夢(mèng)瑤 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

問(wèn)：老了以后誰(shuí)給你養(yǎng)老？答：機(jī)器人?。。?！

原本，這只是網(wǎng)友們拿來(lái)應(yīng)對(duì)家長(zhǎng)催婚的擺爛式回答，誰(shuí)成想，這下真·魔幻照進(jìn)現(xiàn)實(shí)了……

因?yàn)槁铩茉?strong>真實(shí)家庭場(chǎng)景24小時(shí)在崗，持續(xù)理解世界并不斷自我進(jìn)化的機(jī)器人大腦，這回真的來(lái)了。（驚呆.jpg）

就在剛剛，自變量機(jī)器人發(fā)布了全球首個(gè)世界統(tǒng)一模型架構(gòu)的具身智能基礎(chǔ)模型：WALL-B。

AI生成

基于世界統(tǒng)一模型，WALL-B解決了傳統(tǒng)VLA架構(gòu)在模塊間數(shù)據(jù)搬運(yùn)上的bug點(diǎn)——

在極低數(shù)據(jù)消耗下，把視覺(jué)、聽(tīng)覺(jué)、語(yǔ)言、觸覺(jué)模塊全面打通，讓機(jī)器人不僅具備原生多模態(tài)能力，也開(kāi)始真正理解物理世界的規(guī)律。

不僅如此，WALL-B還讓機(jī)器人擁有了更強(qiáng)的自主預(yù)測(cè)、零樣本泛化以及在真實(shí)環(huán)境中持續(xù)生存的能力——

很多過(guò)去在家庭場(chǎng)景里需要人反復(fù)示范、手把手教的活兒，如今機(jī)器人已經(jīng)可以《干中學(xué)》，真·越干越聰明。

這下好了，機(jī)器人成為家庭成員這事兒，這回真指日可待了？？？

首個(gè)世界統(tǒng)一模型，來(lái)了！

鏡頭前面耍大刀，左腳雞毛腿，右手出硬拳！

這兩年，鏡頭里的小機(jī)器人一個(gè)比一個(gè)會(huì)整活兒，隨便拎出來(lái)一個(gè)，都挺像那么回事？？？

而這一波「機(jī)器人突然變能干了」的背后，靠的正是過(guò)去兩年行業(yè)最主流的一條技術(shù)路線——VLA架構(gòu)。

也就是把視覺(jué)、語(yǔ)言和動(dòng)作連起來(lái)，讓機(jī)器人從過(guò)去只會(huì)執(zhí)行單一動(dòng)作，進(jìn)化到能看、能聽(tīng)、能跟著指令干活。

但，熱鬧歸熱鬧，一個(gè)行業(yè)里越來(lái)越藏不住的現(xiàn)實(shí)也擺在眼前——

VLA確實(shí)很擅長(zhǎng)讓機(jī)器人學(xué)會(huì)照著做，但一旦涉及對(duì)物理世界的理解，尤其是在家庭這種充滿隨機(jī)和未知情況的環(huán)境中執(zhí)行任務(wù)時(shí)，就不太ok了…

更麻煩的是，傳統(tǒng)VLA內(nèi)部很多時(shí)候還是「分頭干活」的路子。

視覺(jué)管看，語(yǔ)言管理解，動(dòng)作管執(zhí)行，模塊之間數(shù)據(jù)來(lái)回倒騰，每傳一次就損耗一次，信息越傳越少，以至于機(jī)器人在執(zhí)行時(shí)的判斷也來(lái)越不準(zhǔn)確……

而WALL-B走的，恰恰是另一條相反的路徑——

基于世界統(tǒng)一模型，把視覺(jué)、聽(tīng)覺(jué)、語(yǔ)言、觸覺(jué)模塊全面打通，讓機(jī)器人擁有一套具備「原生多模態(tài)」「世界觀」「與世界交互」能力的大腦。

從看見(jiàn)到理解再到行動(dòng)，機(jī)器人這下也真正懂得物理世界，可以成為家庭的一員了。

世界統(tǒng)一模型：機(jī)器人也開(kāi)始像人一樣理解世界了

大家有沒(méi)有思考過(guò)一個(gè)問(wèn)題——為啥機(jī)器人很難像人一樣在真實(shí)世界里自然干活？

一層是對(duì)外部世界的預(yù)測(cè)能力，另一層是身體本身具備多模態(tài)協(xié)同能力，語(yǔ)言、聽(tīng)覺(jué)、視覺(jué)、動(dòng)作可以同時(shí)運(yùn)轉(zhuǎn)、彼此聯(lián)動(dòng)。

