ในระหว่างการพูดที่ดาวอสในช่วงต้นปีนี้ มาสก์ได้ย้ำคำทำนายที่มีแรงจูงใจสูงอีกครั้ง — ในอนาคต จำนวนหุ่นยนต์บนโลกจะมากกว่าจำนวนมนุษย์

ชัดเจนว่า AI และหุ่นยนต์ตอนนี้แทบจะเป็นหัวข้อเทคโนโลยีเดียวที่ได้รับความสนใจทั่วโลก: หนึ่งคือปัญญาประดิษฐ์ทั่วไปที่กำลังเข้าใกล้จุดวิกฤตของ AGI อีกหนึ่งคือหุ่นยนต์ที่กำลังก้าวออกจากห้องปฏิบัติการและพยายามเข้าควบคุมงานทางร่างกายของมนุษย์อย่างเต็มรูปแบบ ในทำนองเดียวกัน นอกเหนือจากแนวคิด AI เส้นทางหลักของอุตสาหกรรมคริปโตในปีนี้ยังรวมถึงปัญญาเชิงร่างกาย ต่อไปนี้คือโครงการที่น่าจับตาในเส้นทาง Robotic

OpenMind

วันที่ 4 สิงหาคม 2025 ตามประกาศอย่างเป็นทางการ บริษัทโครงสร้างพื้นฐานเครื่องจักรอัจฉริยะ OpenMind ซึ่งมีสำนักงานใหญ่อยู่ที่ซิลิคอนแวลลีย์ ประกาศเสร็จสิ้นการระดมทุน 20 ล้านดอลลาร์สหรัฐ โดย Pantera Capital เป็นผู้นำการระดมทุน ร่วมด้วยRibbit, 红杉中国, Coinbase Ventures, DCG, Lightspeed Faction, Anagram, Pi Network Ventures, Topology, Primitive Ventures และ Amber Group รวมถึงนักลงทุนแองเจิลชื่อดังหลายคน

OpenMind ช่วยให้หุ่นยนต์คิด เรียนรู้ และทำงานผ่านการพัฒนาซอฟต์แวร์แบบโอเพ่นซอร์ส ระบบปฏิบัติการ AI แบบโอเพ่นซอร์สแบบเนทีฟ OM1 อนุญาตให้กำหนดค่าและปรับใช้ AI Agent ในโลกดิจิทัลและโลกทางกายภาพ ผู้ใช้สามารถสร้างบทบาท AI แล้วรันมันบนคลาวด์ หรือรันมันบนหุ่นยนต์ทางกายภาพในโลกจริง

พูดแบบง่ายๆ OpenMind ทำ OM1 คล้ายกับการสร้าง “สมอง AI” ให้กับหุ่นยนต์ “สมอง AI” นี้สามารถทำงานร่วมกันโดย AI Agent หลายตัว โต้ตอบกับ LLM หลายตัว และรับข้อมูลจากแหล่งต่างๆ เพื่อทำงาน (เช่น ช่วยผู้ใช้โพสต์บนโซเชียลมีเดีย) เนื่องจาก OM1 เป็นแบบเปิดแหล่งโค้ด จึงเป็นระบบปฏิบัติการหุ่นยนต์ที่ปรับใช้ได้สูงมาก เหมือนระบบ Android บนโทรศัพท์มือถือที่ไม่ขึ้นกับฮาร์ดแวร์

นอกจากนี้ OpenMind ยังมีเครือข่ายตัวตนหุ่นยนต์บนโซ่ชื่อ FABRIC ซึ่งมีเป้าหมายเพื่อสร้างชั้นความเชื่อถือที่สามารถตรวจสอบได้ร่วมกันสำหรับมนุษย์และหุ่นยนต์ มนุษย์สามารถรับเหรียญรางวัลได้โดยการแชร์ข้อมูลตำแหน่งผ่านแผนที่ ประเมินพฤติกรรมของหุ่นยนต์ และพัฒนา ขณะที่หุ่นยนต์แต่ละตัวที่ติดตั้งระบบ OM1 จะเข้าร่วมเครือข่าย FABRIC เพื่อมีตัวตนที่สามารถตรวจสอบได้อย่างเป็นเอกลักษณ์ และทำให้คำสั่งของหุ่นยนต์ บันทึกการดำเนินงาน และพฤติกรรมที่เกี่ยวข้องกับการเป็นเจ้าของสามารถติดตามได้บนโซ่

