Роботи-люди швидко переходять з наукової фантастики в реальність. Постійне зниження витрат на апаратуру, зростання капіталовкладень, а також технологічні прориви в гнучкості рухів і здібностях управління - ці три фактори постійно зливаються і активно сприяють наступній значній ітерації платформ у сфері обчислень.
Попри те, що обчислювальна потужність і апаратне забезпечення все більше стають товаром, що приносить переваги низької вартості для машинної інженерії, ця галузь все ще обмежена вузьким місцем у навчальних даних.
Reborn — один із небагатьох проєктів, який використовує децентралізований фізичний штучний інтелект (DePAI) для краудсорсингу високоточних рухів і синтетичних даних і створення базових моделей роботів, що ставить його в унікальну перспективу для стимулювання розгортання гуманоїдних роботів. Програму очолює команда засновників із сильними технічними навичками та академічною підготовкою, а також професорськими посадами в Каліфорнійському університеті в Берклі, Корнельському університеті, Гарвардському університеті та Apple, яка поєднує академічну досконалість із реальним інженерним виконанням.
Роботи-гуманоїди: від наукової фантастики до передових застосувань
Комерціалізація робототехніки не є новою концепцією. Відомий широкому загалу робот-пилосос iRobot Roomba, випущений у 2002 році, або нещодавно з'явилася домашня камера для тварин Kasa, є однозадачними пристроями. З розвитком штучного інтелекту роботи переходять від однозадачних машин до багатофункціональних форм, що призначені для роботи в відкритих середовищах.
Роботи-гуманоїди протягом наступних 5-15 років поступово вдосконалюватимуться від базових завдань, таких як прибирання та приготування їжі, до складних робіт, таких як обслуговування клієнтів, гасіння пожеж і навіть хірургічні операції.
Нещодавні розробки перетворюють гуманоїдних роботів із наукової фантастики на реальність.
Ринкова динаміка: понад 100 компаній займаються розробкою гуманоїдних роботів (таких як Tesla, Yushutech, Figure AI, Clone, Agile тощо).
Апаратні технології успішно перетнули моторошну долину: нове покоління гуманоїдних роботів демонструє природні та плавні рухи, що дозволяє їм взаємодіяти як людина в реальному середовищі. Серед них Unitree H1 може ходити зі швидкістю до 3,3 метра в секунду, що значно перевищує середній темп людини в 1,4 метра в секунду.
(Примітка: Теорія жахливого долинного ефекту (The Uncanny Valley) - це психологічна теорія, що описує емоційні реакції людей на нелюдські сутності (такі як роботи, ляльки, віртуальні образи тощо).)
Нова парадигма витрат на роботів-людей: очікується, що до 2032 року вони будуть нижчими за рівень заробітної плати в США.
Розвитковий бар'єр: навчальні дані з реального світу
Незважаючи на очевидні позитивні фактори в галузі гуманоїдних роботів, низька якість даних та проблеми з їх нестачею все ще заважають їх масовому впровадженню.
Інші технології на основі штучного інтелекту, такі як автономне водіння, значною мірою вирішили проблему даних з камерами та датчиками в існуючих транспортних засобах. У випадку з безпілотними системами, такими як Tesla і Waymo, ці автопарки здатні генерувати мільярди миль реальних даних про водіння доріг. Коли Waymo виводить автомобіль на дорогу на цьому етапі розробки, пасажирське крісло тренується в режимі реального часу за допомогою людського монітора.
Проте споживачі малоймовірно приймуть існування «роботів-нянь». Роботи повинні мати високу продуктивність, готову до використання, що робить збір даних перед розгортанням надзвичайно важливим. Усі навчання повинні бути завершені до комерційного виробництва, а масштаб і якість даних залишаються постійною проблемою.
Хоча кожен режим навчання має свої одиниці виміру (наприклад, великі мовні моделі використовують токени, генератори зображень — парні відео — текст, а робототехніка — сегменти руху), нижчевказане порівняння чітко демонструє величезну різницю в доступності даних для робототехніки:
Обсяг навчальних даних GPT-4 перевищує 150 трильйонів текстових маркерів.
Midjourney та Sora використовують мільярди підписаних відео та текстових пар.
В порівнянні, найбільший набір даних роботів містить лише близько 2,4 мільйона записів взаємодії.