機(jī)器人難就難在這里。

它缺的從來(lái)不只是某一個(gè)單點(diǎn)能力，真正卡住它的，是感知、理解、預(yù)測(cè)、執(zhí)行這些環(huán)節(jié)很難像人一樣順暢連起來(lái)。

而世界統(tǒng)一模型要解決的，正是機(jī)器人大腦里長(zhǎng)期存在的大bug：那就是解決「模塊間數(shù)據(jù)搬運(yùn)」這個(gè)根本問(wèn)題。

這個(gè)思路和蘋(píng)果M1芯片的演變過(guò)程很類似。

在M1芯片前，CPU、NPU、GPU都是分開(kāi)的，三個(gè)芯片之間每搬一次就有一次延遲，每搬一次就有很多損耗。

后來(lái)蘋(píng)果干脆直接用統(tǒng)一內(nèi)存架構(gòu)，把不同計(jì)算單元放進(jìn)同一套共享體系里，數(shù)據(jù)流轉(zhuǎn)路徑大幅縮短，整機(jī)性能也因此上了一個(gè)level～

△AI生成

而在WALL-B身上，M1芯片這種打通模塊壁壘的能力，也被真正沉到了模型底層——

基于世界統(tǒng)一模型，WALL-B將機(jī)器人的視覺(jué)、聽(tīng)覺(jué)、語(yǔ)言、觸覺(jué)等能力放進(jìn)同一個(gè)網(wǎng)絡(luò)里進(jìn)行同步訓(xùn)練，讓各模塊分別工作走向整套系統(tǒng)協(xié)同運(yùn)轉(zhuǎn)。

而這套架構(gòu)為小機(jī)器人們帶來(lái)的第一個(gè)關(guān)鍵能力，就是「原生多模態(tài)」。

簡(jiǎn)單理解就是，解決「看見(jiàn)」和「行動(dòng)」之間的信息折損問(wèn)題，把視覺(jué)、語(yǔ)言、動(dòng)作、觸覺(jué)直接打通。

讓機(jī)器人能夠根據(jù)看到的畫(huà)面進(jìn)行直接反應(yīng)，哪怕面對(duì)門(mén)把手，它也能知道推門(mén)時(shí)應(yīng)該用多大的力度去推～

而這背后體現(xiàn)的，正是架構(gòu)本身的多模態(tài)輸入、多模態(tài)輸出能力，將感知與執(zhí)行真正連在一起，讓小機(jī)器人們能直接理解環(huán)境，也能直接生成行動(dòng)。

△AI生成

但是話又說(shuō)話來(lái)，小機(jī)器人們光是能看見(jiàn)、能動(dòng)作，其實(shí)還遠(yuǎn)遠(yuǎn)不夠。

事實(shí)上，到了真實(shí)家庭場(chǎng)景中，機(jī)器人要面對(duì)的從來(lái)都不是標(biāo)準(zhǔn)題，而是一堆隨時(shí)會(huì)冒出來(lái)的《臨場(chǎng)狀況》。

比如地上有一灘剛灑出來(lái)的水，但很多傳統(tǒng)基于VLA架構(gòu)的機(jī)器人面對(duì)這個(gè)場(chǎng)景，往往只能停留在看到了地面顏色不一樣。

即便識(shí)別出地上有水，也未必明白「滑」意味著風(fēng)險(xiǎn)，更不會(huì)主動(dòng)把這件事和繞行、清理、避險(xiǎn)這些動(dòng)作聯(lián)系起來(lái)。

而這也是世界統(tǒng)一模型賦予小機(jī)器人們的第二個(gè)能力，那就是讓機(jī)器人擁有自己的「世界觀」。

不只讓機(jī)器人看到世界，更開(kāi)始讓機(jī)器人讀懂世界，建立起對(duì)現(xiàn)實(shí)規(guī)律的判斷，理解物體背后的狀態(tài)、關(guān)系和后果。

△AI生成

但這還遠(yuǎn)遠(yuǎn)不夠。

因?yàn)橐屨嬲龣C(jī)器人理解世界，除了理解世界和原生多模態(tài)能力外，還有另一件事：經(jīng)驗(yàn)會(huì)不會(huì)被留下來(lái)。

