Résumé Exécutif

Les robots humanoïdes polyvalents passent rapidement de la science-fiction à la réalité commerciale. La baisse des coûts matériels, l'augmentation des investissements en capital et les avancées en locomotion et en dextérité convergent pour entraîner le prochain grand changement de plateforme dans l'informatique.

Alors que le calcul et le matériel deviennent de plus en plus des commodités, offrant des vents arrière à bas coût à l'ingénierie robotique, le secteur est toujours contraint par un goulot d'étranglement des données d'entraînement.

Reborn est l'un des rares projets utilisant l'IA physique décentralisée (DePAI) pour crowdsourcer des données de mouvement et des données synthétiques de haute fidélité, et construire des modèles de fondation robotiques, ce qui le place dans une position unique pour catalyser le déploiement humanoïde. Le projet est dirigé par une équipe fondatrice profondément technique avec des antécédents de recherche et de professeurs à UC Berkeley, Cornell, Harvard et Apple, alliant excellence académique et exécution d'ingénierie dans le monde réel.

Humanoïdes : De la fiction à la première ligne

La robotique commercialisée n'est pas un concept nouveau. La plupart des gens sont familiers avec des produits tels que l'aspirateur iRobot Roomba, lancé en 2002, ou des robots domestiques plus récents comme la caméra pour animaux de compagnie de Kasa. Les deux sont construits pour un usage unique. Avec l'aide de l'IA, les robots évoluent d'appareils à usage unique à des appareils polyvalents, conçus pour fonctionner dans des environnements non structurés.

Les robots humanoïdes progresseront des tâches de base comme le nettoyage et la cuisine à des rôles de concierge, de lutte contre les incendies, et même de chirurgie au cours des 5 à 15 prochaines années.

Les développements récents transforment la robotique humanoïde de la science-fiction à la réalité.

• Expansion du marché : plus de 100 entreprises construisant des humanoïdes (par exemple, Tesla, Unitree, Figure, Clone, Agile, etc.).
• La technologie matérielle a franchi la vallée de l'étrange : de nouveaux humanoïdes présentent des mouvements fluides et naturels, permettant des interactions semblables à celles des humains dans des environnements réels. Le H1 d'Unitree marche plus vite que l'humain moyen (3,3 m/s contre 1,4 m/s).
• Nouveau paradigme des coûts de main-d'œuvre : les robots humanoïdes devraient faire baisser les salaires aux États-Unis d'ici 2032.

Le goulot d'étranglement : données d'entraînement du monde réel

Malgré des vents favorables clairs pour la robotique humanoïde, le déploiement massif reste bloqué par la qualité et la rareté des données.

D'autres incarnations de l'IA, comme la conduite autonome, ont largement surmonté le problème des données grâce à des caméras et des capteurs sur les véhicules existants. Dans le cas de la conduite autonome (par exemple, Tesla, Waymo), ces flottes sont capables de générer des milliards de miles de données de conduite réelles. Waymo a pu mettre ses voitures sur la route pour un entraînement en temps réel avec un "babysitter" humain sur le siège passager pendant cette phase.

Cependant, les consommateurs sont peu susceptibles de tolérer la présence d'un « baby-sitter robot ». Les robots doivent être performants dès le départ, ce qui rend l'acquisition de données avant le déploiement essentielle. La formation doit être terminée avant la production commerciale, où l'échelle et la qualité des données demeurent un problème.

Bien que chaque modalité d'entraînement ait sa propre unité d'échelle (c'est-à-dire des jetons pour les LLM, des paires vidéo-texte pour les générateurs d'images et des épisodes de mouvement pour la robotique), la comparaison ci-dessous met en évidence l'écart d'ordres de grandeur en matière de disponibilité des données auquel les données robotiques sont confrontées :

• GPT-4 a été formé sur plus de 15 trillions de jetons de texte
• Midjourney/Sora tire parti de milliards de paires vidéo-texte étiquetées
• En revanche, les plus grands ensembles de données en robotique ne contiennent qu'environ 2,4 millions d'épisodes.

Cette disparité illustre pourquoi la robotique n'a pas encore réussi à établir un véritable modèle de fondation de la même manière que les LLMs. Les données ne sont tout simplement pas encore disponibles.

