機(jī)器人正在我們的日常中頻繁出沒(méi)。送外賣、做咖啡、接商演……但不出意外，它們?cè)谔峁┓?wù)的同時(shí)，也會(huì)隨機(jī)“贈(zèng)送”笑料。

酒店里送餐的機(jī)器人坐電梯為了站中間，不惜碾過(guò)乘客的腳；做咖啡時(shí)，只管拉花，不顧杯子里的咖啡灑沒(méi)了多少；機(jī)器人足球賽上，兩方“隊(duì)伍”在傳球和射門(mén)之間，選擇疊羅漢式摔倒。

你肯定有過(guò)疑問(wèn)，為什么有些時(shí)候機(jī)器人行云流水，有些時(shí)候卻笨拙得不可理喻？

事實(shí)是，在一些論文和公開(kāi)實(shí)驗(yàn)中，機(jī)器人操作精細(xì)或復(fù)雜的任務(wù)時(shí)成功率并不高。即便簡(jiǎn)單如“抓取”，也會(huì)受制于幾何多樣性和復(fù)雜的物理環(huán)境，成功率“五五開(kāi)”。

最近，在最新的 SimplerEnv 基準(zhǔn)測(cè)試中，一家中國(guó)的具身智能企業(yè)“深度機(jī)智”研發(fā)的具身智能模型跑出了 80.2% 的平均成功率，超越了“行業(yè)標(biāo)桿” Pi0.5 （ 57.1%），達(dá)到行業(yè) SOTA。模型能力突破的關(guān)鍵是這家公司在單單“模仿動(dòng)作”之外，為具身智能找到另外一條通往“通用性”的道路。

機(jī)器人“認(rèn)死理”

要是你在電梯里被“橫沖直撞”的機(jī)器人踩到腳，不免脫口而出，真是典型的“一根筋”！作為人類，挺容易理解這個(gè)詞。它通常指不善變通，認(rèn)死理，一條道跑到黑。放到機(jī)器人的語(yǔ)境下，它有一個(gè)專業(yè)表達(dá)，“泛化”。機(jī)器人泛化程度的高低決定了它如何應(yīng)對(duì)從未見(jiàn)過(guò)的那些情況。

莫拉維克悖論，人工智能領(lǐng)域公認(rèn)的一個(gè)觀察，經(jīng)過(guò)數(shù)億年的自然選擇，人類的大腦發(fā)育出了一套極其高效的物理引擎和模式識(shí)別系統(tǒng)（比如行走、感知、常識(shí)判斷），這些功能被固化在了大腦最古老的區(qū)域。而我們稱之為推理、邏輯、抽象的那些刻意思考過(guò)程，其實(shí)依賴大量無(wú)意識(shí)的感知預(yù)設(shè)。

為了讓機(jī)器人直接跳過(guò)“本能進(jìn)化”這一漫長(zhǎng)的演化過(guò)程。人類要么搭建“高精度版《模擬人生》”——1：1還原物理定律的虛擬世界，讓機(jī)器人在里面進(jìn)行千萬(wàn)次的強(qiáng)化學(xué)習(xí)。要么穿上傳感設(shè)備，讓機(jī)器人像“提線木偶”般模擬出每一個(gè)動(dòng)作。一大把機(jī)器人因此有了不錯(cuò)的運(yùn)動(dòng)控制，尤其在下肢。

但是“速成”的機(jī)器人其實(shí)如還未開(kāi)智的人類孩童一般，往往將死記硬背誤以為真的懂了。本質(zhì)上還是因?yàn)闄C(jī)器人學(xué)到的是統(tǒng)計(jì)相關(guān)性，而非物理因果性。機(jī)器人是個(gè)“熟練工”，可它出不出洋相取決于之前人類“教沒(méi)教過(guò)”，要是題目超綱，那可就是人類的不懂事兒了。

你得先把人類看不上的常識(shí)裝進(jìn)機(jī)器人的大腦

人類孩童在成長(zhǎng)過(guò)程中會(huì)逐漸編織好一張致密的常識(shí)網(wǎng)絡(luò)。然而，機(jī)器人每一次與物理世界的接觸，都要重新建構(gòu)一條統(tǒng)計(jì)學(xué)邏輯鏈。