ในเดือนธันวาคม 2025 OpenMind ร่วมประกาศกับผู้ออกสกุลเงินคงที่ Circle ในการเปิดตัวระบบการชำระเงินอัตโนมัติของหุ่นยนต์ที่ใช้โปรโตคอล x402 พร้อมกับการพัฒนาความสามารถของหุ่นยนต์ หุ่นยนต์จะไม่เพียงแต่ทำหน้าที่เป็นเครื่องมือในการดำเนินงาน แต่ยังเริ่มรับบทบาทเป็นเศรษฐกิจอัตโนมัติ หุ่นยนต์จำเป็นต้องซื้อพลังการประมวลผล ข้อมูล และทักษะ รวมถึงจ้างหุ่นยนต์หรือมนุษย์รายอื่นเพื่อ hoàn thiệnงานที่ซับซ้อน

CodecFlow

CodecFlow ให้แพลตฟอร์มแบบรวมศูนย์ที่สามารถทำงานได้อย่างราบรื่นบนคลาวด์ ขอบ เดสก์ท็อป และฮาร์ดแวร์หุ่นยนต์ โดยรองรับ API ที่ได้รับความนิยมในปัจจุบันและระบบดั้งเดิม แพลตฟอร์มนี้ทำให้ข้อมูลอินพุตจากเซนเซอร์หุ่นยนต์ที่หลากหลายถูกมาตรฐานเป็นรูปแบบทั่วไป และแยกโมดูลการกระทำของหุ่นยนต์ที่ซับซ้อนออก ทำให้ทีมพัฒนาหรือผู้ใช้ไม่จำเป็นต้องออกแบบหุ่นยนต์ตั้งแต่เริ่มต้น พร้อมทั้งเชื่อมโยงการรับรู้ การตัดสินใจ และการควบคุมระหว่างหุ่นยนต์ผ่านเครือข่าย แทนที่จะเป็นแพลตฟอร์มที่แยกจากกันหรือเฉพาะกับฮาร์ดแวร์

บุคลากรที่ขับเคลื่อนด้วย AI สามารถรับรู้และให้เหตุผลแบบเรียลไทม์ เพื่อตอบสนองต่อการเปลี่ยนแปลงในอินเตอร์เฟซผู้ใช้ของซอฟต์แวร์หรือการเปลี่ยนแปลงในสภาพแวดล้อมหุ่นยนต์ ซึ่งช่วยแก้ไขจุดอ่อนของกระบวนการอัตโนมัติแบบดั้งเดิมที่พึ่งพาสคริปต์ที่เขียนไว้ล่วงหน้าอย่างมาก และอ่อนแอต่อการเปลี่ยนแปลงแม้เพียงเล็กน้อย โดยสรุปคือ การจับภาพหน้าจอ ภาพจากกล้อง หรือข้อมูลเซ็นเซอร์ แล้วใช้ AI ประมวลผลข้อมูลภายนอกเหล่านี้เพื่อจัดการกับผลการสังเกตหรือคำสั่ง แล้วดำเนินการตัดสินใจผ่านการโต้ตอบกับอินเตอร์เฟซผู้ใช้

Peaq

วันที่ 27 มีนาคม 2025 โปรโตคอล DePIN Layer1 ชื่อ Peaq ระดมทุนได้ 15 ล้านดอลลาร์สหรัฐ โดย Generative Ventures และ Borderless Capital เป็นผู้นำการระดมทุน พร้อมด้วยการร่วมลงทุนจาก Spartan Group, HV Capital, CMCC Global, Animoca Brands, Moonrock Capital, Fundamental Labs, TRGC, DWF Labs, Crit Ventures, Cogitent Ventures, NGC Ventures, Agnostic Fund และ Altana Wealth