Ця різниця пояснює, чому технології роботів ще не досягли справжньої базової моделі, як це зробили великі мовні моделі; ключ у тому, що бази даних ще не є повними.
Традиційні методи збору даних не можуть задовольнити масштабні вимоги до даних для навчання гуманоїдних роботів. Існуючі методи включають:
Моделювання: низькі витрати, але відсутність реальних межевих сцен (прірва між моделюванням і реальністю)
Інтернет-відео: неможливо надати відчуття тіла та середовище зворотного зв'язку, необхідні для навчання роботів.
Справжні світові дані: хоча точні, вони потребують дистанційного управління та ручних замкнень, що призводить до високих витрат (більше 40 тисяч доларів за кожного робота) і нестачі масштабованості.
Навчання моделей у віртуальному середовищі є дешевим і масштабованим, але ці моделі часто стикаються з труднощами при розгортанні в реальному світі. Цю проблему називають розривом між віртуальним і реальним (Sim2Real).
Наприклад, робот, навчений у змодельованому середовищі, може легко схоплювати ідеально освітлені об'єкти з плоскими поверхнями, але він часто безпорадний, коли стикається з захаращеним середовищем, текстурами з вибоїнами або несподіваними ситуаціями, до яких люди звикли в реальному світі.
Reborn пропонує економічно ефективний та швидкий спосіб краудсорсингу реальних даних, що допомагає покращити навчання роботів і розв'язати проблему "перехід від симуляції до реальності" (Sim2Real).
Reborn будує вертикально інтегровану програмну та дану платформу для додатків, що використовують втілену інтелектуальність роботів. Основною метою компанії є вирішення проблеми вузького місця даних у сфері гуманоїдних роботів, але її бачення набагато ширше. Завдяки власній розробці апаратного забезпечення, мультимодальній симуляційній інфраструктурі та основним моделям, Reborn стане повним драйвером для реалізації втіленого інтелекту.
Платформа Reborn починає з власного споживчого пристрою захоплення руху "ReboCap" і будує швидко зростаючу екосистему ігор доповненої та віртуальної реальності. Користувачі отримують мережеві винагороди, надаючи високоякісні дані про рух, що сприяє сталому розвитку платформи. Наразі Reborn продала понад 5000 комплектів пристроїв ReboCap, щомісячна активність користувачів досягла 160 000, і було визначено чіткий шлях зростання до 2 мільйонів користувачів до кінця року.
Reborn підтримує збір даних, що значно перевищує ефективність інших рішень.
Вражаюче, що цей ріст повністю походить від природного розвитку: користувачів приваблює розважальність самої гри, а стримери використовують ReboCap для реального захоплення тілесних рухів цифрових образів. Цей спонтанно сформований позитивний цикл забезпечує масштабоване, низько витратне, високо якісне виробництво даних, що робить набір даних Reborn об'єктом змагання для провідних робототехнічних компаній.
Другим рівнем програмного стеку ReBorn є Roboverse: мультимодальна платформа даних, яка об'єднує фрагментоване середовище моделювання. Сучасний ландшафт симуляції дуже фрагментований, з такими інструментами, як Mujoco та NVIDIA Isaac Lab, які працюють ізольовано, кожен зі своїми сильними сторонами, але не сумісним. Ця фрагментація уповільнює процес досліджень і розробок і посилює прірву між симуляцією і реальністю. Компанія Roboverse створила спільну віртуальну інфраструктуру для розробки та оцінки моделей роботів шляхом стандартизації на декількох симуляторах. Ця інтеграція підтримує послідовний бенчмаркінг, що значно покращує масштабованість та узагальнення системи.
Roboverse забезпечує безперебійну співпрацю. Перший збирає реальні дані у великому масштабі, а другий створює симуляційне середовище для стимулювання навчання моделей, демонструючи справжню потужність розподіленої мережі фізичного інтелекту Reborn. Платформа створює фізичну екосистему розробників штучного інтелекту, яка виходить за рамки простого збору даних, а її функції були поширені на сферу фактичного розгортання моделей і комерційного ліцензування.
Reborn базова модель
Найважливішим компонентом технологічного стеку Reborn, можливо, є базова модель Reborn (RFM). Як одна з перших базових моделей для роботів, ця модель створюється як основна система нової інфраструктури фізичного штучного інтелекту. Її позиція подібна до традиційних великих мовних базових моделей, таких як GPT-4 від OpenAI або Llama від Meta, але орієнтована на область робототехніки.
