首頁 > 科技要聞 > 科技> 正文

稚暉君搞了個“好東西”，網(wǎng)上的視頻也能拿來訓(xùn)練機器人了。

差評編輯部 整合編輯：太平洋科技 發(fā)布于：2025-03-11 14:58

上周五，稚暉君不是在微博淺淺預(yù)告了一波 “ 好東西 ” 嘛。

這不剛周一，智元機器人馬上就把熱乎的抬上來了。

機器人給你端茶倒水、煮咖啡。

把面包放進(jìn)面包機、給烤好的面包涂抹果醬，再把面包端到你面前，整套動作一氣呵成。

還能在公司當(dāng)前臺，充當(dāng)一把迎賓。

就是吧，見多了各種人形機器人的視頻之后，世超對這種程度的展示，已經(jīng)見怪不怪了。

所以單單這些演示，還不足以能稱之為好東西。智元機器人這次發(fā)布的基座大模型 GO-1 （ Genie Operator-1 ），才是真正值得拿出來嘮一嘮的好東西。

這么說吧，這個基座大模型，讓困擾了人形機器人許久的數(shù)據(jù)匱乏、泛化能力差的問題，又有了更高效的解法。

大伙兒可能也知道，現(xiàn)階段的人形機器人之所以看起來很拉胯，很重要的原因之一，就是缺乏高質(zhì)量的數(shù)據(jù)。

而獲得這些數(shù)據(jù)的成本，同樣也非常高。

為了解決這個行業(yè)難題，去年底，智元機器人就已經(jīng)開源了百萬真機數(shù)據(jù)集 AgiBot World 。

AgiBot World 的數(shù)據(jù)都來自于智元的數(shù)據(jù)采集工廠，里面搭了不少模擬真實場景，數(shù)據(jù)采集師每天的任務(wù)，就是教機器人怎么執(zhí)行某項任務(wù)。

根據(jù)官方的說法， AgiBot World 涵蓋了超過 100 萬條軌跡、 217 個任務(wù)和 106 個場景。但即便是這個量級的數(shù)據(jù)，對于機器人來說仍然是杯水車薪，而且，也沒辦法解決機器人泛化能力差的問題。

所以，智元機器人才在 AgiBot World 的基礎(chǔ)上，又提出了新的 ViLLA （ Vision-Language-Latent-Action ）架構(gòu)。這個架構(gòu)，就是 GO-1 大模型的核心。

世超去翻了翻智元機器人發(fā)布的論文，簡單用大白話給大伙兒介紹一下，這 ViLLA 到底牛在哪。

首先在數(shù)據(jù)上， ViLLA 架構(gòu)就沒那么挑。

根據(jù)官方的介紹， ViLLA 架構(gòu)是由 VLM ( 多模態(tài)大模型 ) 和 MoE ( 混合專家 ) 組成。

傳統(tǒng)的 VLA 架構(gòu)，結(jié)合了 VLM 和端到端的特點，所以這種架構(gòu)需要大量標(biāo)注過的真機數(shù)據(jù)來訓(xùn)練，又費錢又費力，而且數(shù)據(jù)量還少。

ViLLA 雖說本質(zhì)上還是 VLA 架構(gòu)，但它強就強在，互聯(lián)網(wǎng)上的那些人類視頻數(shù)據(jù)它也能用。。。

也就是說，基于 GO-1 大模型的機器人，理論上只要 “ 看過 ” 視頻，就能學(xué)會相對應(yīng)的動作。

至于其中的原因，世超覺著很大概率要歸功于 “ 潛在動作 ” （ Latent Actions ）。

咱還是拿 VLA 作為對比， VLA （ Vision Language Action ）架構(gòu)，在執(zhí)行任務(wù)的時候是這么個流程：輸入圖像和語言指令，機器人再根據(jù)這些信息，生成并執(zhí)行指定動作�？此坪唵未直�，但稍微遇到點復(fù)雜的任務(wù)，機器人就會變成看得懂也聽得懂，但是做不好甚至于做不到。

舉個例子，咱們讓機器人（ VLA 架構(gòu) ）做一杯咖啡，機器人能看到咖啡機在哪，也能聽得懂我要它做咖啡。

但是， VLA 架構(gòu)下的機器人要直接從 “看到了咖啡機 ” “ 聽懂了要做咖啡 ” ，一下子想清楚所有步驟，然后馬上動手，中間沒有思考的過程。

DeepMind 的 VLA 模型 RT-2

問題就在于，泡咖啡其實中間有很多小步驟，比如找到咖啡豆，打開咖啡機，按下開關(guān)，就算是人來了，都得想一下要先干嘛再干嘛。

更何況是 “ 一根筋 ” 的 VLA 架構(gòu)，讓它處理中間這些復(fù)雜的步驟，多少有點為難它了。

但 ViLLA 架構(gòu)，引入了兩位 “ 專家 ” ：隱式規(guī)劃器（ Latent Planner ）和動作專家（ Action Expert ）。

這兩位專家不僅能讓機器人想得更多，而且能做的事情也變多了。

專有名詞看不懂沒關(guān)系，咱繼續(xù)舉例子。

假設(shè)現(xiàn)在輸入一段視頻，是一個人拿起杯子喝水。

VLM 多模態(tài)大模型會先把視頻處理了，接著潛在動作模型（ Latent Action Model ），會把那些復(fù)雜的視頻動作，拆解成幾個關(guān)鍵步驟，比如 “ 抓取 ” 、 “ 移動 ” 和 “ 喝水 ” 。

但光到這一步還不夠，隱式規(guī)劃器（ Latent Planner ）要繼續(xù)把關(guān)鍵步驟進(jìn)行加工，生成更詳細(xì)的步驟： “ 抓取（杯子），移動（杯子到嘴邊），飲用 ” 。最后，動作專家（ Action Expert ）出場，把這些步驟全都轉(zhuǎn)換成機器人能理解的信號，讓機器人執(zhí)行動作。

所以 ViLLA 架構(gòu)在執(zhí)行復(fù)雜任務(wù)時的表現(xiàn)，要比 VLA 更出色，也更能適應(yīng)當(dāng)下人形機器人的訓(xùn)練需求。

而且世超還注意到， ViLLA 架構(gòu)并不依賴具體的硬件。

換句話說， VLA 架構(gòu)是根據(jù)特定的機器人本體、特定場景，來生成動作信號，而 ViLLA 架構(gòu)生成的是 “ 抓取 ” “ 移動 ” 這種通用動作標(biāo)記，任務(wù)泛化能力更好，也更容易遷移到其他機器人平臺。

給大伙兒一句話總結(jié)就是，GO-1 讓機器人能從互聯(lián)網(wǎng)的人類視頻數(shù)據(jù)中學(xué)習(xí)，并且多了拆解任務(wù)的能力，提高復(fù)雜任務(wù)成功率的同時，泛化能力也變強了。如果 GO-1 的效果真的像官方描述的那樣，那么這對于整個人形機器人行業(yè)來說，或許都是一個好消息。

數(shù)據(jù)不愁，還不挑平臺，這機器人訓(xùn)練起來可就順手多了。就是不知道這個 GO-1 ，智元會不會選擇繼續(xù)開源。

聽說，智元機器人明天還要放出個驚喜，咱們等一手好吧。

本文來源：差評

網(wǎng)友評論

聚超值•精選

推薦 手機 筆記本 影像 硬件 家居 商用 企業(yè) 出行 未來
    • 二維碼 回到頂部