Artículos Relacionados con Entrenamiento de IA

El Centro de Noticias de HTX ofrece los artículos más recientes y un análisis profundo sobre "Entrenamiento de IA", cubriendo tendencias del mercado, actualizaciones de proyectos, desarrollos tecnológicos y políticas regulatorias en la industria de cripto.

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

**Resumen en español europeo:** Más de 90 empresas, incluidas 70 dedicadas a la recopilación, compiten en el emergente campo de los datos de inteligencia encarnada en China. En el último año, 15 proveedores de datos independientes recaudaron aproximadamente 4.470 millones de RMB. El artículo, basado en estadísticas de "Quantum Bit", describe diez aspectos clave del sector: 1. **Métodos de recopilación:** Se dividen en cuatro categorías: teleoperación de robots reales, recopilación sin robot (con captura de movimiento), simulación y destilación de vídeos de internet. La mayoría de las empresas (43%) utilizan múltiples métodos, siendo la teleoperación la ruta única más común (31%). 2. **Perfil de los actores:** Los proveedores de datos independientes son el grupo más numeroso (40%), seguidos por plataformas de datos estatales (26%) y fabricantes de robots (25%). Dos tercios de las empresas son "nativas" del sector. 3. **Capacidad y distribución:** La capacidad anual actual se estima en 1,6-1,8 millones de horas, con el objetivo de multiplicarla por 15-20 en 1-3 años. Las "fábricas de datos" están presentes en 20 provincias, concentrándose en el delta del Yangtsé. 4. **Financiación y etapa:** La financiación del último año para proveedores independientes (44.700 millones RMB) es modesta comparada con la inversión total en inteligencia encarnada. El sector está muy fragmentado, con una sola "unicornio" (Lightwheel AI) que acaparó el 70% de la inversión. 69 fondos han invertido, pero ninguno de forma significativa, mostrando cautela. 5. **Conclusión:** El mercado de datos encarnados es ya una industria independiente y generadora de empleo, pero se encuentra en una fase muy temprana. Aún no está claro si "vender datos" será un negocio rentable, y los próximos 1-2 años serán cruciales para validar el modelo.

marsbit07/12 02:35

Casi un centenar de jugadores se lanzan al sector de datos embodiment: 44.700 millones de financiación en un año, ¿quién puede ganar dinero realmente "vendiendo datos"?

marsbit07/12 02:35

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

"Tras tres años sin actualizar su blog, la ex vicepresidenta de OpenAI y cofundadora de Thinking Machines, Lilian Weng, publica un extenso análisis que cuestiona la fiabilidad de las 'Scaling Laws', las leyes de escalamiento que han guiado inversiones billonarias en IA. El artículo desmonta que la mejora del rendimiento de los modelos de lenguaje (LLM) al aumentar parámetros, datos y computación sea tan predecible como se creía. Expone divergencias clave: en 2020, OpenAI concluyó que el tamaño del modelo debía crecer más rápido que los datos, mientras que DeepMind (2022) defendió un crecimiento proporcional, un desacuerdo atribuido a diferencias metodológicas y al tamaño limitado de los experimentos iniciales. Más críticamente, Weng revela que la metodología del influyente estudio 'Chinchilla' de DeepMind contenía errores, como una función de pérdida que no convergía correctamente, lo que significa que la 'fórmula óptima' utilizada durante años por la industria podría no serlo. El análisis subraya un problema fundamental: las leyes clásicas asumen datos únicos e infinitos, pero los textos de alta calidad se agotan. La repetición de datos en el entrenamiento degrada el rendimiento, especialmente en modelos grandes. Esto explica el cambio de la industria hacia el aprendizaje por refuerzo, el cómputo en tiempo de prueba y los datos sintéticos. En resumen, el artículo argumenta que la era de la escalabilidad simple ('scale is all you need') toca a su fin, y que el progreso futuro de la IA dependerá de refinamientos metodológicos precisos y de nuevas vías para superar la limitación de datos."

marsbit06/26 04:57

Tras tres años de retraso, el último artículo de la exalumna de la Universidad de Pekín, Lilian Weng, se viraliza

marsbit06/26 04:57

2026 Carrera de Robots en la Práctica: ¿Quién Construye el Camino, Quién Extrae los Recursos y Quién Crea el Sistema?

En 2026, la inteligencia artificial encarnada (Embodied AI) emerge como un campo clave en cripto, con proyectos que buscan aplicaciones prácticas. Tres proyectos destacados representan diferentes nichos: - **peaq ($PEAQ)**: Una red Layer-1 para la economía de las máquinas, enfocada en infraestructura y tokenización de activos. Ejemplo: una granja robótica tokenizada en Hong Kong genera ingresos en USDT para holders de NFT. Con un FDV de ~$78M y asociaciones con Bosch y Mastercard, ofrece rendimientos reales pero enfrenta presiones inflacionarias. - **PrismaX**: Centrado en datos de entrenamiento de IA y colaboración humano-máquina, respaldado por una ronda de $11M de a16z. Los usuarios controlan robots remotamente para generar datos valiosos y ganan puntos. Atrae a "farmers" de airdrops, pero la calidad de los datos es un riesgo. - **OpenMind ($ROBO)**: Aspira a ser el "Android de los robots", con un sistema operativo y tienda de aplicaciones para múltiples fabricantes (como Unitree). Con un FDV de $400M, tiene alto valoración y competencia de gigantes como Tesla, pero ya cuenta con 5+ apps y 1,000+ desarrolladores. Juntos, forman capas complementarias: PrismaX (datos), OpenMind (sistema), y peaq (red/economía). Su interacción podría impulsar la inteligencia encarnada hacia la adopción masiva, creando un ciclo de retroalimentación positiva entre participantes, datos y incentivos.

marsbit02/15 10:15

2026 Carrera de Robots en la Práctica: ¿Quién Construye el Camino, Quién Extrae los Recursos y Quién Crea el Sistema?

marsbit02/15 10:15

活动图片