แม้เริ่มต้นจะเน้นเรื่อง DePIN แต่ peaq ได้เปิดตัว Robotics SDK ในเดือนกันยายนปีที่แล้ว ทำให้หุ่นยนต์สามารถรับอัตลักษณ์ที่เป็นของตนเอง ดำเนินการชำระเงินและรับเงิน ยืนยันข้อมูล และเชื่อมต่อกับเศรษฐกิจบนบล็อกเชน ตอนนี้ หุ่นยนต์ใดก็ตามที่รองรับระบบ ROS2 สามารถเข้าร่วมเศรษฐกิจของ peaq และใช้มาตรฐานสากลเพื่อแลกเปลี่ยนกับมนุษย์หรือหุ่นยนต์อื่นๆ

นอกจากนี้ peaq ได้เปิดตัวโครงการ RWA หุ่นยนต์ชื่อ «RoboFarm» บน DualMint เมื่อปีที่แล้ว โดยพวกเขาได้สร้างฟาร์มหุ่นยนต์ในฮ่องกง ซึ่งสามารถทำให้การผลิตทางการเกษตรมีความเป็นอัตโนมัติถึง 80% โดยผักที่ปลูก เช่น ผักกาดหอม ผักโขม และกะหล่ำปลีคอลลีฟลาวเวอร์ จะถูกขายในฮ่องกง ผลตอบแทนต่อปีที่คาดหวังสำหรับผู้ถือ NFT อยู่ที่ประมาณ 18%

Axis Robotics

Axis Robotics มุ่งมั่นในการสร้างโครงสร้างพื้นฐานที่สามารถขยายตัวแบบกระจายสำหรับปัญญาเชิงร่างกาย (Physical AI) พวกเขาเชื่อว่าแนวทางที่เน้นการจำลองก่อน (Simulation First) เป็นวิธีที่ดีที่สุดในการก้าวข้ามข้อจำกัดของข้อมูลหุ่นยนต์ที่ขาดแคลนและการทั่วไปของโมเดล โดยการรวบรวมข้อมูลในปริมาณมากและต้นทุนต่ำ ร่วมกับเครื่องมือเสริมข้อมูลเฉพาะตัว ทำให้เกิดการก้าวกระโดดสามประการในด้านคุณภาพ ความหลากหลาย และขนาดของข้อมูล พร้อมกันนี้ ข้อมูลแต่ละชิ้นยังมีการติดตามแหล่งที่มาบนบล็อกเชน (On-chain Provenance) ที่เชื่อถือได้ ร่วมกันสร้างห้องสมุดเชื้อเพลิงหลักที่ขับเคลื่อนการพัฒนาของปัญญาหุ่นยนต์ทั่วไป (RGI)

Axis ได้เปลี่ยนแปลงวิธีการจัดหาข้อมูลการฝึกอบรมหุ่นยนต์ โครงการอื่นๆ บนตลาดที่เกี่ยวข้องกับ “การป้อน/จัดหาข้อมูลการฝึกอบรมหุ่นยนต์” ส่วนใหญ่ใช้วิธีการกระตุ้นผู้ใช้ให้ถ่ายวิดีโอขณะทำกิจกรรมที่กำหนดไว้ในโลกจริงผ่านอุปกรณ์เช่นโทรศัพท์มือถือหรือแว่นอัจฉริยะ เพื่อให้ผู้ใช้ทั่วโลกสามารถมีส่วนร่วมได้อย่างง่ายดาย แม้ว่าวิธีนี้จะมีต้นทุนต่ำในการรวบรวมข้อมูล แต่ข้อมูลที่ได้จากวิดีโอขาดความสมจริงทางกายภาพและข้อมูลเชิงลึก จึงไม่สามารถรับประกันความต่อเนื่องและความแม่นยำของข้อมูล 3D ได้

