilla. Koska Optr SDK on pilvipohjainen ja avoin, se voi toimia robotiikan markkinapaikan perustana. Kehittäjät voivat rakentaa uuden taidon omistamatta robottia (pilvisimulaation ansiosta), testata sitä turvallisesti virtuaaliympäristöissä ja julkaista sen sitten muille. Ne, jotka tarvitsevat taitoa, kuten robotiikan startup tai henkilö, jolla on kotirobotti, voivat vetää sen kirjastosta ja käyttää sitä koneillaan. Tällainen avoin markkinapaikka ja kannustinmalli on robotiikan kehittäjätalouden sulake. Se alentaa markkinoille pääsyn kynnystä (pilvityökalujen vuoksi ei tarvita kalliita laitteita tai laboratorioita), se kannustaa yhteistyöhön, koska panokset parantavat jaettuja tietojoukkoja ja malleja ja tarjoavat yksilöille taloudellista motivaatiota ratkaista niche-ongelmia. Tästä syntyy monia tuotantoketjun loppupään taloudellisia vauhtipyörämahdollisuuksia (jotka voit nähdä viimeaikaisista kumppanuuksista), mutta säästän sen erilliseen kirjoitukseen.