执行摘要
通用人形机器人正迅速从科幻小说转变为商业现实。硬件成本下降、资本投资激增以及运动和灵活性方面的进展正在汇聚，推动计算领域的下一个重大平台转变。
虽然计算和硬件正日益商品化，为机器人工程提供低成本的顺风，但该行业仍然受到训练数据瓶颈的限制。
Reborn是少数利用去中心化物理人工智能（DePAI）众包高保真运动和合成数据，并构建机器人基础模型的项目之一，使其独特地处于催化类人机器人部署的位置。该项目由一支技术深厚的创始团队领导，他们在加州大学伯克利分校、康奈尔大学、哈佛大学和苹果公司的研究和教授背景结合了学术卓越与现实工程执行。
人形机器人：从虚构到前线
商业化机器人并不是一个新概念。大多数人都熟悉像2002年首次推出的iRobot Roomba吸尘器，或更近期的家用机器人，比如Kasa的宠物摄像头。这两者都是单一用途的产品。在人工智能的帮助下，机器人正从单一功能的机器演变为多功能的，可以在非结构化环境中操作。
在未来5到15年内，人形机器人将从基本的清洁和烹饪任务发展到礼宾服务、消防，甚至外科手术。
最近的发展正在将类人机器人从科幻变为现实。
- 市场扩展：100多家公司正在开发类人机器人（例如：特斯拉、Unitree、Figure、Clone、Agile等）。
- 硬件技术已跨越了奇异谷：新的类人机器人展现出流畅自然的动作，使其能够在人类环境中进行类人互动。Unitree的H1走得比平均人类快（3.3米/秒对1.4米/秒）。
- 劳动成本的新范式：预计到2032年，人形机器人将降低美国工资。
瓶颈：真实世界的训练数据
尽管人形机器人有明显的有利因素，但大规模部署仍然受到数据质量和稀缺性的制约。
其他人工智能的体现，如自动驾驶，已经通过现有车辆上的摄像头和传感器在很大程度上克服了数据问题。在自动驾驶的情况下（例如，特斯拉、Waymo），这些车队能够生成数十亿英里的真实驾驶数据。在这一阶段，Waymo能够让他们的汽车上路进行实时训练，副驾驶座上有一位人类“看护者”。
然而，消费者不太可能容忍“机器人保姆”的存在。机器人必须开箱即用，因此部署前的数据获取至关重要。培训必须在商业生产之前完成，而数据的规模和质量仍然是一个问题。
虽然每种训练模式都有其自身的规模单位（即 LLM 的代币、图像生成器的视频-文本对和机器人的运动集），但以下比较突显了机器人数据所面临的数据可用性之间的数量级差距：
- GPT-4的训练数据超过15万亿个文本标记
- Midjourney/Sora 利用数十亿个标记的视频-文本对
- 相比之下，最大的机器人数据集仅包含约240万集。
这种差异说明了为什么机器人技术尚未像大型语言模型那样实现真正的基础模型。数据还不够充足。
传统的数据收集方法无法满足类人机器人训练数据的规模需求。目前的方法包括：
- 仿真：便宜但缺乏现实世界边缘案例（Sim2Real差距）
- 互联网视频：不包含机器人学习所需的本体感知或力反馈上下文
- 真实世界数据：准确，但需要远程操作和人类参与，这成本高昂（每个机器人超过40K美元），且缺乏可扩展性。
在虚拟环境中的训练成本低且可扩展，但模型在实际应用中常常遇到困难。这个问题被称为Sim2Real差距。
例如，在模拟中训练的机器人可能在完美的光照和平坦表面上成功地捡起物体，但在面对杂乱的环境、不平坦的纹理或人类习惯于的物理世界中的不完美情况时可能会失败。
Reborn 提供了一种廉价且快速的众包真实世界数据的方法，使得强大的机器人训练成为可能，并解决了 Sim2Real 差距。
重生：去中心化物理人工智能的全栈愿景
Reborn正在构建一个垂直整合的软件和数据平台，专注于物理AI。Reborn的核心是解决类人机器人面临的数据瓶颈，但其雄心远不止于此。通过专有硬件、多模态仿真基础设施和基础模型开发的结合，Reborn成为了具身智能的全栈赋能者。
重生堆栈始于“ReboCap”, 一款专有的消费级动作捕捉设备。它为一个快速增长的AR/VR游戏生态系统提供动力，用户通过生成高保真的动作数据来获取网络激励。Reborn已售出超过5000个ReboCap设备，目前支持160,000个每月活跃用户（MAUs），并明确计划到年底达到200万。
Reborn能够以比替代方法更好的经济性进行数据捕获
令人印象深刻的是，这一增长是有机的：用户被游戏本身的娱乐价值吸引，直播者则采用ReboCap实时跟踪身体动作来为数字化身赋予生命。这一有机参与循环推动了可扩展、低成本和高保真的数据生成，使Reborn的数据集成为领先机器人公司宝贵的训练资源。
