# 训练的所有文章

在 HTX 新聞中心流覽與「训练」相關的最新資訊與深度分析。潘蓋市場趨勢、專案動態、技術進展及監管政策,提供權威的加密行業洞察。

机器人开始“吃数据”:从印度数据工厂到百亿美元人形机器人的隐秘生产链

随着具身智能行业的发展,机器人训练对高质量数据的需求急剧增长,催生了一条隐秘的数据生产链。与依赖互联网文本数据的大语言模型不同,具身模型面临物理世界的“数据荒漠”,人类第一视角视频(Ego Data)等真实世界经验成为关键。 在印度等地,出现了专门采集人类工作视频的“数据工厂”。工人们佩戴头戴摄像头和数据手套,按照严格规范完成整理、抓取等任务,产出结构化视频与动作数据,出售给欧美等地的机器人公司。这类Ego Data成本相对较低,可用于模型预训练,让机器人理解人类如何完成任务。 数据价值呈现“金字塔”结构:底层是低成本互联网视频;上层是带精细动作标注的Ego数据;再往上是仿真合成数据,可大规模生成但存在与现实差距;顶层是最稀缺、昂贵的真机遥操数据,直接指导机器人本体动作。 行业上游已分化为多类玩家:低成本数据工厂、专注动作捕捉与重定向的服务商、提供真机遥操数据的第三方、仿真合成数据公司,以及探索数据标准与流通的平台。机器人公司则采取“分层采购”策略:通用Ego数据倾向外包以快速获取规模;而关乎自身硬件适配的核心真机数据与部署中产生的失败数据,则多由自己掌控以构建壁垒。 当前,行业竞争焦点正从硬件与模型架构,转向高质量数据的持续供给与有效利用。能否建立高效的数据采集、标注、仿真扩增与反馈闭环,将成为影响机器人能力突破的关键。这条从全球劳动力密集区延伸到顶尖机器人公司的数据供应链,正在支撑着百亿美元估值的人形机器人迈向现实应用。

marsbit06/13 03:32

机器人开始“吃数据”:从印度数据工厂到百亿美元人形机器人的隐秘生产链

marsbit06/13 03:32

去中心化 AI 2026 全景地图:为什么区块链是 AI 绕不开的「解药」?

本文探讨了去中心化AI在2026年的发展全景,并论证了区块链技术是解决中心化AI结构性瓶颈的关键“解药”。中心化AI面临计算资源稀缺昂贵、控制权过度集中、输出结果不可验证以及训练数据获取日益困难等核心问题。而去中心化AI通过区块链技术,旨在使智能变得开放、可验证且经济上可及。 文章描绘了去中心化AI的技术栈,包括: 1. **应用与服务层**:主要聚焦于代理金融(将自然语言转化为链上交易)和代理支付(机器间的自主支付结算),相关项目如Giza、Infinit、Coinvest AI等已处理数十亿美元交易量。 2. **中间件层**:解决代理间的协调、身份与信任问题,代表性项目包括Bittensor(通过子网经济激励AI工作)、NEAR、Base等,它们为代理经济提供操作系统和协调层。 3. **基础设施层**:涵盖去中心化的计算、推理、训练、数据存储以及隐私与验证。项目如Akash、Render、Io.net提供分布式计算;Filecoin、Grass提供数据与存储;而Nillion、Arcium、Phala等则专注于隐私保护和可验证计算,确保AI工作的机密性与正确性。 趋势显示,AI代理正成为增长引擎,计算资源本身正在成为一种资产类别,而代币经济学在协调去中心化网络中的资源方面展现出结构性优势。尽管该领域仍处早期,面临收入滞后于激励、采用不均等挑战,但Bittensor、NEAR、Venice AI等项目的实践表明,去中心化AI正在从概念演变为一种协调计算、数据和智能的新兴可行模式。

Foresight News06/11 10:02

去中心化 AI 2026 全景地图:为什么区块链是 AI 绕不开的「解药」?

Foresight News06/11 10:02

当算力商品化,GPU 期货市场还要等多久?

《当算力商品化,GPU 期货市场还要等多久?》一文探讨了算力(特别是GPU计算资源)发展成为可交易期货市场的可能性。文章基于Variant基金的分析框架,提出了一个稳健期货市场所需的五个先决条件,并对当前算力市场在这五个维度上的成熟度进行了评估。 **核心结论是:目前算力市场尚不具备支撑成熟期货市场的条件。** 以下是基于五个维度的具体评估: 1. **供给端碎片化(评分:🔴 不足)**:市场供给高度集中,四大云巨头(AWS、Azure、GCP、Oracle)控制了全球大部分关键IT电力和高端GPU(如H100)的供应。在垄断格局下,价格发现机制难以形成。 2. **价格波动(评分:🟢 具备)**:GPU价格和算力成本波动剧烈,受供需不确定、芯片迭代、需求激增等因素影响,这满足了期货市场对波动性的基本要求。 3. **实物结算基础设施(评分:🟢 初步具备)**:场外(OTC)经纪商已开始承担聚合供应、清算交易等职能,并发布价格指数(如Ornn、Silicon Data),为实物交割奠定了基础,但远未完善。 4. **标准化(评分:🔴 不足)**:算力缺乏统一、可交易的单位。GPU实例的价格因地区、硬件配置、合同期限等因素差异巨大,尤其是为AI训练定制的硬件难以互换,阻碍了标准化合约的形成。 5. **缺乏替代品(评分:🟡 部分具备)**:大型模型提供商可通过长期协议内部对冲风险,但大量中小型用户缺乏有效的对冲工具,只能承受现货市场波动。 **未来展望与关键变量:** * **供给碎片化**:预计未来1-2年会出现适度碎片化,新云厂商、依托廉价电力的运营商以及服务AI初创公司的经纪平台(如Hyperbolic)将增加市场参与者。 * **标准化路径**:最有可能的突破口是**AI推理算力市场**。与训练不同,推理工作负载对硬件要求相对统一、更同质化,且预计将占据未来AI算力需求的大部分。开源AI模型的广泛采用可能加速推理算力的标准化进程,类似比特币挖矿催生标准化硬件的模式。 * **交易单位**:最终活跃的交易更可能围绕 **“芯片实例小时”** (即已部署并通电的GPU可用时长)展开,类似电力的区域化交易模式。以“Token”(AI模型输出)作为交易单位目前面临模型间差异大、难以标准化的问题。 **总结**:当前算力市场交易主要停留在场外和非标阶段。虽然具备价格波动和初步结算设施,但供给集中和缺乏标准化是主要瓶颈。未来,AI推理需求的增长、开源模型的普及以及随之而来的供给去中心化,可能是推动算力真正成为可交易大宗商品的关键动力。

marsbit05/18 09:09

当算力商品化,GPU 期货市场还要等多久?

marsbit05/18 09:09

活动图片