在 X 上，Solana Foundation 的 Amira Valliani 最近引发了一场关于为什么像 Boston Dynamics 和 Waymo 这样的先进机器人没有像我们预期的那样普及的讨论。她与 Rishin Sharma 合作，深入探讨了阻碍机器人出现“ChatGPT 那样爆发时刻”的障碍。核心问题是什么？是数据——确切地说，是现实世界数据的匮乏。

如果你一直在追踪 AI 发展，就会知道像 ChatGPT 这样的大型语言模型是用海量数字数据集训练的：几十年来从互联网上抓取的文本、视频和音频。但机器人需要来自现实世界的数据——例如传感器读数、环境交互以及不可预见的场景。正如 Amira 所指出的，我们还没有拥有同等规模和质量的物理世界数据。

物理 AI 的数据困境

为物理领域训练 AI 非常棘手。机器人的内部数据，如关节位置和力矩，会与外部输入（比如相机画面和音频）结合。但现实世界很混乱：像突变的天气、野生动物遭遇或城市障碍这样的边缘案例并没有在开放数据集中被充分记录。目前开放的机器人数据大约只有 5TB，相比用于数字 AI 的 100TB+ 显得微不足道。

像 Tesla 这样的巨头正在通过付费方法应对这一问题，例如支付工人每小时 48 美元去叠衣服，以为他们的 Optimus 机器人生成训练数据。这有效但集中且成本高昂。去中心化物理基础设施网络（DePIN）在此提供了一个由区块链驱动的替代方案，分布式、激励化且可扩展。

DePIN 如何动员全球数据采集

DePIN 通过加密激励把众包数据收集变成可能，从全球数以百万计的用户那里获取数据。不是依赖单一公司的劳动力，而是奖励贡献者上传高质量、独特的数据。验证者负责确保数据准确性，形成自我维持的生态系统。

这种方法已经在多个领域产生影响：

• ​自动驾驶车辆：​ 项目如 Hivemapper、ROVR 和 NATIX 正在全球绘制道路地图。例如 NATIX 与叫车巨头 Grab 合作，由 25 万名司机覆盖了 1.7 亿公里的路程。

• ​无人机与精密感测：​ GEODNET 和 Onocoy 专注于空中数据采集，而 Raad Labs 处理专业感测任务。

• ​类人机器人与自动化：​ 新兴公司如 Bitrobot、PrismaX 和 Reborn 正在为工业和类人应用构建数据集。其他公司，如 Auki Labs 和 OverTheReality，则将 AR 与空间映射结合起来。

甚至游戏引擎也在参与，例如 Shaga 使用像 Grand Theft Auto 这样的游戏生成的模拟环境来训练自动驾驶 AI。

巨大的机遇在前方

物理 AI 的潜在市场规模十分庞大。预测显示：

• 自动驾驶：到 2035 年 3,500 亿美元
• 无人机网络：到 2035 年 830 亿美元
• 类人机器人：到 2035 年 380 亿美元，2050 年可能达到 5 万亿美元
• 整体物理 AI：到 2035 年在 1,000 亿至 6,000 亿美元之间

DePIN 有望将这一领域民主化，从专有的孤岛模式转向开放、社区驱动的模型。在具有高吞吐量的区块链如 Solana 上，这些网络可以高效处理所需的激励与验证交易量。

挑战与现实预期

当然，事情并非一帆风顺。市场碎片化意味着需求集中在少数大买家手中，比如 Tesla 或 DeepMind，但合约规模往往较小。模拟可能对许多用例来说更便宜且足够，尤其是可以利用游戏中的物理引擎。此外，众包数据需要在通用性与针对性之间取得平衡——通用上传的数据可能无法满足某些特定应用的需求。

隐私问题、监管障碍以及确保数据质量仍然是持续存在的挑战。但正如 Amira 和 Rishin 在他们的 Solana 博客深度分析 中所指出，DePIN 的加密经济模型可能是释放机器人全部潜力的关键。

这条讨论强调了区块链并不仅仅关乎金融或梗图——它正在推动现实世界的 AI 创新。对于区块链从业者来说，关注 DePIN 项目可能会揭示下一波机会，尤其是那些与 AI 和机器人主题相关的 meme 代币及更广泛的机会。随着这一领域的发展，敬请关注！