ผ่านการจำลองแบบเสมือนจริง Axis ได้แก้ปัญหานี้ โดยในสภาพแวดล้อมการจำลอง โมเดลสามารถดำเนินงานได้แม้ในเงื่อนไขเสมือนที่เข้มงวดยิ่งขึ้น ผ่านฉากจำลองที่หลากหลายจำนวนมาก (แสง แง่มุม แรงเสียดทาน ไดนามิกส์ ฯลฯ) ทำให้ได้ความสามารถในการทั่วไปที่แข็งแกร่ง Axis ใช้กลยุทธ์แบบไฮบริด (Hybrid Strategy) ผสานข้อมูลจริงที่มีจำกัดเข้ากับข้อมูลสังเคราะห์จำนวนมาก ด้วยเทคโนโลยีการเสริมข้อมูลเชิงเมตาที่เร่งด้วย GPU จึงสามารถสร้างการเปลี่ยนแปลงจำนวนมากในเรื่องแสง ผิวสัมผัส และคุณสมบัติทางกายภาพของฉากเดียว ฉากเสมือนไม่ได้เป็นสิ่งคงที่หรือถูกเขียนโค้ดตายตัว แต่สามารถปรับเปลี่ยนได้อย่างยืดหยุ่น โค้ดสามารถสร้างฉากนับไม่ถ้วน ทำให้หุ่นยนต์ต้องเผชิญกับความท้าทายที่เข้มงวดและครอบคลุมมากขึ้นตามข้อกำหนดของแต่ละฉาก ต้นทุนในการสร้างฉากต่ำ ในขณะที่ปริมาณผลลัพธ์มีจำนวนมาก ประสิทธิภาพของวิธีการนี้ซึ่งใช้ข้อมูลจำนวนมากเพื่อให้บรรลุค่าที่ดีที่สุด ได้รับการยืนยันบางส่วนโดยบริษัทชั้นนำหลายแห่ง เช่น Google และ NVIDIA

โครงการจำลองการเรียนรู้หุ่นยนต์แรกของ Axis ที่เปิดให้ชุมชนเข้าถึงอย่างเปิดเผย ชื่อว่า “Little Prince's Rose” ได้เสร็จสมบูรณ์แล้ว ในโครงการ “Little Prince's Rose” ผู้ใช้สามารถทำให้หุ่นยนต์ดำเนินการรดน้ำดอกไม้สำเร็จผ่านเว็บไซต์ในสภาพแวดล้อมจำลอง โดยการรวบรวมและวิเคราะห์การกระทำของผู้ใช้ ทำให้หุ่นยนต์เรียนรู้วิธีรดน้ำดอกไม้ ผู้ใช้สามารถควบคุมหุ่นยนต์จากระยะไกลผ่านเว็บไซต์ ซึ่งรักษาข้อได้เปรียบของวิธีการอัปโหลดวิดีโอที่มีต้นทุนต่ำและอุปสรรคต่ำ พร้อมทั้งสร้างโมเดลพื้นฐาน VLA (Vision-Language-Action) แบบเน이ทีฟที่เข้าใจสามมิติให้กับหุ่นยนต์ เพื่อเสริมความสามารถในการคิดเชิงพื้นที่สามมิติที่ขาดหายไปจากช่องทางข้อมูลวิดีโอ

โครงการ «Little Prince's Rose» หลังจากเปิดตัวเพียง 5 วัน ผู้ใช้ทั่วไปที่ไม่มีพื้นหลังในอุตสาหกรรมหุ่นยนต์ได้ร่วม贡献เส้นทางที่มีคุณภาพสูงกว่าหมื่นเส้นทาง ซึ่งสามารถใช้ในการฝึกโมเดลเชิงกลยุทธ์ผ่านประสบการณ์ที่น่าสนใจ บนพื้นฐานของข้อมูลชุดนี้ Axis ได้ฝึกโมเดลเชิงกลยุทธ์สำเร็จและจำลองการทำงานจริงบนหุ่นยนต์ Franka ซึ่งแสดงให้เห็นว่า Axis ได้สร้างวงจรปิดแบบเต็มรูปแบบตั้งแต่ «การสร้างงาน -> การรวบรวมจากชุมชน -> การเสริมข้อมูล -> การฝึกโมเดล -> การนำไปใช้งานจริง»

