黄仁勋的Physical AI：Crypto机遇如何隐藏在“边缘角落”？

作者：Haotian；来源：X，@tmel0211

达沃斯论坛上，黄仁勋究竟传递了什么信息？

表面上，他似乎在推广机器人技术，但实际上，他正在进行一场大胆的“自我革新”。他的言论不仅终结了“堆显卡”的旧时代，还意外为Crypto领域预留了一张千载难逢的入场券。

在昨天的达沃斯论坛上，黄仁勋指出AI应用层正在迎来爆发期，算力需求将从“训练侧”全面转向“推理侧”以及“Physical AI（物理AI）侧”。

这一观点颇具深意。

作为AI 1.0时代“算力军备竞赛”的最大赢家，英伟达主动提出向“推理侧”和“Physical AI”转型，这其实释放了一个非常明确的信号：过去依赖堆叠显卡来训练大模型的“大力出奇迹”时代已经结束，未来的AI竞争将围绕应用场景落地的“应用为王”展开。

换句话说，Physical AI是生成式AI的下半程。

尽管LLM已经消化了人类几十年间在互联网上积累的所有数据，但它仍然无法像人一样拧开一个瓶盖。Physical AI的目标正是解决AI智力之外的“知行合一”问题。

原因很简单，物理AI不能依赖远程云服务器的“长反射弧”。试想，ChatGPT生成文字慢一秒，你只会觉得卡顿；但如果一个双足机器人因为网络延迟慢了一秒，它可能会从楼梯上摔下来。

然而，Physical AI虽然看似是生成式AI的延续，实则面临三大全新课题：

1）空间智能：赋予AI对三维世界的理解能力。

李飞飞教授曾提出，空间智能是AI进化的下一个北极星。机器人要行动，首先必须“看懂”环境。这不仅仅是识别“这是一把椅子”，而是要理解“这把椅子在三维空间中的位置、结构，以及我该用多大的力气去搬动它”。

这需要海量的、实时的、覆盖室内室外每个角落的3D环境数据。

2）虚拟训练场：让AI在模拟世界中进行试错训练。

黄仁勋提到的Omniverse实际上就是一种“虚拟训练场”。机器人在进入真实物理世界之前，需要在虚拟环境中经历“摔倒一万次才能学会走路”的过程，这被称为Sim-to-Real，即从模拟到现实。如果直接让机器人在现实中试错，硬件损耗成本将是天文数字。

这一过程对物理引擎模拟和渲染算力的吞吐量要求呈指数级增长。

3）电子皮肤：“触觉数据”这一待挖掘的数据金矿。

为了让Physical AI具备“手感”，需要通过电子皮肤感知温度、压力和质感。这些“触觉数据”是此前从未被规模化采集过的全新资产。CES上Ensuring公司展示的“量产皮肤”在一只手上集成了1,956个传感器，从而实现了机器人拨鸡蛋的神奇效果。

这些“触觉数据”是尚未被充分开发的新资源。

看完这些，你一定会意识到，Physical AI的兴起为可穿戴设备和人形机器人等硬件提供了巨大的发展机会。要知道，几年前这些设备还被诟病为“大号玩具”。

我想说的是，在Physical AI的全新版图中，Crypto赛道也有绝佳的生态补位机会。以下是一些例子：

1、AI巨头可以通过街景车扫描每一条主街道，但无法触及街头巷尾、小区内部或地下室等“犄角旮旯”。利用DePIN网络设备提供的Token激励，发动全球用户使用随身设备补充这些数据，就可能实现数据覆盖的完整性。

2、正如前文所述，机器人不能依赖云端算力，而短期内大规模利用边缘计算和分布式渲染能力尤为重要，尤其是完成从模拟到现实的数据处理。通过分布式算力网络，集结闲置的消费级硬件进行分发和调度，就可以有效发挥作用。

3、“触觉数据”除了需要规模化的传感器应用外，一听名字就知道涉及极高的隐私性。如何调动大众将这些隐私数据共享给AI巨头？可行的路径是让贡献数据的人获得数据确权和分红。

总结一下：

Physical AI是黄仁勋提出的Web2 AI赛道的下半场，对于Web3 AI + Crypto赛道中的DePIN、DeAI、DeData等板块而言，又何尝不是如此？你怎么看？