Les méthodes traditionnelles de collecte de données ne sont pas évolutives pour les données d'entraînement en robotique humanoïde. Les méthodes actuelles incluent :

• Simulation : Pas cher mais manque de cas limites du monde réel (écart Sim2Real)
• Vidéo Internet : Ne contient pas le contexte proprioceptif ou de retour de force nécessaire à l'apprentissage des robots.
• Données du monde réel : Précises, mais nécessitent une téléopération et un humain dans la boucle, ce qui est coûteux (plus de 40 000 $ par robot) et manque d'évolutivité.

La formation dans des environnements virtuels est peu coûteuse et évolutive, mais les modèles ont souvent du mal lorsqu'ils sont déployés dans le monde réel. Ce problème est connu sous le nom d'écart Sim2Real.

Par exemple, un robot formé en simulation pourrait réussir à ramasser des objets dans un éclairage parfait et sur des surfaces planes, mais échouer face à des environnements encombrés, des textures inégales ou des situations imparfaites auxquelles les humains sont habitués dans le monde physique.

Reborn offre un moyen de crowdsourcer des données du monde réel de manière économique et rapide, permettant un entraînement robuste des robots et de résoudre le fossé Sim2Real.

Reborn : Une vision full-stack pour l'IA physique décentralisée

Reborn construit une plateforme de logiciels et de données intégrée verticalement pour l'IA physique. Au cœur de Reborn, la société résout le goulot d'étranglement des données pour la robotique humanoïde, mais son ambition va bien au-delà. Grâce à une combinaison de matériel propriétaire, d'infrastructure de simulation multimodale et de développement de modèles fondamentaux, Reborn devient un facilitateur full-stack de l'intelligence incarnée.

La pile Reborn commence par le “ReboCap”, un dispositif de capture de mouvement grand public propriétaire. Cela alimente un écosystème de jeux AR/VR en pleine croissance, où les utilisateurs génèrent des données de mouvement haute fidélité en échange d'incitations réseau. Reborn a vendu plus de 5 000 unités ReboCap et soutient désormais 160 000 utilisateurs actifs mensuels (UAM), avec une voie claire vers deux millions d'ici la fin de l'année.

Reborn permet la capture de données à des coûts bien meilleurs que les méthodes alternatives.

De manière impressionnante, cette croissance a été organique : les utilisateurs sont attirés par la valeur divertissante des jeux eux-mêmes, et les diffuseurs en direct adoptent ReboCap pour animer des avatars numériques avec un suivi corporel en temps réel. Cette boucle d'engagement organique alimente la génération de données évolutive, à faible coût et de haute fidélité, rendant le jeu de données de Reborn une ressource de formation précieuse pour les grandes entreprises de robotique.

La deuxième couche de la pile logicielle de Reborn estRoboverse, une plateforme de données multimodales qui unifie des environnements de simulation fragmentés. Le paysage de la simulation d'aujourd'hui est très fragmenté, par exemple des outils comme Mujoco et NVIDIA Isaac Lab offrent chacun des forces différentes mais manquent d'interopérabilité. Cette balkanisation ralentit les progrès et exacerbe l'écart Sim2Real. Roboverse aborde ce problème en standardisant les simulateurs, créant ainsi une infrastructure virtuelle partagée pour le développement et l'évaluation des modèles robotiques. Cette intégration permet un benchmarking cohérent, améliorant l'évolutivité et la généralisabilité.

Ensemble, ReboCap et Roboverse forment la base de la plateforme full-stack de Reborn. Le premier capture des données du monde réel à grande échelle, tandis que le second orchestre des environnements de simulation pour l'entraînement des modèles. Cette approche intégrée met en valeur la véritable puissance du réseau DePAI de Reborn. Il construit une plateforme pour les développeurs de l'IA Physique qui va au-delà de la simple acquisition de données, jusqu'au déploiement et à la licence réels des modèles.

Le Modèle de Fondation Reborn

Peut-être que le composant le plus crucial de la pile logicielle de Reborn est le modèle de fondation Reborn (RFM). Reborn construit l'un des premiers modèles de fondation en robotique, conçu pour servir d'infrastructure de base pour la nouvelle pile d'IA physique. Pensez aux modèles de fondation traditionnels pour les LLM, tels que l'o4 d'OpenAI ou le Llama de Meta, mais pour les robots.