ข้อมูลจริง 1 ชั่วโมงสามารถแปลงเป็นข้อมูลการฝึกสอน 1,000 ชั่วโมง เลเวอเรจด้านประสิทธิภาพนี้ลดต้นทุนที่จำเป็นสำหรับการทั่วไปของโมเดลหุ่นยนต์อย่างมาก

ในช่วงการทดสอบเบต้าในช่วงปีใหม่จีน ผู้เข้าร่วม 18,000 คนที่ไม่มีพื้นหลังในอุตสาหกรรมหุ่นยนต์ได้ hoàn thiệnภารกิจใหม่ 27 ภารกิจบน Axis ภายในเวลาเพียง 5 วัน และสร้างข้อมูลเส้นทางมากกว่า 100,000 รายการ การทดสอบประสบความสำเร็จในการสนับสนุนการสุ่มภายในภารกิจในระดับสูงมาก และยืนยันความเข้ากันได้กับทรัพย์สินหลายรูปแบบ เช่น หุ่นยนต์ล้อและหุ่นยนต์สองแขน

ผลิตภัณฑ์หลักของ Axis จะเปิดตัวอย่างเป็นทางการในช่วงปลายเดือนมีนาคม และมีแผนจะเปิดซอร์สโค้ดชุดข้อมูลจำลองที่ใหญ่ที่สุดในโลกที่ใช้หุ่นยนต์ Franka อย่างสมบูรณ์ในปลายเดือนเมษายนหรือต้นเดือนพฤษภาคม ซึ่งตอบโจทย์ความต้องการในการฝึกอบรมกลยุทธ์และโมเดลอย่างสมบูรณ์ พร้อมกันนี้ Axis ซึ่งเป็นโครงการในสายหุ่นยนต์ที่เริ่มต้นจาก Crypto-AI ได้เริ่มสำรวจและผลักดันการประยุกต์ใช้งานในอุตสาหกรรมภายนอก โดยร่วมมือกับลูกค้าชั้นนำในหลายสาขาเพื่อเร่งกระบวนการพาธุรกิจสู่การใช้งานจริง: ร่วมมือกับบริษัทรถยนต์แห่งหนึ่งในการขับเคลื่อนการประยุกต์ใช้แนวทางอัตโนมัติในกระบวนการผลิต; ร่วมมือกับบริษัทพลังการคำนวณที่กำลังเตรียมเข้าตลาดหุ้นในด้านสินทรัพย์ดิจิทัลและโมเดลโลก; และสร้างความร่วมมือเชิงลึกกับหลายบริษัทที่ผลิตหุ่นยนต์จริงในขั้นตอนสำคัญ เช่น การเก็บข้อมูลจำลองเสมือนและการฝึกอบรมโมเดล สิ่งเหล่านี้แสดงให้เห็นถึงผลกระทบภายนอกที่หาได้ยากสำหรับโครงการ Crypto

GEODNET

เครือข่ายแบบกระจายศูนย์ที่ให้ข้อมูลการระบุตำแหน่งแบบเรียลไทม์ด้วยความแม่นยำระดับเซนติเมตรสำหรับโดรน หุ่นยนต์ และอุปกรณ์อื่นๆ โดยมีสถานีฐานที่ใช้งานอยู่มากกว่า 21,000 แห่งในกว่า 150 ประเทศ ปีที่ผ่านมา โครงการนี้มีรายได้เกิน 7 ล้านดอลลาร์สหรัฐ และมีแนวโน้มเติบโตอย่างต่อเนื่องทุกไตรมาส

แม้ว่าโครงการนี้จะถูกจัดอยู่ในหมวด DePIN มากกว่า แต่ความต้องการข้อมูลตำแหน่งแบบเรียลไทม์ที่มีความแม่นยำสูงคาดว่าจะเพิ่มขึ้นอย่างกว้างขวางมากขึ้นตามการแพร่หลายของการใช้งานหุ่นยนต์ในชีวิตจริง ในเดือนกุมภาพันธ์ 2025 Multicoin ประกาศนำการซื้อโทเค็น $GEDO มูลค่า 8 ล้านดอลลาร์สหรัฐจาก GEODNET Foundation

