机器人与世界交互的关键：模型的多模态能力

的模型的多模态能力，是机器人可以与世界交互的关键，我们能够从视频中展示中看到许多类似的瞬间，比如：

描述一下它的周围环境。

做出决定时使用常识推理。例如，「桌子上的盘子和杯子等餐具接下来很可能会进入晾衣架」。

将「我饿了」等模棱两可的高级请求转化为一些适合上下文的行为，例如「递给对方一个苹果」。

用简单的英语描述*为什么*它会执行特定的操作。例如，「这是我可以从桌子上为您提供的唯一可食用的物品」。

而模型能力的强大，使其还能够拥有短期记忆，比如视频中展示的「你能把它们放在那里吗？」「它们」指的是什么？「那里」又在哪里？正确回答需要反思记忆的能力。

而具体的双手动作，可以分成两步来理解：

首先，互联网预训练模型对图像和文本进行常识推理，以得出高级计划。如视频中展示的： 的人形机器人快速形成了两个计划：1）将杯子放在碗碟架上，2）将盘子放在碗碟架上。

其次，大模型以 200hz 的频率生成的 24-DOF 动作（手腕姿势和手指关节角度），充当高速「设定点（）」，供更高速率的全身控制器跟踪。全身控制器确保安全、稳定的动力，如保持平衡。

所有行为均由神经网络视觉运动 策略驱动，将像素直接映射到动作。

从 到 Sora，再到机器人， 想包揽「智能」这件事

2021 年夏天， 悄悄关闭了其机器人团队，当时， 曾宣布无限期终止对机器人领域的探索，原因是缺乏训练机器人使用人工智能移动和推理所需的数据，导致研发受到阻碍。

但显然， 并没有放下对这个领域的关注。

2023 年 3 月，正在一年前，极客公园报道了投资了来自挪威的机器人制造商 1X 。其副总裁正是我在文初提到的，认为具身智能将会突然到来的 Eric Jang。

而无独有偶，1X 的技术方向，也是端到端的神经网络对于机器人的控制。

而今年 3 月初，和其他投资人一起，参与了 的 B 轮融资，使其成立两年，就达到了 26 亿美金估值。

也正是在这一轮融资之后， 宣布了与 的合作。

的创始人 Brett ，是个「擅长组局」的连续创业者，整个职业生涯中创立过至少 7 家公司，其中一家以 27 亿美元的估值上市，一家被 1.1 亿美元的价格收购。

创建公司后，他招募到了研究科学家 Jerry Pratt 担任首席技术官，前波士顿动力/苹果工程师 Rose 担任机器人控制主管。此次进行分享的 AI 团队负责人 Corey Lynch，则原本是 的 AI 研究员。

宣布自己在电机、固件、热量、电子产品、中间件操作系统、电池系统、执行器传感器、机械与结构方面，都招募了硬核的设计人才。

公司的确进展很快。在与 合作之前，已经做出了不少成绩。2024 年 1 月， 01（ 的第一款人形机器人） 学会了做咖啡，公司称，这背后引入了端到端神经网络，机器人学会自己纠正错误，训练时长为 10 小时。

01 引入 AI 学会做咖啡 ｜ 图片来源：

2 月，公司对外展示 01 的最新进展，在视频里，这个机器人已经学会搬箱子，并运送到传送带上，但速度只有人类的 16.7%。

甚至在商业化上，也已经迈出了第一步： 宣布与宝马制造公司签署商业协议，将 AI 和机器人技术整合到汽车生产中，部署在宝马位于南卡罗来纳州斯巴达堡的制造工厂。

而在今天的视频展示推文中， 宣布其目标是训练一个世界模型，最终能够卖出十亿个级别的模型驱动的人形机器人。

不过，尽管 与 的合作进展顺畅，但看起来 并未把宝压在一家机器人公司。

北京时间 3 月 13 日，来自谷歌研究团队、加州大学伯克利分校、斯坦福大学教授等一群研究者新成立的一家机器人 AI 公司 ，被彭博社爆料也拿到了 的融资。

毫无意外，该公司，也是研究未来能够成为通用机器人系统的人工智能。

多头下注机器人领域，13 天合作做出领先的机器人大模型， 在机器人领域意图为何，引人关注。

智能人形机器人，未来不止看马斯克的了。