但，這恰恰也是當(dāng)下很多VLA系統(tǒng)的一道檻——

它們可以完成任務(wù)，卻很難像人一樣在真實(shí)環(huán)境里邊做邊學(xué)、越做越熟，任務(wù)一失敗，小機(jī)器人就舉手投降……

而基于世界統(tǒng)一模型，WALL-B進(jìn)一步往前走了一步——它讓機(jī)器人擁有了「與世界交互」的能力。

也就是從實(shí)踐中不斷學(xué)習(xí)的能力，并且把成功的經(jīng)驗(yàn)更新到自己的模型參數(shù)里，下次遇到同樣的處境問(wèn)題時(shí)就知道怎么解決了，這樣模型就完成了一次進(jìn)化。

更關(guān)鍵的是，這種進(jìn)化并不依賴工程師反復(fù)回收數(shù)據(jù)、重新訓(xùn)練、重新部署，機(jī)器人直接就能在真實(shí)世界里通過(guò)不斷嘗試、不斷反饋、不斷修正，完成自我迭代。

（不是，怎么突然感覺(jué)好勵(lì)志?。?？）

能力躍遷：機(jī)器人也有“眼力見(jiàn)”了

其實(shí)說(shuō)到這兒，大家也確實(shí)感覺(jué)出基于世界統(tǒng)一模型的WALL-B模型，確實(shí)有「億點(diǎn)點(diǎn)」不一樣。

但是吧，在具體的任務(wù)執(zhí)行能力上，WALL-B能做的，還不止這億點(diǎn)點(diǎn)。

大家都知道，機(jī)器人想在物理世界里自主干活，首先得有一雙真正看得懂世界的眼睛。

對(duì)于傳統(tǒng)命令式或遙控式機(jī)器人來(lái)說(shuō)，它認(rèn)一個(gè)杯子，很多時(shí)候更像是在對(duì)答案，數(shù)據(jù)庫(kù)里見(jiàn)過(guò)這個(gè)，就知道這是杯子；換個(gè)樣子、換個(gè)擺法，它可能就有點(diǎn)懵了。

而WALL-B為機(jī)器人大腦補(bǔ)上的，是一套更接近人類認(rèn)知方式的「部件級(jí)理解」能力——

讓機(jī)器人不僅認(rèn)得這是杯子，還認(rèn)得它是什么材質(zhì)、把手朝哪邊、現(xiàn)在是什么狀態(tài)、應(yīng)該從哪里下手更合適。

讓機(jī)器人真正具備所見(jiàn)即所認(rèn)、觸類旁通的視覺(jué)理解的真本領(lǐng)。

△AI生成

不僅如此，這套架構(gòu)帶來(lái)的價(jià)值，還讓W(xué)ALL-B第一次具備了更接近生物體的「原生本體感」。

給友友簡(jiǎn)單解釋一下，就是機(jī)器人不用依賴大量外部傳感器反復(fù)確認(rèn)位置，就能知道自己的身體邊界和動(dòng)作范圍。

它天生就清楚自己有多高、多寬，手臂能伸到哪里，轉(zhuǎn)身會(huì)不會(huì)碰到東西，動(dòng)作該留出多少余量～

有朋友該說(shuō)了，讓機(jī)器人知道這些有啥用啊？（好問(wèn)題.jpg）

事實(shí)上，機(jī)器人要想在家庭這類復(fù)雜空間里穩(wěn)定工作，前提就是先對(duì)自己有足夠了解。

只有知道自己的身體結(jié)構(gòu)、運(yùn)動(dòng)極限和空間占位，它在拿取、移動(dòng)、轉(zhuǎn)身、避障時(shí)，動(dòng)作才會(huì)更自然也更穩(wěn)定?。?/p>

△AI生成

與此同時(shí)，基于世界統(tǒng)一模型，WALL-B還具備強(qiáng)大的「零樣本泛化能力」。

大白話說(shuō)就是，哪怕面對(duì)從沒(méi)見(jiàn)過(guò)的物體、場(chǎng)景和任務(wù)，機(jī)器人也不一定非要見(jiàn)過(guò)同款才能上手。

通過(guò)對(duì)物理世界的理解，機(jī)器人學(xué)到的已經(jīng)不只是某個(gè)具體案例，而是更底層的結(jié)構(gòu)關(guān)系、交互邏輯和操作規(guī)律。

既能理解環(huán)境，也能理解自己；既能執(zhí)行當(dāng)前任務(wù)，也能在與世界持續(xù)互動(dòng)中不斷調(diào)整和進(jìn)化。

作為中國(guó)首個(gè)基于世界統(tǒng)一模型的具身基礎(chǔ)模型，WALL-B打破了命令式機(jī)器人、遙控式機(jī)器人在真實(shí)家庭場(chǎng)景中依賴預(yù)設(shè)指令、難以應(yīng)對(duì)變化、缺乏自主處理能力的局限。

