NRN Agents 已宣布透過其 NRN Agent SDK 推出一項新的機器人整合，其中包括完整的 Sim-to-Real 框架以及機器人運動的推出。這項倡議旨在透過強調具身 AI，作為加速通用人工智能 (AGI) 研究的競爭媒介。與僅在文字或靜態數據上訓練的模型不同，具身 AI 系統會與實體世界互動並從中學習，這帶來了一系列獨特的挑戰與機遇。
具身 AI
與處理從網路上收集的靜態數據集的大型語言模型不同，機器人技術需要一種不同的範式。具身 AI 系統必須即時適應，與不可預測的環境互動，並對複雜的物理刺激做出反應。這些系統本質上是動態的，它們不能依賴一次性的數據集收集或單一的離線訓練過程。溫度、表面狀況和機械磨損等實體世界變數要求機器人持續學習和調整。這種對即時學習的需求將具身 AI 置於推動 AGI 的最前沿。
NRN Agents 揭露機器人運動以推進 AGI
解決數據缺口與真實世界學習
機器人領域的一個關鍵障礙是數據多樣性與可擴展性的匱乏。雖然模擬環境可以提供幫助，但它們無法完全複製實體世界的複雜性。為了彌合這一差距，NRN 正在開發高保真度的 Sim-to-Real 管道，讓在虛擬環境中訓練的機器人能夠在真實世界條件下有效運作。真實世界的數據收集，包括影片擷取、動作追蹤和遠端操作，透過提供豐富學習過程的多樣化場景，進一步補充了基於模擬的訓練。
此外，轉移學習等架構創新有助於機器人系統將在一個領域學到的知識應用到另一個領域。這減少了重新訓練的需求，並實現了更快的適應。NRN 的平台還整合了持續學習循環，機器人可以從真實世界的經驗中逐步學習並保留先前獲得的知識。這種方法有助於減少數據需求，並實現更具響應性和可擴展性的機器人系統。
NRN Agents 揭露機器人運動以推進 AGI
為可擴展機器人研究而建的平台
NRN Agents 已建立一個旨在將機器人學習從靜態過程轉變為持續演進系統的平台。NRN Agent SDK 包含幾個有助於實現此目標的核心組件。SDK 提供基於瀏覽器的體驗，讓玩家能夠透過類似遊戲的介面收集機器人數據。這種遊戲化方法無需安裝或技術專業知識，玩家可以透過他們的瀏覽器直觀地控制模擬機器人。由此產生的互動數據直接饋入 NRN 的訓練管道，使其便於更廣泛的研究參與。
該平台還包含一個用於收集結構化人類行為數據的眾包系統。使用基於 web3 的激勵模型，貢獻者可以提交行為演示，然後根據價值和獨特性進行評估。該系統不僅增加了數據集的多樣性，還透過演算法歸因確保了數據品質。
NRN SDK 中的持續學習框架進一步支持適應性。機器人可以透過 sim-to-real-to-sim 反饋循環更新其行為，應對環境變化，同時保持效能。輕量級的邊緣處理和高效的更新機制有助於確保行為與物理現實保持一致，即使在硬體條件各異的情況下也是如此。
NRN Agents 揭露機器人運動以推進 AGI
從 AI Arena 到機器人運動
NRN Agents 在 AI 開發方面的基礎始於 AI Arena，這是一個虛擬 AI 代理透過模仿和強化學習來學習的競技平台。從 AI Arena 過渡到機器人運動代表了一個合乎邏輯的進展，將適應性、基於遊戲的學習原則帶入了物理領域。在這個新環境中，機器人運動充當了具身 AI 的真實世界測試環境，迫使系統處理虛擬模擬中難以複製的不可預測性、物理限制和邊緣情況。
這些競技場景可以包括機器人賽跑、田徑和格鬥，突顯了即時學習和適應性。機器人運動不僅是效能展示；它們是研究環境，具身 AI 系統可以在其中進行測試、改進並與真實世界的挑戰進行基準測試。
NRN Agents 揭露機器人運動以推進 AGI
機器人技術對 AGI 研究的影響
NRN 將機器人運動定位為更廣泛追求 AGI 的關鍵組成部分。該平台透過跨硬體平台擴展的模組化 AI 架構、來自廣泛人類玩家的行為數據、減少訓練時間的轉移學習系統以及增強長期適應性的持續學習循環來推進研究。這些綜合要素創造了一個 AI 可以根據物理輸入進化的環境，從而朝著既智能又具備物理互動能力的系統邁進。
NRN 的路線圖與未來發展
NRN Agents 將分兩個主要階段推出其路線圖。第一階段側重於使用稱為 RME-1 的機械臂系統來驗證核心概念。初步演示包括物體操作、精細運動控制和簡單的物理挑戰。這些早期實施旨在確認 NRN 的數據收集和持續學習系統的穩健性。
第二階段旨在將系統的功能擴展到全規模的機器人運動。這將包括競技形式，如人形機器人戰鬥、無人機競速和強調地形適應與控制精度的田徑比賽。這些應用將作為評估具身系統中 AGI 進展的實際基準。
NRN Agents 揭露機器人運動以推進 AGI
推動 AI 邁向物理前沿
雖然 AI 在文字、圖像和影片處理等領域取得了實質性進展，但這些大多是結構化環境。相比之下，機器人技術引入了不可預測性，並需要與物理世界的互動。這使得機器人技術成為 AGI 的重要試驗場，系統不僅必須展示計算智能，還必須展示物理能力和即時適應性。
透過在機器人運動和具身 AI 方面的努力，NRN Agents 正在建立測試和改進通用 AI 系統所需的基礎設施。透過結合社群驅動的數據收集、適應性學習和真實世界驗證，NRN 正在為更全面地理解實現 AGI 所需的條件做出貢獻。對於有興趣關注 NRN 進展的玩家，可以在 NRN Robotics 白皮書中找到更多資訊。
