具身智能的最新进展

这是“汽车人参考”第421篇原创内容

“让一部分组织率先把握住未来”

这里分享几个观点：

具身智能并不是什么新概念，早在1950年，图灵就提出了前瞻性的思考，他引发我们思考一个问题：智能是否必须依托于物理形态才能存在？现在，越来越多的迹象表明，拥有实体的智能系统正成为新的趋势。

技术层面上，具身多模态大模型成为焦点，也被称为机器人的基础模型。这种模型最吸引人的地方在于，从Input端直接接收文本、语言、视觉信息，以及机器人本体及传感器信息，Output直接输出机器人动作，这是一个端到端范式，也是大家梦寐以求的通用机器人。

谷歌RT-2是目前业界的典型代表。虽然它是一个端到端的架构，但离真正的基础模型还有很大差距。谷歌为了训练这个模型，在3个厨房收集了13万数据，耗费了17个月、16个人力和13个机器人，结果只能在厨房场景里完成移动、抓取、放下的任务。虽然成功率挺高，但泛化能力太差，上千万美金的数据采集成本也高到离谱，而且动作还慢得要命，只能实现5赫兹的动作输出。

相比之下，Figure和OpenAI的模型就显得更加实用，它的输出动作频率能达到200赫兹，核心采用了一种分层的模型架构。这种架构更符合我们对大脑的认知，System2和System1，大小模型分工明确、相互配合、相互调用。

未来到底是统一大模型还是分层大模型，还没有定论，但至少在目前看来，分层似乎更有戏。要让机器人实现通用任务，学术界还有很长的路要走，目前还没有一个通用机器人模型，我个人比较期待英伟达Groot的进展。

商业层面来看，我持谨慎乐观的态度，目前L0层的模型能完成50%-60%的任务，但最难的L1通用层，还需要众多L2层的机器人在各个垂直领域搜集关键数据来反哺，数据和模型永远存在先有鸡还是先有蛋的问题。

要尽快落地，可靠的本体是基础，还要思考所谓通用机器人与协作机器人、复合机器人之间边界问题，成本更是必须考量的因素。抛开这些，要锚定在一个足够刚需的场景，先选择一个简单和复制的任务，链接到大模型，其实就能解决很多商业问题。

各地扶持政策层出不穷，都在争相建设具身智能的高地，这个无须多提。

我越来越坚信，通用机器人是从0到1，前景无限，当前资源充沛、机会多多，行业窗口期，是冷静看“泡沫”，还是冒险入局，大家有什么想法？一起来聊聊。