既為行業(yè)提供了可量化、可復(fù)制的系統(tǒng)能力參考，也為家庭服務(wù)和工業(yè)應(yīng)用場(chǎng)景的模型部署樹(shù)立了新的行業(yè)樣本。

從進(jìn)入家庭到自我進(jìn)化，數(shù)據(jù)飛輪開(kāi)始自轉(zhuǎn)

在具身智能行業(yè)，一個(gè)很難不承認(rèn)的事實(shí)是：最核心的資源并非算法本身，而是支撐算法持續(xù)進(jìn)化的高質(zhì)量訓(xùn)練數(shù)據(jù)。

其實(shí)這也是為啥很多看起來(lái)動(dòng)作很酷炫的機(jī)器人，一到真實(shí)場(chǎng)景里就容易《露怯》。

而問(wèn)題就出在數(shù)據(jù)源頭，當(dāng)前大多數(shù)機(jī)器人訓(xùn)練的數(shù)據(jù)都是「實(shí)驗(yàn)室數(shù)據(jù)」——

環(huán)境、任務(wù)都是可控且固定的，機(jī)器人幾乎也是在蜜罐里長(zhǎng)大的，糖水雖然甜，但并不會(huì)增強(qiáng)孩子本身的抵抗力。

自變量機(jī)器人為這類實(shí)驗(yàn)室數(shù)據(jù)起了一個(gè)非常有意思的名字，叫「糖水?dāng)?shù)據(jù)」。

對(duì)應(yīng)到機(jī)器人訓(xùn)練里，就是數(shù)據(jù)量大、足夠干凈、采集成本相對(duì)可控，模型也更容易快速學(xué)出一套標(biāo)準(zhǔn)動(dòng)作。

△AI生成

可問(wèn)題也很直接：機(jī)器人最終要面對(duì)的，從來(lái)都不是一間永遠(yuǎn)整齊、永遠(yuǎn)明亮、永遠(yuǎn)按腳本運(yùn)行的房間。

也正因如此，自變量還提出了另一組相對(duì)的概念，叫「牛奶數(shù)據(jù)」——也就是真實(shí)家庭場(chǎng)景里產(chǎn)生的數(shù)據(jù)。

牛奶數(shù)據(jù)更像是真正有營(yíng)養(yǎng)的日常飯，家庭環(huán)境雖然復(fù)雜、嘈雜、充滿變化，但訓(xùn)練價(jià)值也更高。

就比如同一個(gè)「拿杯子」的任務(wù)，放到100個(gè)家庭里，幾乎就會(huì)遇到100種擺放方式、100種干擾條件，對(duì)于機(jī)器人來(lái)說(shuō)每一次伸手，幾乎都像在面對(duì)一道新題……

當(dāng)然，牛奶數(shù)據(jù)也有一個(gè)行業(yè)都清楚的難點(diǎn)：太難采。

它沒(méi)法靠搭幾個(gè)標(biāo)準(zhǔn)場(chǎng)景批量復(fù)制，也沒(méi)法在封閉實(shí)驗(yàn)室里低成本生成，團(tuán)隊(duì)得把機(jī)器人真正帶進(jìn)家庭，一家一家去跑，一次一次去試，在真實(shí)使用中記錄動(dòng)作、失敗、修正和反饋。

但恰恰是這條最難走的路，才更接近做出「零樣本泛化」模型的答案。

△AI生成

結(jié)果您猜怎么著——自變量團(tuán)隊(duì)，真就把機(jī)器人帶進(jìn)了100個(gè)家庭里了。（好家伙.jpg）

當(dāng)機(jī)器人持續(xù)進(jìn)入真實(shí)家庭運(yùn)行之后，整個(gè)系統(tǒng)會(huì)逐步形成一個(gè)不斷自我強(qiáng)化的正向循環(huán)：

機(jī)器人在家庭里執(zhí)行任務(wù)，積累日常交互數(shù)據(jù)，這些數(shù)據(jù)反過(guò)來(lái)推動(dòng)模型繼續(xù)迭代，模型能力提升后，又能進(jìn)入更多家庭、承擔(dān)更多任務(wù)、采回更多高價(jià)值數(shù)據(jù)。

當(dāng)這個(gè)循環(huán)真正跑起來(lái)，數(shù)據(jù)就已經(jīng)不只是訓(xùn)練階段的一次性投入，而會(huì)變成模型持續(xù)成長(zhǎng)的燃料，變成系統(tǒng)能力不斷外溢的源頭，最終形成一個(gè)越轉(zhuǎn)越快、越轉(zhuǎn)越強(qiáng)的數(shù)據(jù)飛輪。