Reborn软件堆栈的第二层是Roboverse, 一个统一碎片化仿真环境的多模态数据平台。今天的仿真环境高度碎片化，例如Mujoco和NVIDIA Isaac Lab等工具各自提供不同的优势，但缺乏互操作性。这种碎片化减缓了进展，并加剧了Sim2Real差距。Roboverse通过在仿真器之间标准化，创建了一个用于开发和评估机器人模型的共享虚拟基础设施，从而解决了这个问题。这种整合允许一致的基准测试，提高了可扩展性和通用性。
ReboCap和Roboverse共同构成Reborn全栈平台的基础。前者以规模捕获现实世界数据，而后者则协调模型训练的仿真环境。这种集成方法展示了Reborn的DePAI网络的真正实力。它正在建立一个超越简单数据获取的物理人工智能开发者平台，涉及实际模型部署和许可。
重生基础模型
Reborn软件堆栈中或许最关键的组成部分是Reborn基础模型（RFM）。Reborn正在构建首批机器人基础模型之一，旨在作为新兴物理AI堆栈的核心基础设施。可以将其想象为传统的基础模型，类似于OpenAI的o4或Meta的Llama，但专为机器人设计。
重生技术栈
Reborn的三大元素组合（ReboCap、Roboverse和RFM），为Reborn创造了一个强大的垂直整合护城河。通过将众包运动数据与强大的仿真和模型许可相结合，Reborn能够以所需的规模和多样性训练模型，以便在各种用例中进行泛化。最终结果是一个基础模型，支持广泛应用的下游应用，包括工业、消费者和研究机器人。
Reborn正在积极商业化其技术，与Galbot和Noematrix推出付费试点，并与Unitree、Booster Robotics、Swiss Mile和Agile Robots建立战略合作伙伴关系。中国的人形机器人市场正在迅速增长，占全球市场的约32.7%。值得注意的是，Unitree在全球四足机器人市场上占有超过60%的份额，并且是六家计划在2025年生产超过1,000个单位的中国人形机器人制造商之一。
加密货币在物理人工智能堆栈中的角色
加密货币正在为物理人工智能启用完整的垂直堆栈。
Reborn是一个领先的具身AI加密货币项目
虽然所有这些项目位于物理人工智能堆栈的不同部分，但它们都有一个共同点：100%都是DePAI项目！DePAI通过确保堆栈中开放、可组合和无权限的扩展，利用代币激励使去中心化物理人工智能成为可能。
Reborn尚未推出代币这一事实使其有机增长更加令人印象深刻。一旦代币激励生效，网络参与预计将加速，成为DePAI飞轮的一部分：Reborn为获取其硬件（ReboCap）提供激励，机器人公司向ReboCap所有者支付报酬以鼓励他们的贡献，从而鼓励更多人购买和使用ReboCap。Reborn还将动态激励高价值的边缘案例行为——确保更好地覆盖Sim2Real差距。
Reborn的DePAI飞轮在运作中
数据是关键
机器人领域的“ChatGPT”时刻不会来自机器人公司本身，因为硬件的部署比软件要复杂得多。机器人技术的传播本质上受到成本、硬件可用性和物流复杂性的限制。而这些因素在像ChatGPT这样的纯数字软件中是不存在的。
人形机器人达到转折点的时刻，不在于原型令人印象深刻，而在于成本足够降低以实现大规模采用——正如智能手机或个人电脑一样。当成本下降时，硬件就变成了基本要求。真正的竞争优势将体现在数据和模型上。具体而言，是用于训练这些机器的运动智能的规模、质量和多样性。
结论
机器人平台的转变是不可避免的，但像所有平台一样，它需要数据来扩展。Reborn是一个高杠杆的赌注，认为加密货币可以填补人工智能机器人堆栈中最迫切的空白。DePAI用于机器人数据，具有成本效益、可扩展性和可组合性。在一个机器人是人工智能下一个前沿的世界中，Reborn相当于将普通人类转变为运动数据的“矿工”。正如大型语言模型需要文本令牌，人形机器人需要运动片段。Reborn是我们解锁将人形机器人从科幻变为现实的最后一个瓶颈之一的方式。
免责声明:
- 本文转载自 [hypersphere_]. 所有版权归原作者所有 [hypersphere_]. 如果对本次转载有异议，请联系 Gate Learn团队，他们会及时处理。
- 责任免责声明：本文中表达的观点和意见仅代表作者本人，并不构成任何投资建议。
- 文章的其他语言翻译由 Gate Learn 团队完成。除非另有说明，复制、分发或抄袭翻译的文章是被禁止的。