BitRobot

BitRobot Network ถูกพัฒนาโดย FrodoBots Lab และ Protocol Labs เพื่อให้บรรลุการดำเนินงานและการร่วมมือของหุ่นยนต์แบบกระจายศูนย์ องค์ประกอบหลักประกอบด้วย: Verified Robot Work (VRW) ซึ่งใช้กำหนดและตรวจสอบงานหุ่นยนต์เป็นตัวชี้วัดที่วัดค่ารางวัลของเครือข่าย, Device Node Tokens (ENT) ซึ่งใช้สำหรับการเป็นเจ้าของอุปกรณ์และการเข้าถึงเครือข่าย (เป็นตัวระบุตัวตนเอกลักษณ์เดียวของหุ่นยนต์ภายในระบบในรูปแบบ NFT) และ Subnet ซึ่งทำหน้าที่เป็นชั้นการดำเนินงานงาน สร้างทรัพยากรกลุ่มที่สร้างมูลค่าให้กับเครือข่าย BitRobot

วันที่ 14 กุมภาพันธ์ 2025 FrodoBots Lab ประกาศว่าได้รับการระดมทุนแบบ Seed Round มูลค่า 6 ล้านดอลลาร์สหรัฐ โดยรวมยอดการระดมทุนอยู่ที่ 8 ล้านดอลลาร์สหรัฐ

FrodoBots Lab ยังขายหุ่นยนต์ด้วย Earth Rovers คล้ายเกมมาริโอคาร์ตในชีวิตจริง ราคา 249 ดอลลาร์สหรัฐ โดยผู้เล่นจะควบคุมหุ่นยนต์ของตนเองผ่านเบราว์เซอร์ในเกมค้นหาสมบัติระดับโลก ET Fugi ข้อมูลเหล่านี้ถูกใช้โดยนักวิจัยเพื่อปรับใช้และทดสอบโมเดลการนำทาง AI รุ่นล่าสุดของพวกเขา ET Fugi ยังเป็นซับเน็ตแรกของ BitRobot

หุ่นยนต์เกมอีกตัวหนึ่งชื่อ Octo Arms จะเปิดตัวในอนาคต โดยผู้เล่นจะควบคุมแขนกลจากระยะไกลเพื่อแก้ปริศนา 3D และแข่งขันต่างๆ

แนวคิดของ “เครือข่ายย่อย” ของเครือข่ายหุ่นยนต์นี้ค่อนข้างนามธรรม โดยสรุปง่ายๆ คือ กลุ่มใดก็ตามที่สามารถมีส่วนร่วมต่อระบบนิเวศของเครือข่ายโดยรวม หรือโครงการ/เหตุการณ์เฉพาะที่กลุ่มนั้นดำเนินการ ถือเป็นเครือข่ายย่อย เช่น เกม ETFugi ที่กล่าวถึงข้างต้น และ SeeSaw ที่ Virtuals เปิดตัว เป็นต้น

SeeSaw

BitRobot ที่เป็นซับเน็ตที่ 5 โดย Virtuals ซึ่งเปิดตัวแอปแชร์ข้อมูลการฝึกหุ่นยนต์เมื่อเดือนตุลาคมปีที่แล้ว ใน SeeSaw ผู้ใช้บันทึกวิดีโอพฤติกรรมประจำวันของตนเอง อัปโหลดเพื่อทำภารกิจเพื่อรับรางวัล ข้อมูลวิดีโอเหล่านี้จากผู้ใช้ทั่วโลก รวมถึงพฤติกรรมประจำวันอย่างการผูกเชือกรองเท้า การพับเสื้อผ้า จะถูกใช้ในการฝึกหุ่นยนต์

