BitRobot 在 Solana 上開放 2,000 小時機器人數據
重點速覽
- •BitRobot 發布了 FrodoBots-2K 開源數據集,包含 2,000 小時的城市導航數據,遠超過先前公開數據集約 60 小時的規模。
- •與 DeepMind、Meta 及加州大學柏克萊分校相關的團隊已使用 FrodoBots-2K 數據集開發導航模型。
- •BitRobot 運行於 Solana 之上,由 Solana 負責貢獻追蹤、記帳與支付,貢獻者可賺取名為 Bolts 的數位獎勵。
- •該公司的 RoboCap 穿戴式裝置售價約 1,000 美元,配備六個攝影機,可記錄第一人稱影片與手部動作,用於日常場景的數據收集。
- •該項目的成敗取決於其去中心化模式能否以與集中式遠端操作設施相當的成本,產出更高品質、更多元的數據集。

BitRobot 是一個建構於 Solana 之上的機器人網路,已開源 2,000 小時的城市導航數據,旨在解決具身人工智慧面臨的最大挑戰之一:取得大量真實世界的互動數據。
該項目正在開發一個去中心化的機器人數據集市場,運用區塊鏈技術追蹤貢獻並獎勵參與者。此做法旨在取代集中式遠端操作設施——在那類設施中,大量工作人員以遠端方式操控機器人來產生訓練數據。
最新發布的 FrodoBots-2K 數據集包含 2,000 小時的城市導航數據,遠超過先前公開數據集僅有的約 60 小時,為 AI 研究人員訓練導航系統提供了規模大得多的資源。
從遠端操控人行道機器人到開放 AI 數據
BitRobot 最初以 FrodoBots 之名成立,早期工作聚焦於由玩家遠端操控的人行道機器人。參與者在尋寶遊戲式的活動中操控這些機器,從真實世界的導航情境中產生數據。
這些資訊其後被彙整為 FrodoBots-2K 並公開發布。據報導,與 DeepMind、Meta 以及加州大學柏克萊分校相關的團隊已使用該數據集開發導航模型。
該項目認為,真實世界數據仍是機器人發展最主要的限制之一。BitRobot 總裁 Jonathan Victor 主張,產業的需求不僅止於運算能力與模型架構,因為機器人必須從不可預測的環境與互動中學習,而非僅依賴受控的實驗室條件。這一挑戰與大型語言模型的發展軌跡相似:當網路規模的文字語料問世後,大型語言模型迅速進展;具身 AI 一直缺乏相當的實體互動數據來源,而 FrodoBots-2K 等開放發布正是縮小這一差距的嘗試之一。
為應對此挑戰,BitRobot 已建立任務專屬的子網路,用以收集不同類別的機器人數據,涵蓋城市導航以及需要身體靈巧度的任務,使網路能針對專門數據集收集,而不依賴單一的集中式收集系統。
穿戴式攝影機擴大數據收集
RoboCap 是 BitRobot 的主要工具之一,這是一款售價約 1,000 美元、配備六個攝影機的穿戴式裝置。該設備記錄第一人稱視角影片與手部動作,讓人們在麵包店、工廠等場景執行日常任務時也能收集數據。
該公司計畫將這些裝置分發給工作者及其他貢獻者,以擴大數據集所涵蓋的真實世界情境。參與者預期將依其提供資訊的新穎性與實用性獲得獎勵。
評分機制的設計偏好不常見或有價值的情境,而非重複性數據,這可能鼓勵貢獻者捕捉在傳統高度受控的數據收集作業中不太可能出現的情境。
Solana 提供區塊鏈基礎設施
Solana 是 BitRobot 的底層區塊鏈基礎設施,負責支援貢獻追蹤、記帳與支付。其相對較低的交易成本,旨在讓向地理上分散的網路參與者支付報酬變得切實可行。
Victor 強調,Solana 的開發者工具與成熟的開發者社群,是決定在該區塊鏈上建構項目的關鍵因素。
BitRobot 也使用 Access ID 憑證,讓貢獻者建立與機器人相關的信譽。參與者可透過貢獻賺取名為 Bolts 的數位獎勵,形成一套旨在連結參與、信譽與報酬的系統。
透過結合開放數據集、穿戴式數據收集硬體與基於區塊鏈的激勵機制,BitRobot 致力於打造一個機器人網路,讓貢獻者提供寶貴的真實世界數據,並共享由此產生的效益。
數據所有權可能左右機器人競爭格局
該項目的發展正值具身 AI 成為日益重要的研究領域之際,企業與學術機構都在尋求訓練機器人執行實體世界任務的更佳方法。大型科技公司已大量投資機器人學習計畫,稀缺的真實世界數據集的取得已成為彼此競爭的因素之一——這也是 FrodoBots-2K 等為小型實驗室與獨立研究者降低門檻的開放發布受到全領域關注的原因之一。
對 Solana 而言,BitRobot 代表了金融交易與投機活動之外的另一個潛在應用。截至 2026 年 9 月 7 日,SOL 報價 104.60 美元,過去 24 小時下跌 0.66%,不過該代幣的市場表現與網路底層技術是兩回事。
BitRobot 的長期前景,將取決於其去中心化模式能否以具競爭力的成本,產出比集中式替代方案品質更高、更多元的數據集。若成功,這種由網路驅動的模式可讓機器人開發者更廣泛地取得真實世界訓練數據,同時為個人與企業創造新的誘因,貢獻以往難以收集的資訊。