哈嘍，大家好，今天小墨這篇評論，主要來分析北大ManualVLA模型憑啥碾壓傳統(tǒng)機器人，逆襲成特斯拉機器人勁敵。

在智能機器人領域，馬斯克的特斯拉機器人一直是行業(yè)焦點，憑借炫酷的外觀和自主行走能力圈粉無數(shù)。但很少有人知道，咱們國內的科研團隊已經(jīng)實現(xiàn)了技術突破，讓機器人在復雜任務中的表現(xiàn)實現(xiàn)了質的飛躍。

現(xiàn)在的智能機器人在簡單任務中表現(xiàn)尚可，比如拿取物品、簡單清掃等，但遇到需要明確最終目標的長時序任務就露怯了。像樂高搭建、物體重排這類任務，對機器人的高層規(guī)劃和精細操控能力要求極高，傳統(tǒng)機器人很難兼顧。

據(jù)北大科研團隊成員在近期學術分享會上透露，之前他們做過一組對比實驗，讓傳統(tǒng)分層架構機器人組裝2D樂高，機器人要么搞錯積木拼接順序，要么精準度不夠導致積木脫落，最終成功率只有40%。更頭疼的是，傳統(tǒng)機器人還依賴人工制作的操作說明書或人類演示視頻，遇到?jīng)]見過的目標狀態(tài)就徹底“罷工”。

這種“規(guī)劃與執(zhí)行割裂”的問題，成了制約智能機器人走向實用的最大瓶頸，也讓很多科研團隊束手無策。而這一痛點，恰恰被北大團隊精準抓住并攻克。

北大團隊提出的全新「生成–理解–動作」一體化模型ManualVLA，最核心的創(chuàng)新就是摒棄了傳統(tǒng)分層級聯(lián)方案，讓機器人學會“自己生成說明書，再按說明書執(zhí)行動作”。這一思路徹底解決了規(guī)劃與執(zhí)行割裂的問題。

51CTO報道中提到了一個具體的研發(fā)細節(jié)，在模型訓練階段，科研團隊為了讓規(guī)劃專家精準生成說明書，利用三維高斯數(shù)字孿生工具，對樂高板、積木等物體進行三維重建。

在虛擬空間中反復排列組合，自動渲染中間狀態(tài)圖像并記錄相關數(shù)據(jù)，最終合成了上萬幀帶有精確標注的手冊數(shù)據(jù)。通過這種方式，規(guī)劃專家才能精準預判每一步操作的目標和位置。

更厲害的是ManualCoT思維鏈機制，它從顯式和隱式兩條路徑引導動作執(zhí)行。顯式路徑會在圖像上標注出操作區(qū)域，就像用熒光筆圈出重點；隱式路徑則通過內部特征持續(xù)提醒動作模塊當前進度和目標，確保操作不跑偏。

實驗室的創(chuàng)新最終要靠實驗驗證，ManualVLA模型在Franka雙臂平臺上的表現(xiàn)堪稱驚艷?？蒲袌F隊選取了2D樂高組裝、3D樂高組裝、物體重排三個真實世界長周期任務進行測試，結果顯示，模型在所有任務中均取得最高成功率。

其中在3D樂高組裝任務中，傳統(tǒng)基線模型成功率只有45%，而ManualVLA模型直接提升到72%，就算是沒見過的目標狀態(tài)，也能精準完成組裝。在物體重排任務中，模型生成的中間圖像保真度極高，位置預測誤差極低，充分證明了其精確性。

值得一提的是，該模型還具備很強的泛化能力。在未見過的背景、物體形狀和光照變化環(huán)境下，依然能保持較高的任務成功率。

據(jù)北大團隊透露，目前他們已與國內多家智能制造企業(yè)對接，計劃將該技術應用到電子元件組裝、精密儀器檢測等場景。

除了真機實驗，ManualVLA模型在仿真環(huán)境中也表現(xiàn)出色。在RLBench的10個仿真任務上，模型取得了70%的平均成功率，超越了SOTA方法π0的63%，進一步驗證了技術的通用性和可靠性。