實(shí)驗(yàn)室數(shù)據(jù)幫機(jī)器人打基礎(chǔ)，真實(shí)家庭數(shù)據(jù)讓機(jī)器人開(kāi)始長(zhǎng)出「見(jiàn)過(guò)世面」的能力，而這也讓W(xué)ALL-B構(gòu)建起難以復(fù)刻的最高壁壘。

△AI生成

其實(shí)放眼整個(gè)具身智能賽道，行業(yè)最缺的從來(lái)都不是一兩個(gè)會(huì)翻跟頭、會(huì)做展示動(dòng)作的機(jī)器人。

真正稀缺的，是能夠在真實(shí)世界里持續(xù)學(xué)習(xí)、持續(xù)適應(yīng)、持續(xù)進(jìn)化的系統(tǒng)能力。

從這個(gè)意義上看，WALL-B的價(jià)值并不只是在于進(jìn)了100個(gè)家庭，也不只是在于采到了多少條真實(shí)數(shù)據(jù)，而是在于它率先驗(yàn)證了一條更接近終局的路徑——

讓機(jī)器人從實(shí)驗(yàn)室里學(xué)會(huì)動(dòng)作，再到真實(shí)家庭里學(xué)會(huì)生活；讓模型從被動(dòng)接受訓(xùn)練，逐步走向在真實(shí)世界中主動(dòng)完成進(jìn)化。

讓機(jī)器人真正融入家庭，這一次，想象成真了

說(shuō)實(shí)話，這兩年我們看到了太多在視頻里花樣演示的機(jī)器人——

翻跟頭、打拳跑跳，一個(gè)比一個(gè)熱鬧，但熱鬧歸熱鬧，很多能力依然停留在demo演示層面。

一旦離開(kāi)預(yù)設(shè)環(huán)境進(jìn)入真實(shí)世界，泛化能力、主動(dòng)性，以及對(duì)周圍環(huán)境的理解能力，往往還是差了一截。

這其實(shí)也解釋了，為什么很多人一提到家庭機(jī)器人，第一反應(yīng)往往還是有點(diǎn)模糊：它到底還能幫我們做什么？

我們習(xí)慣了它掃地、拖地，卻很少認(rèn)真想過(guò)，機(jī)器人有沒(méi)有可能進(jìn)一步接手那些生活里很細(xì)碎、很日常、甚至已經(jīng)被我們默只能自己做的小事。

△AI生成

理由很簡(jiǎn)單——家庭場(chǎng)景幾乎是機(jī)器人最難應(yīng)付、也最難偽裝的考場(chǎng)。

也正因如此，自變量選擇讓機(jī)器人真正入駐家庭這一步，才顯得格外有分量。

讓機(jī)器人真正走進(jìn)家庭、直接面對(duì)用戶，需要的從來(lái)不只是技術(shù)能力，還有把產(chǎn)品交給真實(shí)世界檢驗(yàn)的勇氣。

在與家庭成員持續(xù)交互的過(guò)程中，WALL-B能夠讓機(jī)器人逐漸理解生活節(jié)奏、習(xí)慣偏好，并把這些經(jīng)驗(yàn)沉淀為自己的能力。

這樣一來(lái)，機(jī)器人承擔(dān)的角色也在變，它開(kāi)始從一個(gè)執(zhí)行指令的設(shè)備，慢慢進(jìn)入家庭日常運(yùn)轉(zhuǎn)的內(nèi)部，成為更貼近生活的人力補(bǔ)充。

或許呢，我們可以把想象力再往外擴(kuò)展那么億點(diǎn)點(diǎn)——

沒(méi)準(zhǔn)過(guò)不了多久，在家政和養(yǎng)老這事兒上也能隨處可見(jiàn)小機(jī)器人的身影了～

隨著這些能力在真實(shí)場(chǎng)景中不斷沉淀，自變量機(jī)器人大腦也已然進(jìn)入全新階段。

而在這過(guò)程中，自變量機(jī)器人也讓整個(gè)行業(yè)第一次更清晰地看到，家庭場(chǎng)景并不是一個(gè)停留在想象里的終點(diǎn)，而是具身智能真正能夠訓(xùn)練能力、驗(yàn)證能力、放大能力的關(guān)鍵現(xiàn)場(chǎng)。

WALL-B帶著它那顆聰明的腦子在驗(yàn)證一種更接近未來(lái)的路徑，而自變量機(jī)器人也給整個(gè)具身智能行業(yè)提供了一個(gè)可參考、可觀察、也更有現(xiàn)實(shí)感的發(fā)展樣本。