打個(gè)比方，機(jī)器人很像一個(gè)討巧的“考試型”學(xué)生。它一般在上場(chǎng)前得臨陣磨槍一番。真正阻礙它成為“全科通才”的原因是，訓(xùn)練數(shù)據(jù)的稀缺和匱乏。

目前訓(xùn)練機(jī)器人，主要靠仿真和遙操作真機(jī)采集兩種方式得來(lái)的數(shù)據(jù)。但是它們各自面臨困境。仿真環(huán)境的物理引擎往往過(guò)于“潔癖”，難以完美復(fù)刻現(xiàn)實(shí)中復(fù)雜的摩擦力、物體的形變或是光影的亂跳。用于訓(xùn)練真實(shí)場(chǎng)景里的機(jī)器人，仿真數(shù)據(jù)得做合格篩選。真機(jī)采集固然真實(shí)，卻面臨擴(kuò)展性瓶頸，每一秒人類操作員的示范都意味著實(shí)打?qū)嵉臋C(jī)械投入和損耗。

于是從去年起，國(guó)內(nèi)外的一些公司開(kāi)始探討其他數(shù)據(jù)采集策略。

今年2月英偉達(dá)發(fā)布構(gòu)建了名為 DreamDojo-HV（Human Videos）的數(shù)據(jù)集，包含44711小時(shí)的第一人稱視角視頻。特斯拉在去年 5 月也稱正在把 Optimus 的訓(xùn)練從傳統(tǒng)的動(dòng)作捕捉和遙操作轉(zhuǎn)向純視覺(jué)的視頻學(xué)習(xí)，當(dāng)前也聚焦在第一視角。深度機(jī)智也在去年發(fā)布論文成果，他們構(gòu)建了人類第一視角視頻的數(shù)據(jù)集，并在此基礎(chǔ)上訓(xùn)練了一個(gè)具身大腦，PhysBrain。

深度機(jī)智數(shù)采設(shè)備

國(guó)內(nèi)外的團(tuán)隊(duì)目標(biāo)大致相同，訓(xùn)練機(jī)器人“學(xué)會(huì)”如人類一般對(duì)物理世界進(jìn)行理解和交互，以此獲得物理智能和泛化能力的提升。

在語(yǔ)言智能領(lǐng)域，Scaling Laws 已經(jīng)是一個(gè)被廣泛接受的共識(shí)。但是在機(jī)器人領(lǐng)域，這一規(guī)律一直未能建立。直到去年 11 月，Generalist AI（由前 DeepMind 高級(jí)研究員創(chuàng)辦）基于27萬(wàn)小時(shí)人類操作真實(shí)物理世界任務(wù)的視頻做預(yù)訓(xùn)練，在其機(jī)器人基礎(chǔ)模型 GEN-0 身上觀察到了可量化的 Scaling Law（擴(kuò)展定律）。

圖源 Generalist AI

從時(shí)間點(diǎn)上來(lái)看，甚至先于 Generalist AI 證明具身智能的 Scaling Law 更早，深度機(jī)智就篤定，人類數(shù)據(jù)在數(shù)據(jù)采集上最有可能規(guī)?；暗谝灰暯侵隆巴瑫r(shí)蘊(yùn)含最為直觀的物理直覺(jué)。

深度機(jī)智成立于去年5月，由北京中關(guān)村學(xué)院、中關(guān)村人工智能研究院共同孵化。創(chuàng)始人陳凱作為北京中關(guān)村學(xué)院導(dǎo)師，中關(guān)村人工智能研究院研究員，曾任微軟亞洲研究院首席研究員，一直深耕在人工智能前沿研究。

陳凱與公司 CEO 張翼博同為中科大少年班學(xué)院校友，也是大學(xué)室友。張翼博是AI for Science領(lǐng)域?qū)＜?，其一作研究成果曾被Nature子刊錄用，并被中科院首頁(yè)報(bào)道，在基礎(chǔ)科學(xué)與人工智能交叉領(lǐng)域有著深厚積累。