Технологічний стек Reborn
Три основні компоненти стека технологій Reborn — платформа даних ReboCap, система моделювання Roboverse і механізм ліцензування моделі RFM — утворюють суцільний вертикально інтегрований рів. Поєднуючи краудсорсингові дані про рух з потужною системою моделювання та системою авторизації моделі, Reborn може тренувати базову модель з можливістю узагальнення різних сценаріїв. Модель може підтримувати різноманітні застосування роботів у промисловій, споживчій та дослідницькій сферах, а також реалізовувати узагальнене розгортання масивних і різноманітних даних.
Reborn активно просуває комерціалізацію своїх технологій, запустивши платні пілотні проекти з Galbot і Noematrix, а також встановивши стратегічні партнерські відносини з Unitree, Booster Robotics, Swiss Mile та Agile Robots. Ринок гуманоїдних роботів в Китаї переживає швидке зростання, складаючи приблизно 32,7% світового ринку. Варто зазначити, що компанія Yushutech займає понад 60% частки на світовому ринку чотирилапих роботів і є одним із шести китайських виробників, які планують виробити понад 1000 одиниць (гуманоїдних роботів) до 2025 року.
Роль технологій криптовалют у стеку фізичного штучного інтелекту
Криптографічні технології створюють повний вертикальний стек для штучного інтелекту у фізичному світі.
Reborn є провідним проєктом криптовалюти з втіленим штучним інтелектом
Хоча ці проекти належать до різних рівнів фізичного штучного інтелекту, у них є спільна риса: сто відсотків з них є проектами DePAI. DePAI створює відкритий, комбінованих, безліцензійний механізм розширення через токенізовані стимули, і саме ця інновація робить децентралізований розвиток фізичного штучного інтелекту реальністю.
Reborn ще не випустила токени, а органічне зростання її бізнесу є ще більш цінним. Коли механізм заохочення токенів буде офіційно запущено, участь у мережі прискориться як ключова частина ефекту маховика DePAI: користувачі можуть отримувати стимули від команди проекту, коли вони купують апаратні пристрої Reborn (колекціонери ReboCap), а компанії, що займаються дослідженнями та розробками роботів, виплачуватимуть винагороди за внесок власникам ReboCap, і цей подвійний стимул спонукатиме більше людей купувати та використовувати пристрої ReboCap. У той же час, команда проекту буде динамічно стимулювати збір високоцінних індивідуальних поведінкових даних, щоб більш ефективно подолати технологічний розрив між симуляцією та реальними додатками (Sim2Real).
Летючий колеса DePAI Reborn працює
Сфера робототехніки не буде активована самими компаніями-роботодавцями, оскільки розгортання апаратного забезпечення набагато складніше, ніж програмного. Вибуховий ріст робототехнічних технологій природно обмежується витратами, доступністю апаратного забезпечення та складністю розгортання, тоді як ці перешкоди зовсім не існують у чисто цифровому програмному забезпеченні, такому як ChatGPT.
Переломний момент для гуманоїдних роботів полягає не в тому, наскільки вражаючими є прототипи, а в тому, щоб знизити витрати до доступного для мас, подібно до поширення смартфонів або комп'ютерів. Коли витрати знижуються, апаратура стає лише квитком на вхід, справжня конкурентна перевага полягає в даних та моделях: конкретно, це масштаби, якість та різноманітність рухового інтелекту, що використовується для навчання машин.
Висновок
Революцію роботизованих платформ не зупинити, але, як і всі платформи, її масштабний розвиток невіддільний від підтримки даних. Reborn робить ставку на те, що криптовалюта може заповнити найважливішу прогалину в стеку робототехніки штучного інтелекту: її рішення для роботи з даними, DePAI, є економічно ефективним, високомасштабованим і модульним. У той час як робототехніка є наступним рубежем штучного інтелекту, Reborn перетворює широку громадськість на «добувачів» даних про дії. Подібно до того, як великі мовні моделі повинні бути підкріплені текстовими маркерами, людиноподібні роботи повинні бути навчені за допомогою масивних послідовностей дій. З Reborn ми прорвемо останнє вузьке місце і реалізуємо стрибок від наукової фантастики до реальності для гуманоїдних роботів.
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Людські Боти + Криптоактиви: Reborn як створити DePAI фліп?