Auki

เครือข่ายการรับรู้แบบกระจายศูนย์ของ Auki ชื่อ Posemesh ใช้เชื่อมต่อมนุษย์ อุปกรณ์ และ AI โดยมีโครงสร้างพื้นฐานเป็น DePIN (เครือข่ายกายภาพแบบกระจายศูนย์) ที่อนุญาตให้อุปกรณ์ต่างๆ เช่น หุ่นยนต์และแว่น AR แชร์ข้อมูลตำแหน่งและการรับรู้แบบเรียลไทม์ เพื่อร่วมกันสร้างความเข้าใจเชิงพื้นที่ร่วมกันต่อโลกทางกายภาพ ซึ่งสามารถให้มุมมองเชิงพื้นที่ร่วมกันแก่หุ่นยนต์ AR และ AI

ออกแบบบทบาทโหนดหลายประเภทตามโปรโตคอล Posemesh โดยโหนดการคำนวณให้กำลังการประมวลผล โหนดการเคลื่อนไหว (อุปกรณ์หุ่นยนต์) อัปโหลดข้อมูลตำแหน่งและข้อมูลเซนเซอร์ โหนดการสร้างแบบจำลองใช้ข้อมูลเหล่านี้เพื่อสร้างแบบจำลองแผนที่ 3D และโหนดโดเมนจัดการพื้นที่ 3D โหนดต่างๆ จะได้รับรางวัลโทเค็น $AUKI ตามการมีส่วนร่วม เพื่อขับเคลื่อนเครือข่ายการมองเห็นของเครื่องที่พัฒนาตนเอง

เครือข่ายนี้เน้นการปกป้องความเป็นส่วนตัว เพื่อหลีกเลี่ยงการติดตามพื้นที่ส่วนตัวของผู้ใช้โดยหน่วยงานใดหน่วยงานหนึ่ง และสามารถนำไปใช้ในหลายบริบท เช่น ร้านค้าปลีก (การปรับปรุงการจัดวางผลิตภัณฑ์) การจัดการอสังหาริมทรัพย์ (การติดตามสินทรัพย์) การนำทางในงานแสดงสินค้า และการตกแต่งอาคาร เป็นต้น

แพลตฟอร์มการคำนวณเชิงพื้นที่ Cactus AI ของพวกเขาได้เริ่มการทดลองใช้งานอย่างแข็งขันกับ Toyota Material Handling และร้านขายของชำ Stora Coop ของสวีเดน

XMAQUINA

DAO ที่ทำให้ผู้ลงทุนรายย่อยสามารถเข้าร่วมการลงทุนในบริษัทหุ่นยนต์ได้ DAO นี้ระดมทุนได้ 10 ล้านดอลลาร์สหรัฐผ่านการขายโทเค็น $DEUS เป็นชุดๆ ปัจจุบัน DAO ได้นำเงินรายได้จากการประมูลไปซื้อหุ้นในบริษัทหุ่นยนต์ 6 แห่ง ได้แก่ Apptronik, Figure AI, Agility Robotics, 1X Tech, NEURA Robotics และ Robotico โดยการลงทุนบางส่วนเริ่มให้ผลกำไรแล้ว และบางรายการมีอัตราผลตอบแทนเกิน 100%

PrismaX

วันที่ 17 มิถุนายน 2025 PrismaX ประกาศเสร็จสิ้นการระดมทุน 11 ล้านดอลลาร์สหรัฐ โดยผู้ลงทุนรวมถึง a16z CSX, Volt Capital, Blockchain Builders Fund, Stanford Blockchain Accelerator และ Virtuals

PrismaX สร้างชั้นการประสานงานแบบเปิดที่เชื่อมต่อผู้ปฏิบัติงานระยะไกล ผู้ใช้หุ่นยนต์ และบริษัทหุ่นยนต์ ผู้ปฏิบัติงานสามารถเชื่อมต่อกับผู้ใช้ เพื่อควบคุมหุ่นยนต์จากระยะไกลและดำเนินงานจริง พร้อมกับรวบรวมข้อมูลที่มีคุณค่า รวมถึงสามารถร้องขอบริการจริง เช่น โลจิสติกส์และการโฆษณา