2024年，由于智能眼鏡等AI硬件的密集入場(chǎng)，讓陳凱敏銳捕捉到人類第一視角數(shù)據(jù)將迎來(lái)爆發(fā)，于是下場(chǎng)創(chuàng)業(yè)。

今天無(wú)論是英偉達(dá)、特斯拉，F(xiàn)igure AI 這些耳熟能詳?shù)拿郑蛘邍?guó)內(nèi)外的新起之秀，越來(lái)越多押注到“用人類數(shù)據(jù)去增強(qiáng)模型的物理直覺(jué)”這條數(shù)據(jù)策略。這驗(yàn)證了深度機(jī)智的判斷正確。

如何將物理常識(shí)提取，結(jié)構(gòu)成機(jī)器能讀懂的形式？“數(shù)據(jù)標(biāo)注”是深度機(jī)智自研的數(shù)據(jù)處理管線中最為關(guān)鍵的一環(huán)。例如一個(gè)拿蘋(píng)果的動(dòng)作會(huì)被拆解成時(shí)間關(guān)系、空間關(guān)系、物體屬性、力學(xué)信息、目的推理、動(dòng)作總結(jié)、軌跡描述這些7個(gè)維度。

那么模型因此“理解”物理世界了嗎？

他們觀察到了一個(gè)有意思的現(xiàn)象，在一個(gè)胡蘿卜抓取任務(wù)中自發(fā)“涌現(xiàn)”出變通與糾錯(cuò)的能力。（在微調(diào)數(shù)據(jù)全是夾取成功案例的情況下），機(jī)械臂在觸碰到胡蘿卜時(shí)，自發(fā)了“推”的動(dòng)作，試圖把胡蘿卜推進(jìn)盤(pán)子，推了兩次，但嘗試無(wú)果，最后還是通過(guò)夾取完成了任務(wù)。

“預(yù)編程都搞不出這種靈活性”，陳凱說(shuō)道。

頭腦發(fā)達(dá)，四肢才不簡(jiǎn)單

這兩年的機(jī)器人，但凡外形能看出來(lái)像個(gè)人，你會(huì)發(fā)現(xiàn)它們下肢的運(yùn)動(dòng)表現(xiàn)遠(yuǎn)遠(yuǎn)好于上肢”。但是無(wú)論機(jī)器人是進(jìn)工廠還是養(yǎng)老院，它們必須依靠上肢勞作——我們生活的日常環(huán)境，至少是現(xiàn)在，都是為了“人”設(shè)計(jì)。

“機(jī)器人必須像人嗎？”關(guān)于這個(gè)疑問(wèn)有林林總總的討論?！安槐匾?，答案來(lái)自構(gòu)型千奇百怪的機(jī)器“人”，它們針對(duì)特定場(chǎng)景任務(wù)的效率提升被開(kāi)發(fā)出來(lái)。陳凱認(rèn)為，當(dāng)機(jī)器人大腦（也就是基座模型）足夠聰明之后，任何長(zhǎng)尾狀況便能靠它自身的泛化能力去解決。至少，這為還在“循序漸進(jìn)”一個(gè)個(gè)解鎖任務(wù)的機(jī)器人，提供了另一個(gè)“進(jìn)化思路”。

在今天的中關(guān)村論壇上，深度機(jī)智將其新訓(xùn)練出的基座模型 PhysBrain 開(kāi)源。行業(yè)做法只是開(kāi)源模型，但是此次深度機(jī)智也將數(shù)據(jù)集一并開(kāi)源，并公布了模型架構(gòu)和訓(xùn)練方法。

傳統(tǒng) VLA 訓(xùn)練有個(gè)問(wèn)題，具體任務(wù)微調(diào)會(huì)導(dǎo)致模型通用性變差。當(dāng)基座模型不夠聰明，而又過(guò)于追求某個(gè)任務(wù)的成功率，調(diào)整神經(jīng)元權(quán)重會(huì)導(dǎo)致壞結(jié)果，模型的特征表示從“理解物理世界”坍縮到了“記憶這幾個(gè)動(dòng)作序列”。深度機(jī)智設(shè)計(jì)了全新 TwinBrainVLA “雙腦融合” 架構(gòu)，用大白話說(shuō)就是，左（理解世界）右（感知和執(zhí)行）腦各干各的，必要時(shí)再通個(gè)氣兒。

