RobotiikkaLiiketoiminta ja markkinat 🇨🇳 07.08.2026 05:02

Kolme kiinalaista yritystä liittoutuu rakentaakseen maailman ensimmäisen miljoonan tunnin kehollisen datan

Riemann Dynamics, Noitom Robotics ja Lightwheel AI rakentavat yhdessä kehollisen älykkyyden datainfrastruktuuria, tavoitteenaan kerätä miljoona tuntia robottien koulutusdataa vuoden 2026 loppuun mennessä, mikä olisi maailman ensimmäinen. Yhteistyö yhdistää datankeruun, simuloinnin, koulutuksen ja arvioinnin suljetuksi silmukaksi, ratkaisten kehollisen tekoälyn skaalautumisen pullonkaulan.
Riemann Dynamics, joka saavutti hiljattain kaksois-SOTA-tuloksen sekä simulaatiossa että reaalimaailman testeissä, on solminut kumppanuuden Noitom Roboticsin ja Lightwheel AI:n kanssa rakentaakseen embodied intelligence -tiedon perustan. Kolme yritystä yhdistävät keruun, simulaation, koulutuksen ja arvioinnin yhtenäiseksi putkeksi, ja Riemann Dynamics tavoittelee miljoonan robottien koulutustunnin keräämistä vuoden 2026 loppuun mennessä, mikä on kaksi kertaa enemmän kuin nykyinen maailmanlaajuinen arvio korkealaatuisesta embodied-vuorovaikutusdatasta (noin 500 000 tuntia). Riemann Dynamics on jo kouluttanut Riemann-1.0-mallinsa 232 000 tunnin datalla, mikä vahvistaa lähestymistavan toimivuuden. Yhteistyö ratkaisee alan datapullon: määrällisen riittämättömyyden ja tiukat laatuvaatimukset, sillä embodied-data tulee erilaisista lähteistä, kuten oikeista robottikeräyksistä, etäohjauksesta, puettavista laitteista ja simulaatiosta, joilla jokaisella on rajoitteensa. Noitom Robotics, johtava liikkeenkaappausyritys, jonka markkinaosuus on 70 prosenttia maailmanlaajuisesti, tarjoaa todellista ihmisen toimintadataa; Lightwheel AI, ensimmäinen embodied-datan yksisarvinen, tarjoaa simulaatio- ja arviointialustoja; Riemann Dynamics, joka on syntynyt Kunlun Wanwein Matrix-maailmanmallitiimistä, vastaa mallin koulutuksesta. Kumppanuuden tavoitteena on luoda avoin, standardoitu dataekosysteemi, jossa on yhteiset standardit ja avoin data, kuten NVIDIA:n Physical AI Data Factory ja Waymon suljetun silmukan lähestymistapa autonomisessa ajossa.
Lähde: QbitAI 量子位 — Alkuperäinen
Aiemmat aiheeseen liittyvät kirjoituksemme ↓
Tuoreet uutiset