PrismaX ยังมีโปรโตคอลสำหรับหุ่นยนต์ควบคุมระยะไกล ซึ่งองค์กรสามารถค้นหาผู้ควบคุมหุ่นยนต์ที่มีประสบการณ์และสามารถปฏิบัติงานที่ซับซ้อนได้ ผู้ควบคุมสามารถเลือกการพันกิจกรรมของโทเค็นเครือข่ายเพื่อเพิ่มความน่าเชื่อถือ และเพิ่มโอกาสในการได้รับงานที่ให้ผลตอบแทนสูง ผลตอบแทนที่ผู้พันกิจกรรมได้รับไม่เพียงแต่ขึ้นอยู่กับจำนวนที่พันกิจกรรม แต่ยังขึ้นอยู่กับคุณภาพของงานที่ทำ และจะได้รับรางวัลเพิ่มเติมเมื่อประสิทธิภาพในการทำงานสูงขึ้น

ข้อมูลที่สะสมจากการดำเนินการระยะไกลจะถูกใช้ในการฝึกฝนหุ่นยนต์เพื่อเพิ่มความเป็นอิสระของหุ่นยนต์ ซึ่งจะช่วยเพิ่มประสิทธิภาพการทำงานของผู้ดำเนินการระยะไกล และสุดท้ายจะบรรลุการควบคุมหุ่นยนต์อย่างสูงหรือสมบูรณ์แบบ

ตัวแทน NRN

NRN พัฒนามาจากเกม链ที่ฝึกอบรมแบบเรียลไทม์ AI Arena ซึ่งเป็นการแข่งขันของ AI Agent เมื่อวันที่ 28 ตุลาคม 2021 ผู้พัฒนา ArenaX Labs ประกาศว่าได้ปิดการระดมทุนแบบ种子วงแรกมูลค่า 5 ล้านดอลลาร์สหรัฐ โดย Paradigm Capital เป็นผู้นำการระดมทุน และ Framework Venture Partners เข้าร่วม เมื่อวันที่ 9 มกราคม 2024 ArenaX Labs ประกาศปิดการระดมทุนรอบใหม่มูลค่า 6 ล้านดอลลาร์สหรัฐ โดย Framework Ventures เป็นผู้นำการระดมทุน โดยมี SevenX Ventures, FunPlus/Xterio และ Moore Strategic Ventures เป็นผู้ร่วมลงทุน

แม้จะยังคงเป็นกระบวนการรวบรวมข้อมูล → ปรับปรุงการเรียนรู้ของหุ่นยนต์โดยทั่วไป แต่ด้วยประสบการณ์อันอุดมสมบูรณ์ในด้านเกม NRN จึงนำเสนอประสบการณ์ผ่านเบราว์เซอร์ที่แปลงการเก็บข้อมูลหุ่นยนต์ให้เป็นเกม ผู้ใช้สามารถควบคุมหุ่นยนต์จำลองผ่านเบราว์เซอร์ได้อย่างตรงไปตรงมา ในระหว่างการเล่นเกม ข้อมูลพฤติกรรมที่สร้างขึ้นจากการกระทำของผู้ใช้จะถูกใช้ในการฝึกฝนระบบหุ่นยนต์ในโลกจริง

ในขั้นตอนปัจจุบัน โครงการนี้จะมุ่งเน้นที่หุ่นยนต์แขนกล (RME-1) เพื่อยืนยันการรวบรวมข้อมูล การเรียนรู้แบบเรียลไทม์ และความยืดหยุ่น

คลิกเพื่อเรียนรู้เกี่ยวกับตำแหน่งที่律动BlockBeats กำลังรับสมัคร

ยินดีเข้าร่วมชุมชนอย่างเป็นทางการของ律动 BlockBeats:

กลุ่มสมัครรับข้อมูลบน Telegram: https://t.me/theblockbeats

กลุ่ม Telegram: https://t.me/BlockBeats_App

บัญชีทางการบน Twitter: https://twitter.com/BlockBeatsAsia