自動(dòng)駕駛“抬頭”錯(cuò)以為黃燈是月亮，機(jī)器人一看到毛茸茸就以為是軟的。也就是說(shuō)，如果數(shù)據(jù)中存在一些“非本質(zhì)”的規(guī)律，機(jī)器人會(huì)迅速將其視為真理，跳過(guò)理解物理規(guī)律和操作邏輯。這也稱為，“視覺(jué)捷徑”。

視覺(jué)捷徑不僅讓機(jī)器人更迷糊，也更“偷懶”了。一旦把它常見(jiàn)的藍(lán)杯子換成紅的，就不“認(rèn)識(shí)”杯子了。還有，機(jī)器人經(jīng)常跳過(guò)語(yǔ)言指令，過(guò)于依靠視覺(jué)畫(huà)面做動(dòng)作，可一旦視覺(jué)畫(huà)面嘈雜起來(lái)，它可能會(huì)將無(wú)關(guān)像素的移動(dòng)與自己的任務(wù)關(guān)聯(lián)起來(lái)。

因此他們同時(shí)在模型訓(xùn)練中創(chuàng)新性加入 LangForce 策略，打破“視覺(jué)捷徑”，模型不是“偷懶”不聽(tīng)指令嗎？LangForce 將聽(tīng)話和不聽(tīng)話的結(jié)果對(duì)比展示出來(lái)，并強(qiáng)制模型“聽(tīng)指令”后才執(zhí)行。

以 PhysBrain 為基座、TwinBrainVLA 為架構(gòu)、LangForce 為策略，PhysBrain 1.0 模型僅用千小時(shí)公開(kāi)的人類數(shù)據(jù)就在最新的 SimplerEnv 測(cè)試中，跑出了 80.2% 的平均成功率，超越了行業(yè)標(biāo)桿 Pi0.5 （ 57.1%），達(dá)到行業(yè)SOTA。而傳統(tǒng) VLA 想要達(dá)到如此性能跨越需要用數(shù)萬(wàn)小時(shí)真機(jī)數(shù)據(jù)的堆砌。同時(shí)在 RoboCasa 等國(guó)際權(quán)威測(cè)試中也登頂。

深度機(jī)智也首次對(duì)外展示了一臺(tái)全尺寸工業(yè)級(jí)擬人體機(jī)器人Prime。因?yàn)橐婚_(kāi)始對(duì)具身智能“通用性”的判斷和篤定，手部具備20個(gè)自由度，能實(shí)現(xiàn)毫米級(jí)精細(xì)化操作。

如果這兩年你參觀過(guò)大大小小的機(jī)器人展會(huì)，不免嘲笑過(guò)那些“累癱了”（續(xù)航和散熱跟不上高頻率的動(dòng)作幅度）的硅基生物。

值得一提的是，團(tuán)隊(duì)設(shè)計(jì) Prime 時(shí)在關(guān)鍵的關(guān)節(jié)處引入了工業(yè)機(jī)型常用的自鎖設(shè)計(jì)，讓機(jī)器人實(shí)現(xiàn)不通電站立。好處是降低功耗，拉長(zhǎng)機(jī)器人真正作業(yè)的時(shí)間。

圖說(shuō)，機(jī)器人實(shí)際作業(yè)時(shí)，高負(fù)載下的姿態(tài)保持往往比動(dòng)態(tài)運(yùn)動(dòng)更具挑戰(zhàn)，因?yàn)橥姰a(chǎn)生扭矩以抵消重力負(fù)載時(shí)，電能并未轉(zhuǎn)化為機(jī)械動(dòng)能，而是幾乎全部轉(zhuǎn)化為熱能，耗電同時(shí)更會(huì)導(dǎo)致電機(jī)過(guò)熱，造成系統(tǒng)失穩(wěn)

在擁有了擬人的大腦和身軀之后，這下好了，就連人類假裝上班這一招兒，也是被它們學(xué)去了。

作者：馬文

編輯：普通醬

配圖無(wú)特殊說(shuō)明都來(lái)自深度機(jī)智

點(diǎn)個(gè)“小愛(ài)心”吧