Автор: Бріанбреслоу, Hypersphere Ventures
Переклад: Tim, PANews
Виконавче резюме
Роботи-люди швидко переходять з наукової фантастики в реальність. Постійне зниження витрат на апаратуру, зростання капіталовкладень, а також технологічні прориви в гнучкості рухів і здібностях управління - ці три фактори постійно зливаються і активно сприяють наступній значній ітерації платформ у сфері обчислень.
Попри те, що обчислювальна потужність і апаратне забезпечення все більше стають товаром, що приносить переваги низької вартості для машинної інженерії, ця галузь все ще обмежена вузьким місцем у навчальних даних.
Reborn — один із небагатьох проєктів, який використовує децентралізований фізичний штучний інтелект (DePAI) для краудсорсингу високоточних рухів і синтетичних даних і створення базових моделей роботів, що ставить його в унікальну перспективу для стимулювання розгортання гуманоїдних роботів. Програму очолює команда засновників із сильними технічними навичками та академічною підготовкою, а також професорськими посадами в Каліфорнійському університеті в Берклі, Корнельському університеті, Гарвардському університеті та Apple, яка поєднує академічну досконалість із реальним інженерним виконанням.
Роботи-гуманоїди: від наукової фантастики до передових застосувань
Комерціалізація робототехніки не є новою концепцією. Відомий широкому загалу робот-пилосос iRobot Roomba, випущений у 2002 році, або нещодавно з'явилася домашня камера для тварин Kasa, є однозадачними пристроями. З розвитком штучного інтелекту роботи переходять від однозадачних машин до багатофункціональних форм, що призначені для роботи в відкритих середовищах.
Роботи-гуманоїди протягом наступних 5-15 років поступово вдосконалюватимуться від базових завдань, таких як прибирання та приготування їжі, до складних робіт, таких як обслуговування клієнтів, гасіння пожеж і навіть хірургічні операції.
Нещодавні розробки перетворюють гуманоїдних роботів із наукової фантастики на реальність.
Ринкова динаміка: понад 100 компаній займаються розробкою гуманоїдних роботів (таких як Tesla, Yushutech, Figure AI, Clone, Agile тощо).
Апаратні технології успішно перетнули моторошну долину: нове покоління гуманоїдних роботів демонструє природні та плавні рухи, що дозволяє їм взаємодіяти як людина в реальному середовищі. Серед них Unitree H1 може ходити зі швидкістю до 3,3 метра в секунду, що значно перевищує середній темп людини в 1,4 метра в секунду.
(Примітка: Теорія жахливого долинного ефекту (The Uncanny Valley) - це психологічна теорія, що описує емоційні реакції людей на нелюдські сутності (такі як роботи, ляльки, віртуальні образи тощо).)
Нова парадигма витрат на роботів-людей: очікується, що до 2032 року вони будуть нижчими за рівень заробітної плати в США.
Розвитковий бар'єр: навчальні дані з реального світу
Незважаючи на очевидні позитивні фактори в галузі гуманоїдних роботів, низька якість даних та проблеми з їх нестачею все ще заважають їх масовому впровадженню.
Інші технології на основі штучного інтелекту, такі як автономне водіння, значною мірою вирішили проблему даних з камерами та датчиками в існуючих транспортних засобах. У випадку з безпілотними системами, такими як Tesla і Waymo, ці автопарки здатні генерувати мільярди миль реальних даних про водіння доріг. Коли Waymo виводить автомобіль на дорогу на цьому етапі розробки, пасажирське крісло тренується в режимі реального часу за допомогою людського монітора.
Проте споживачі малоймовірно приймуть існування «роботів-нянь». Роботи повинні мати високу продуктивність, готову до використання, що робить збір даних перед розгортанням надзвичайно важливим. Усі навчання повинні бути завершені до комерційного виробництва, а масштаб і якість даних залишаються постійною проблемою.
Хоча кожен режим навчання має свої одиниці виміру (наприклад, великі мовні моделі використовують токени, генератори зображень — парні відео — текст, а робототехніка — сегменти руху), нижчевказане порівняння чітко демонструє величезну різницю в доступності даних для робототехніки:
Обсяг навчальних даних GPT-4 перевищує 150 трильйонів текстових маркерів.
Midjourney та Sora використовують мільярди підписаних відео та текстових пар.
В порівнянні, найбільший набір даних роботів містить лише близько 2,4 мільйона записів взаємодії.
