返回资讯中心
外部精选
软件工程
#开发者实时流

分析称廉价硬件与可扩展性将推动个人机器人时代到来

来源标题:Aftermath of the Great Reset: The Era of Extensible Robotics

科技投资人Sameer Singh在分析文章中指出,云服务、半导体和超大规模数据中心股票因债务担忧和增长放缓而下跌,标志着当前计算技术周期的泡沫正在消退。他认为下一阶段将转向高效能和本地部署AI,而廉价硬件与可扩展性的结合是推动新一轮技术周期、使个人机器人成为现实的关键要素。

Hacker News 最新sameer_singh172026/11/17 · 今天30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

机器人 商业 创业 大重置之后:可扩展机器人时代 廉价硬件与可扩展性的结合,将使个人机器人成为现实 Sameer Singh 阅读时间 9 分钟· 刚刚

标志着计算技术周期终结的动荡已经拉开帷幕。新云厂商、半导体制造商和超大规模云服务商的股票在债务担忧和增长放缓的双重压力下纷纷受挫——这些都是周期后期泡沫破裂的典型信号。如果你读过我关于“大重置”的文章,就已经知道接下来会发生什么:转向效率优先和本地部署的 AI,为以边缘计算、3D 打印和机器人为驱动力的新技术周期铺平道路。本文是对这一新周期得以成形的最关键要素——可扩展性——的初步探讨。

在剖析可扩展性究竟意味着什么之前,我们需要先理解当前不可持续的 AI 资本支出泡沫如何通向本地 AI,并最终通向机器人。以下摘自本人上一篇关于本地 AI 的文章,对此有清晰的阐述:

我之前已经解释过为什么 AI 不是一次平台级迁移。“AI 是用来构建应用”这一假设制造了技术界此前并不熟悉的结构性缺陷——高昂的计算边际成本。消费级 AI 产品深陷负毛利的困境,因为边际成本很高,而几乎没有人愿意支付超过固定订阅费的价格,甚至很多人根本不愿付费。与此同时,企业也在承受 AI 账单带来的冲击,因为这些高昂的边际成本正被转嫁到它们身上。本地 AI 同时解决了这两个问题:它消除了边际成本,代之以适度的前期硬件投入。

随着架构转向本地部署的模型,所谓的“应用层”会怎样?AI 应用层建立在一个假设之上:每个人都能获得一台可以运行 AI 应用的设备,而繁重的计算发生在云端。如果本地部署成为主流架构,这个假设就会彻底崩塌。突然间,用户根据自身需求使用不同的硬件,因而获得不同的模型能力。换句话说,本地 AI 大幅压缩了 AI 应用的可及市场,除非是面向最低共同标准的产品(harness 之类)。

如果不能用 AI 构建全新的应用,那还能构建什么?如果模型必须在本地运行才具备成本效益,那么唯一的选择就是构建由端侧本地 AI 驱动的新型硬件产品。这迫使重心从屏幕回到物理世界,使机器人成为新的“应用层”。

换句话说,机器人是本地 AI 唯一合乎逻辑的“应用层”。这为我们提供了方向性指引,但也带来了新的问题:这些机器人会是什么样子?它们能做什么?大众市场的普及将如何发生?答案取决于成本、能力,以及最重要的——可扩展性。可扩展性是指用户能够将产品的能力扩展到其原始创造者设想之外。一个经典例子是 Uber 这样的应用:一项价值数十亿美元的服务,而苹果在发布初代 iPhone 时根本无法想象。

让我们先按这三个因素——成本、能力和可扩展性——对机器人进行分类。

这一类别包括任何为单一目的设计的机器人,从 Starship 那样的配送机器人到各类工业机器人。我们还看到一波针对特定家务的机器人,比如烹饪和垃圾分类。

如今,这类机器人体积相对较大、价格昂贵,从数千美元到数十万美元不等。然而,成本很少成为采用的障碍,因为它们针对特定任务,能为买家带来明确的投资回报。此外,高价位使物料清单(BOM)能够从容吸收端侧计算成本,以便在本地运行模型——即使数据中心驱动的计算成本通胀仍在肆虐。这通常是一块 Nvidia Jetson Orin 级别的板卡(约 500 美元),其算力足以运行能力不错的端侧模型。

这一类别的挑战在于通用性。这些机器人是为特定任务专门打造的,无法超出其狭窄的范围。例如,配送机器人无法接入食品生产装配线。由于这一局限,这些机器人从定义上就缺乏可扩展性。它们可以在被设计用于的任务上不断改进,但能力也仅限于此。

第二类,也是炒作最猛的一类,是人形机器人。这里的成本与任务专用机器人同样高甚至更高,因为让它们运转需要大量高精度执行器。一台标准人形机器人需要 20 到 50 个执行器,每个成本从数百到数千美元不等——这还不包括可能需要数十个更小执行器的手部。例如,Agility Robotics 的 Digit v5 每台售价 20 万美元,另需每年 3.6 万美元的维护费用。即便是能力远逊的 Unitree G1,也要花费约 2 万美元。好的一面是,高昂的 BOM 成本意味着边缘计算成本很容易被吸收。然而,这一成本对采用构成了重大障碍。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →