Verstehen Sie Huang Renxuns Physical AI: Warum die Chancen im Crypto auch in den „Ecken und Kanten“ versteckt sind?

Auf dem Davos-Gipfel, was hat Jensen Huang eigentlich gesagt?

Auf den ersten Blick verkauft er Roboter, in Wirklichkeit führt er eine mutige „Selbstrevolution“ durch. Mit einer Rede hat er das alte Zeitalter des „Haufens von Grafikkarten“ beendet, doch überraschenderweise hat er der Crypto-Szene eine einmalige Eintrittskarte in die Zukunft vorgezeichnet?

Gestern, auf dem Davos-Gipfel, wies Jensen Huang darauf hin, dass die Anwendungsebene von KI explodiert, und die Rechenleistung wird sich vollständig vom „Trainingsbereich“ in den „Inference-Bereich“ und den „Physical AI（Physikalische KI）Bereich“ verschieben.

Das ist sehr interessant.

NVIDIA, als größter Gewinner im Zeitalter der KI 1.0 „Rechenleistung-Wettlauf“, ruft jetzt aktiv nach einer Umorientierung auf „Inference“ und „Physical AI“. Das sendet ein sehr klares Signal: Das Zeitalter, in dem man durch das Haufen von Karten große Modelle trainierte und große Wunder vollbrachte, ist vorbei. Künftig wird der KI-Wettbewerb um die praktische Anwendung und Umsetzung der Szenarien kreisen – das „Anwendung ist König“.

Mit anderen Worten, Physical AI ist die zweite Hälfte von Generative AI.

Denn LLMs haben bereits alle Daten gelesen, die Menschen in Jahrzehnten im Internet angesammelt haben, aber sie wissen immer noch nicht, wie man z.B. einen Flaschenverschluss öffnet. Physical AI soll das „Wissen und Handeln in Einklang bringen“ außerhalb der KI-Intelligenz lösen.

Denn, Physical AI kann nicht auf die „lange Reflexionskette“ der entfernten Cloud-Server angewiesen sein. Die Logik ist einfach: Wenn ChatGPT eine Sekunde langsamer Texte generiert, mag man das als Verzögerung empfinden. Aber wenn ein zweibeiniger Roboter wegen Netzverzögerung eine Sekunde langsamer ist, könnte er die Treppe herunterfallen.

Doch, obwohl Physical AI wie eine Fortsetzung der generativen KI erscheint, steht es vor völlig neuen Herausforderungen:

1）Raumintelligenz: KI soll die Fähigkeit haben, die dreidimensionale Welt zu verstehen.

Professor Fei-Fei Li hat vorgeschlagen, dass Raumintelligenz der nächste Polarstern der KI-Entwicklung ist. Roboter müssen „verstehen“, was sie sehen, bevor sie sich bewegen. Das bedeutet nicht nur, „das ist ein Stuhl“ zu erkennen, sondern auch zu verstehen, wo dieser Stuhl im 3D-Raum steht, wie er aufgebaut ist und mit welchem Kraftaufwand man ihn bewegen muss.

Dafür braucht es riesige Mengen an Echtzeit-3D-Umgebungsdaten, die jeden Winkel im Innen- und Außenbereich abdecken;

2）Virtuelles Trainingsgelände: KI soll in simulierten Welten Fehler machen und daraus lernen.

Jensen Huang erwähnte das Omniverse, das im Grunde eine Art „virtuelles Trainingsgelände“ ist. Bevor Roboter in die reale physische Welt eintreten, müssen sie in einer virtuellen Umgebung „zehntausend Mal fallen“, um das Gehen zu lernen. Dieser Prozess nennt sich Sim-to-Real, also vom Simulationstraining zur Realität. Würde man Roboter direkt in der realen Welt Fehler machen lassen, wären die Hardware-Abnutzungskosten enorm.

Der Durchsatz bei physikalischer Simulation und Rendering ist hier exponentiell gefragt;

3）Elektronische Haut: „Tastdaten“ sind ein unerschlossener Schatz.

Damit Physical AI „fühlen“ kann, braucht es elektronische Haut, die Temperatur, Druck und Textur wahrnimmt. Diese „Tastdaten“ sind eine völlig neue Asset-Klasse, die bisher nie in großem Maßstab gesammelt wurde. Das erfordert eine Massenproduktion von Sensoren. Auf der CES zeigte Ensuring eine „serienreife Haut“, die mit 1.956 Sensoren vollgepackt ist – nur so kann ein Roboter z.B. Eier aufschlagen.

Diese „Tastdaten“ sind eine völlig neue Asset-Klasse, die bisher nie in großem Maßstab gesammelt wurde.

Nach all dem wirst du sicher denken: Das Auftauchen von Physical AI bietet großen Chancen für Wearables und humanoide Roboter, die bisher oft als „große Spielzeuge“ kritisiert wurden.

Ich möchte sagen, dass im neuen großen Feld von Physical AI auch die Crypto-Szene eine hervorragende Ergänzung finden kann. Hier einige Beispiele:

1. KI-Giganten können mit Street-View-Fahrzeugen jede Hauptstraße der Welt scannen, aber sie können keine Daten aus Nebenstraßen, Innenhöfen oder Kellern erfassen. Durch Token-Anreize im DePIN-Netzwerk könnten globale Nutzer mit ihren Geräten diese Lücken füllen und so die Daten ergänzen;

2. Wie bereits erwähnt, können Roboter nicht auf Cloud-Rechenleistung angewiesen sein, aber um kurzfristig große Mengen an Edge-Computing und verteiltem Rendering zu nutzen, insbesondere für viele Simulationen, die in die reale Welt übertragen werden, kann ein verteiltes Rechennetzwerk, das ungenutzte Consumer-Hardware bündelt, eine Lösung sein;

3. „Tastdaten“ – abgesehen von groß angelegten Sensoranwendungen – sind extrem privat. Wie kann man die breite Öffentlichkeit dazu bewegen, diese sensiblen Daten mit KI-Giganten zu teilen? Ein gangbarer Weg ist, den Beitragenden Datenrechte und Dividenden zu gewähren.

Zusammenfassung:

Physical AI ist die zweite Hälfte des Web2-AI-Wettbewerbs, den Jensen Huang ausgerufen hat. Und was ist mit Web3 AI + Crypto-Sektor, z.B. DePIN, DeAI, DeData? Auch hier gibt es großartige Chancen zur Ökosystem-Ergänzung. Was denkst du?