DePAI是下一个加密大势？

编译：金色财经xiaozou

DePAI（Decentralized Physical AI）被众多加密人士视为下一个加密大事（势），是“少数能够利用区块链和加密激励机制对其他技术领域产生实质性影响的领域之一”。它是什么？有何创新之处？具有什么样的潜力？下面，我们一起来一探究竟。

简单来说，它是一种将去中心化物理基础设施网络（DePIN）与人工智能（AI）技术相结合的创新概念，通过区块链技术协调多个个体单位的物理硬件设施，以无需许可、无需信任和可编程的方式建立和维护基础设施网络‌。

Messari分析师Dylan Bane在X平台上力挺DePAI发文如下：

去中心化物理人工智能（DePAI）为机器人和物理人工智能基础设施堆栈的集中控制提供了一种替代方案。从现实世界的数据收集到由DePIN部署的物理人工智能代理操作机器人，DePAI正在迅速发展。

英伟达CEO黄仁勋说：“通用机器人领域的‘ChatGPT时刻’即将到来。”

数字时代以硬件为起点，逐步向软件的无形世界演进。而人工智能时代则始于软件，如今正将物理世界视为其终极挑战与前沿领域。

在一个由自主物理人工智能（Physical AI）驱动的机器人、汽车、无人机和仿生人逐渐取代人类劳动力的世界中，这些机器的所有权问题成为核心的社会议题。去中心化物理人工智能（DePAI）为在中心化参与者占据主导地位之前建立Web3物理人工智能提供了重要机遇。

去中心化物理人工智能（DePAI）基础设施栈正在快速发展。在现阶段，最活跃的层级是数据收集层，它能够提供现实世界的数据，用于训练部署在机器人上的物理人工智能代理，同时实时传输数据以导航环境并完成任务。

现实世界的数据是训练物理人工智能（Physical AI）的主要瓶颈。尽管英伟达的Omniverse和Cosmos通过模拟环境提供了一条前景广阔的发展路径，但合成数据仅是解决方案的一部分。远程操作和现实世界视频数据同样不可或缺。

在远程操作领域，FrodoBots正在利用去中心化物理基础设施网络（DePIN）在全球范围内部署低成本的人行道配送机器人。这种数据采集方式不仅捕捉了人类在现实环境中导航决策的复杂性，从而生成高价值数据集，同时也有效克服了资本缺口问题。

去中心化物理基础设施网络（DePIN）通过其代币驱动的飞轮效应，能够加速数据收集传感器和机器人的部署。对于寻求加速销售并降低资本支出（CapEx）和运营支出（OpEx）的机器人公司而言，DePIN相较于传统方法提供了显著的实际优势。

去中心化物理人工智能（DePAI）可以利用现实世界视频数据来训练物理人工智能，并构建对世界的共享空间理解。Hivemapper和NATIX Network凭借其独特的视频数据集，可能成为这一数据的重要来源。

去中心化物理人工智能（DePAI）能够利用现实世界视频数据来训练物理人工智能，并构建全球共享的空间理解能力。Hivemapper和NATIX Network凭借其独特的视频数据集，有望成为这一领域的重要数据来源。正如Mason Nystrom所指出的，“数据在个体层面难以货币化，但在聚合后却易于实现价值转化。”现实世界数据可以通过去中心化物理基础设施网络（DePIN）进行聚合，从而形成高价值的数据集。IoTeX的Quicksilver协议实现了跨DePIN的数据聚合，同时兼顾数据验证与隐私保护，为这一生态提供了关键技术支持。

空间智能/计算协议也在致力于通过去中心化物理基础设施网络（DePIN）和去中心化物理人工智能（DePAI）来实现空间协调及现实世界3D虚拟孪生体的去中心化控制。Auki网络的Posemesh协议在保护隐私和去中心化的前提下，实现了实时空间感知能力，为这一领域提供了创新的技术解决方案。

物理人工智能代理（Physical AI Agents）的初步应用也已崭露头角。SAM接入了Frodobots遍布全球的机器人车队，能够推测地理位置。借助Quicksilver等框架，未来人工智能代理有望实时接入去中心化物理基础设施网络（DePIN）提供的数据流。

接触物理人工智能最直接的途径可能是通过投资型去中心化自治组织（DAO）。

XMAQUINA为其成员提供了接触物理人工智能资产的渠道，包括machine RWA、去中心化物理基础设施网络（DePIN）协议、机器人公司以及知识产权（IP），并得到内部研发的支持。

加密研究员DeFi Cheetah对Dylan Bane关于DePAI的言论给予了积极回应：

去中心化物理人工智能（DePAI）是加密领域的下一个重大发展方向，区块链和加密激励机制将赋能空间智能——即机器人感知环境、即时理解周围物体或结构并有效响应的能力，这是人工智能机器人领域最具挑战性的难题之一。我们的行业能够帮助解决发展空间智能最关键瓶颈——获取细粒度、高质量且持续更新的空间数据。

实现强大的空间智能需要海量数据，这些数据不仅要捕捉视觉线索（如颜色和纹理），还需包含深层次的几何上下文（例如多边形、点云、拓扑表示）以及物理属性（角度、距离、摩擦力、材料类型等）。传统的2D图像或基本GPS坐标虽然有一定价值，但对于训练旨在动态、复杂且不可预测的现实环境中运行的高级模型而言，往往过于简化。

●