Ця різниця пояснює, чому технології роботів ще не досягли справжньої базової моделі, як це зробили великі мовні моделі; ключ у тому, що бази даних ще не є повними.
Традиційні методи збору даних не можуть задовольнити масштабні вимоги до даних для навчання гуманоїдних роботів. Існуючі методи включають:
Моделювання: низькі витрати, але відсутність реальних межевих сцен (прірва між моделюванням і реальністю)
Інтернет-відео: неможливо надати відчуття тіла та середовище зворотного зв'язку, необхідні для навчання роботів.
Справжні світові дані: хоча точні, вони потребують дистанційного управління та ручних замкнень, що призводить до високих витрат (більше 40 тисяч доларів за кожного робота) і нестачі масштабованості.
Навчання моделей у віртуальному середовищі є дешевим і масштабованим, але ці моделі часто стикаються з труднощами при розгортанні в реальному світі. Цю проблему називають розривом між віртуальним і реальним (Sim2Real).
Наприклад, робот, навчений у змодельованому середовищі, може легко схоплювати ідеально освітлені об'єкти з плоскими поверхнями, але він часто безпорадний, коли стикається з захаращеним середовищем, текстурами з вибоїнами або несподіваними ситуаціями, до яких люди звикли в реальному світі.
Reborn пропонує економічно ефективний та швидкий спосіб краудсорсингу реальних даних, що допомагає покращити навчання роботів і розв'язати проблему "перехід від симуляції до реальності" (Sim2Real).
Reborn: повноцінне бачення децентралізованого штучного інтелекту
Reborn будує вертикально інтегровану програмну та дану платформу для додатків, що використовують втілену інтелектуальність роботів. Основною метою компанії є вирішення проблеми вузького місця даних у сфері гуманоїдних роботів, але її бачення набагато ширше. Завдяки власній розробці апаратного забезпечення, мультимодальній симуляційній інфраструктурі та основним моделям, Reborn стане повним драйвером для реалізації втіленого інтелекту.
Платформа Reborn починає з власного споживчого пристрою захоплення руху "ReboCap" і будує швидко зростаючу екосистему ігор доповненої та віртуальної реальності. Користувачі отримують мережеві винагороди, надаючи високоякісні дані про рух, що сприяє сталому розвитку платформи. Наразі Reborn продала понад 5000 комплектів пристроїв ReboCap, щомісячна активність користувачів досягла 160 000, і було визначено чіткий шлях зростання до 2 мільйонів користувачів до кінця року.
Reborn підтримує збір даних, що значно перевищує ефективність інших рішень.
Вражаюче, що цей ріст повністю походить від природного розвитку: користувачів приваблює розважальність самої гри, а стримери використовують ReboCap для реального захоплення тілесних рухів цифрових образів. Цей спонтанно сформований позитивний цикл забезпечує масштабоване, низько витратне, високо якісне виробництво даних, що робить набір даних Reborn об'єктом змагання для провідних робототехнічних компаній.
Другим рівнем програмного стеку ReBorn є Roboverse: мультимодальна платформа даних, яка об'єднує фрагментоване середовище моделювання. Сучасний ландшафт симуляції дуже фрагментований, з такими інструментами, як Mujoco та NVIDIA Isaac Lab, які працюють ізольовано, кожен зі своїми сильними сторонами, але не сумісним. Ця фрагментація уповільнює процес досліджень і розробок і посилює прірву між симуляцією і реальністю. Компанія Roboverse створила спільну віртуальну інфраструктуру для розробки та оцінки моделей роботів шляхом стандартизації на декількох симуляторах. Ця інтеграція підтримує послідовний бенчмаркінг, що значно покращує масштабованість та узагальнення системи.
Roboverse забезпечує безперебійну співпрацю. Перший збирає реальні дані у великому масштабі, а другий створює симуляційне середовище для стимулювання навчання моделей, демонструючи справжню потужність розподіленої мережі фізичного інтелекту Reborn. Платформа створює фізичну екосистему розробників штучного інтелекту, яка виходить за рамки простого збору даних, а її функції були поширені на сферу фактичного розгортання моделей і комерційного ліцензування.
Reborn базова модель
Найважливішим компонентом технологічного стеку Reborn, можливо, є базова модель Reborn (RFM). Як одна з перших базових моделей для роботів, ця модель створюється як основна система нової інфраструктури фізичного штучного інтелекту. Її позиція подібна до традиційних великих мовних базових моделей, таких як GPT-4 від OpenAI або Llama від Meta, але орієнтована на область робототехніки.