La pile technologique Reborn

La combinaison des trois éléments majeurs de l'empilement de Reborn (ReboCap, Roboverse et le RFM) crée une forte protection intégrée verticalement pour Reborn. En associant des données de mouvement collectées par la foule avec une simulation robuste et une licence de modèle, Reborn peut former des modèles avec l'échelle et la diversité nécessaires pour se généraliser à travers les cas d'utilisation. Le résultat est un modèle de base qui soutient des applications en aval dans une large gamme de cas d'utilisation, y compris la robotique industrielle, grand public et de recherche.

Reborn commercialise activement sa technologie, lançant des pilotes payants avec Galbot et Noematrix et établissant des partenariats stratégiques avec Unitree, Booster Robotics, Swiss Mile et Agile Robots. Le marché des robots humanoïdes en Chine connaît une croissance rapide, représentant environ 32,7 % du marché mondial. Notamment, Unitree détient plus de 60 % du marché mondial des robots quadrupèdes et fait partie des six fabricants de robots humanoïdes chinois prévoyant de produire plus de 1 000 unités en 2025.

Le rôle de Crypto dans la pile AI physique

Crypto permet de réaliser l'ensemble de la chaîne verticale pour l'IA physique.

Reborn est un projet crypto d'IA incarnée de premier plan

Bien que tous ces projets se trouvent dans différentes parties de la pile IA physique, ils partagent tous quelque chose en commun : 100 % d'entre eux sont des projets DePAI ! DePAI rend possible l'IA physique décentralisée en garantissant une mise à l'échelle ouverte, composable et sans autorisation grâce à des incitations par token dans toute la pile.

Le fait que Reborn n’ait pas encore lancé de token rend sa croissance organique encore plus impressionnante. Une fois que les incitations liées au token seront en place, la participation au réseau devrait s'accélérer dans le cadre du flywheel DePAI : Reborn émet des incitations pour l'acquisition de son matériel (le ReboCap), les entreprises de robotique paient les propriétaires de ReboCap pour leurs contributions, encourageant ainsi davantage de personnes à acheter et à utiliser ReboCap. Reborn incitera également de manière dynamique les comportements de cas extrêmes à forte valeur – garantissant une couverture encore meilleure du fossé Sim2Real.

Le Flywheel DePAI de Reborn en action

Tout est une question de données

Le moment « ChatGPT » de la robotique ne viendra pas des entreprises de robotique elles-mêmes, car le matériel est beaucoup plus difficile à déployer que le logiciel. La viralité dans la robotique est intrinsèquement limitée par le coût, la disponibilité du matériel et les complexités logistiques. Ces facteurs sont absents dans les logiciels purement numériques comme ChatGPT.

Le point de basculement pour la robotique humanoïde viendra non pas lorsque les prototypes impressionnent, mais lorsque les coûts diminueront suffisamment pour une adoption massive — comme avec les smartphones ou les PC. Lorsque les coûts baissent, le matériel devient un enjeu essentiel. Le véritable avantage concurrentiel résidera dans les données et les modèles. Plus précisément, l'échelle, la qualité et la diversité de l'intelligence de mouvement utilisée pour former ces machines.

Conclusion

Le changement de plateforme robotique est inévitable mais, comme toutes les plateformes, elle a besoin de données pour se développer. Reborn est un pari à fort effet de levier que le crypto peut combler le fossé le plus aigu dans la pile des robots IA. DePAI pour les données robotiques est rentable, évolutif et composable. Dans un monde où la robotique est la prochaine frontière de l'IA, Reborn équivaut à transformer les humains ordinaires en "mineurs" de données de mouvement. Tout comme les LLM ont besoin de jetons de texte, les robots humanoïdes ont besoin d'épisodes de mouvement. Reborn est la manière dont nous débloquons l'un des derniers goulots d'étranglement pour transformer la robotique humanoïde de la science-fiction en réalité.

Avertissement:

1. Cet article est reproduit de [hypersphère_]. Tous les droits d'auteur appartiennent à l'auteur original [hypersphère_]. S'il y a des objections à cette réimpression, veuillez contacter le Gate Learnéquipe, et ils s'en occuperont rapidement.
2. Avertissement de responsabilité : Les opinions et points de vue exprimés dans cet article n'engagent que l'auteur et ne constituent pas un conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.