NRN Agents 宣布通过其 NRN Agent SDK 推出新的机器人集成，其中包括完整的 Sim-to-Real 框架和机器人体育的引入。这项举措旨在通过强调具身人工智能（embodied AI）来加速通用人工智能（AGI）研究，并提供一个竞争性的平台。与仅在文本或静态数据上训练的模型不同，具身人工智能系统与物理世界互动并从中学习，这带来了一系列独特的挑战和机遇。
具身人工智能
与在从互联网收集的静态数据集上运行的大型语言模型不同，机器人技术需要不同的范式。具身人工智能系统必须实时适应，与不可预测的环境互动并响应复杂的物理刺激。这些系统本质上是动态的，它们不能依赖一次性数据收集或单一的离线训练过程。温度、表面条件和机械磨损等物理世界变量要求机器人不断学习和调整。这种对实时学习的需求使具身人工智能处于推动 AGI 的前沿。
NRN Agents揭示机器人体育以推进AGI
解决数据鸿沟和真实世界学习
机器人技术的一个关键障碍是多样化和可扩展数据稀缺。虽然模拟环境有所帮助，但它们无法完全复制物理世界的复杂性。为了弥合这一鸿沟，NRN 正在开发高保真 Sim-to-Real 管道，使在虚拟环境中训练的机器人能够在真实世界条件下有效运行。真实世界数据收集，包括视频捕捉、运动跟踪和远程操作，通过提供丰富学习过程的多样化场景，进一步补充了基于模拟的训练。
此外，迁移学习等架构创新有助于机器人系统将在一个领域学到的知识应用于另一个领域。这减少了重新训练的需求，并实现了更快的适应。NRN 的平台还包含持续学习循环，机器人可以从真实世界经验中逐步学习并保留先前获得的知识。这种方法有助于减少数据需求，并允许更具响应性和可扩展性的机器人系统。
NRN Agents揭示机器人体育以推进AGI
为可扩展机器人研究构建的平台
NRN Agents 建立了一个平台，旨在将机器人学习从静态过程转变为持续进化的系统。NRN Agent SDK 包含几个核心组件，有助于实现这一目标。该 SDK 包括一个基于浏览器的体验，允许玩家通过类似游戏的界面收集机器人数据。这种游戏化的方法无需安装或技术专业知识，允许玩家通过浏览器直观地控制模拟机器人。这种互动产生的数据直接输入 NRN 的训练管道，使其可用于更广泛的研究参与。
该平台还包括一个用于收集结构化人类行为数据的众包系统。通过基于 web3 的激励模型，贡献者可以提交行为演示，然后根据价值和独特性进行评估。该系统不仅增加了数据集的多样性，还通过算法归因确保了数据质量。
NRN SDK 中的持续学习框架进一步支持适应性。机器人可以通过 sim-to-real-to-sim 反馈循环更新其行为，响应环境变化同时保持性能。边缘的轻量级处理和高效的更新机制有助于确保行为与物理现实保持一致，即使硬件条件发生变化。
NRN Agents揭示机器人体育以推进AGI
从 AI Arena 到机器人体育
NRN Agents 在人工智能开发方面的基础始于AI Arena，这是一个竞争性平台，虚拟人工智能代理通过模仿和强化学习进行学习。从 AI Arena 到机器人体育的过渡代表了一个逻辑上的进步，将自适应、基于游戏的学习原则带入物理领域。在这种新背景下，机器人体育作为具身人工智能的真实世界测试环境，推动系统处理虚拟模拟中难以复制的不可预测性、物理限制和边缘情况。
这些竞争场景可以包括机器人赛车、田径和格斗，强调实时学习和适应性。机器人体育不仅仅是性能展示；它们是研究环境，具身人工智能系统可以在其中进行测试、改进和根据真实世界挑战进行基准测试。
NRN Agents揭示机器人体育以推进AGI
机器人技术对 AGI 研究的影响
NRN 将机器人体育定位为追求 AGI 的关键组成部分。该平台通过跨硬件平台扩展的模块化人工智能架构、来自广泛人类玩家的行为数据、减少训练时间的迁移学习系统以及增强长期适应性的持续学习循环来推进研究。这些组合元素创造了一个环境，人工智能可以响应物理输入而进化，从而在实现既智能又具备物理交互能力的系统方面取得进展。
NRN 的路线图和未来发展
NRN Agents 正在分两个主要阶段推出其路线图。第一阶段侧重于使用名为 RME-1 的机械臂系统验证核心概念。初步演示包括物体操作、精细运动控制和简单的物理挑战。这些早期实施旨在确认 NRN 数据收集和持续学习系统的稳健性。
第二阶段旨在将系统功能扩展到全面的机器人体育。这将包括人形机器人格斗、无人机竞速以及强调地形适应和控制精度的田径比赛等竞争形式。这些应用将作为评估具身系统中 AGI 进展的实际基准。
NRN Agents揭示机器人体育以推进AGI
推动人工智能走向物理前沿
虽然人工智能在文本、图像和视频处理等领域取得了显著进展，但这些大多是结构化环境。相比之下，机器人技术引入了不可预测性，需要与物理世界互动。这使得机器人技术成为 AGI 的重要试验场，系统不仅要展示计算智能，还要展示物理能力和实时适应性。
通过在机器人体育和具身人工智能方面的工作，NRN Agents 正在构建测试和改进通用人工智能系统所需的基础设施。通过结合社区驱动的数据收集、自适应学习和真实世界验证，NRN 正在为更全面地理解实现 AGI 所需的条件做出贡献。对于有兴趣关注 NRN 进展的玩家，可以在 NRN 机器人白皮书中找到更多信息。