Технологічний стек Reborn
Три основні компоненти стека технологій Reborn — платформа даних ReboCap, система моделювання Roboverse і механізм ліцензування моделі RFM — утворюють суцільний вертикально інтегрований рів. Поєднуючи краудсорсингові дані про рух з потужною системою моделювання та системою авторизації моделі, Reborn може тренувати базову модель з можливістю узагальнення різних сценаріїв. Модель може підтримувати різноманітні застосування роботів у промисловій, споживчій та дослідницькій сферах, а також реалізовувати узагальнене розгортання масивних і різноманітних даних.
Reborn активно просуває комерціалізацію своїх технологій, запустивши платні пілотні проекти з Galbot і Noematrix, а також встановивши стратегічні партнерські відносини з Unitree, Booster Robotics, Swiss Mile та Agile Robots. Ринок гуманоїдних роботів в Китаї переживає швидке зростання, складаючи приблизно 32,7% світового ринку. Варто зазначити, що компанія Yushutech займає понад 60% частки на світовому ринку чотирилапих роботів і є одним із шести китайських виробників, які планують виробити понад 1000 одиниць (гуманоїдних роботів) до 2025 року.
Роль технологій криптовалют у стеку фізичного штучного інтелекту
Криптографічні технології створюють повний вертикальний стек для штучного інтелекту у фізичному світі.
Reborn є провідним проєктом криптовалюти з втіленим штучним інтелектом
Хоча ці проекти належать до різних рівнів фізичного штучного інтелекту, у них є спільна риса: сто відсотків з них є проектами DePAI. DePAI створює відкритий, комбінованих, безліцензійний механізм розширення через токенізовані стимули, і саме ця інновація робить децентралізований розвиток фізичного штучного інтелекту реальністю.
Reborn ще не випустила токени, а органічне зростання її бізнесу є ще більш цінним. Коли механізм заохочення токенів буде офіційно запущено, участь у мережі прискориться як ключова частина ефекту маховика DePAI: користувачі можуть отримувати стимули від команди проекту, коли вони купують апаратні пристрої Reborn (колекціонери ReboCap), а компанії, що займаються дослідженнями та розробками роботів, виплачуватимуть винагороди за внесок власникам ReboCap, і цей подвійний стимул спонукатиме більше людей купувати та використовувати пристрої ReboCap. У той же час, команда проекту буде динамічно стимулювати збір високоцінних індивідуальних поведінкових даних, щоб більш ефективно подолати технологічний розрив між симуляцією та реальними додатками (Sim2Real).
Летючий колеса DePAI Reborn працює
Сфера робототехніки не буде активована самими компаніями-роботодавцями, оскільки розгортання апаратного забезпечення набагато складніше, ніж програмного. Вибуховий ріст робототехнічних технологій природно обмежується витратами, доступністю апаратного забезпечення та складністю розгортання, тоді як ці перешкоди зовсім не існують у чисто цифровому програмному забезпеченні, такому як ChatGPT.
Переломний момент для гуманоїдних роботів полягає не в тому, наскільки вражаючими є прототипи, а в тому, щоб знизити витрати до доступного для мас, подібно до поширення смартфонів або комп'ютерів. Коли витрати знижуються, апаратура стає лише квитком на вхід, справжня конкурентна перевага полягає в даних та моделях: конкретно, це масштаби, якість та різноманітність рухового інтелекту, що використовується для навчання машин.
Висновок
Революцію роботизованих платформ не зупинити, але, як і всі платформи, її масштабний розвиток невіддільний від підтримки даних. Reborn робить ставку на те, що криптовалюта може заповнити найважливішу прогалину в стеку робототехніки штучного інтелекту: її рішення для роботи з даними, DePAI, є економічно ефективним, високомасштабованим і модульним. У той час як робототехніка є наступним рубежем штучного інтелекту, Reborn перетворює широку громадськість на «добувачів» даних про дії. Подібно до того, як великі мовні моделі повинні бути підкріплені текстовими маркерами, людиноподібні роботи повинні бути навчені за допомогою масивних послідовностей дій. З Reborn ми прорвемо останнє вузьке місце і реалізуємо стрибок від наукової фантастики до реальності для гуманоїдних роботів.