“稚暉君”的機(jī)器人長(zhǎng)腦子了

　　3月10日，智元機(jī)器人聯(lián)合創(chuàng)始人稚暉君(彭志輝)在社交平臺(tái)公布其團(tuán)隊(duì)最新研究成果——首個(gè)通用具身基座模型：智元啟元大模型(Genie Operator-1，下文簡(jiǎn)稱 GO-1)。

　　這是全球第一個(gè)基于大規(guī)模、高質(zhì)量自有數(shù)據(jù)，基于自有機(jī)器人本體訓(xùn)練并部署的機(jī)器人基座模型。

　　11日，靈犀X2發(fā)布，這是可以支持高自由度能力且搭載情感計(jì)算引擎的機(jī)器人，不僅能回答稚暉君提出的各種問題，還可以精準(zhǔn)判斷晚上該喝牛奶還是咖啡。

　　業(yè)內(nèi)人士認(rèn)為，智元機(jī)器人在人形機(jī)器人領(lǐng)域即將迎來重大技術(shù)或產(chǎn)品突破。正如稚暉君在預(yù)熱視頻中所說：“我們不是在制造工具，而是在創(chuàng)造新物種。”

　　當(dāng)前機(jī)器人技術(shù)面臨很多困境，IDC中國(guó)研究經(jīng)理李君蘭接受DoNews采訪時(shí)談到，硬件維度的優(yōu)化、機(jī)器人行動(dòng)控制協(xié)調(diào)能力，以及場(chǎng)景遷移泛化、高計(jì)算資源消耗等等，都亟需一一解決。稚暉君的這個(gè)“新物種”，能成為機(jī)器人的對(duì)癥之藥嗎?

　　1、機(jī)器人即將擁有“人腦”

　　行業(yè)對(duì)于機(jī)器人寄予厚望，它們的外形不僅要像人，“大腦”也要像人腦一樣，具備學(xué)習(xí)思考的能力，要越學(xué)越聰明。

　　GO-1的作用就是幫助機(jī)器人大腦進(jìn)化，其開創(chuàng)提出了ViLLA架構(gòu)，該架構(gòu)由VLM(多模態(tài)大模型) + MoE(混合專家)組成。

　　VLM，借助海量互聯(lián)網(wǎng)圖文數(shù)據(jù)獲得通用場(chǎng)景感知和語言理解能力;

　　MoE，包括「隱式規(guī)劃器」和「動(dòng)作專家」。前者借助大量跨本體和人類操作視頻數(shù)據(jù)，獲得通用的動(dòng)作理解能力;后者借助百萬真機(jī)數(shù)據(jù)，獲得精細(xì)的動(dòng)作執(zhí)行能力。

　　簡(jiǎn)單理解就是，當(dāng)相機(jī)的視覺信號(hào)加上人類的語言指令，通過ViLLA框架，便能輸出機(jī)器人的動(dòng)作執(zhí)行。

　　具身智能模型的四類訓(xùn)練數(shù)據(jù) 圖源：智元機(jī)器人

　　從官方的解讀看，GO-1除了拓展機(jī)器人的運(yùn)動(dòng)能力，更重要的是加強(qiáng)了其AI能力，可以總結(jié)為幾大特點(diǎn)：

　　1、人類視頻學(xué)習(xí)，結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類示范進(jìn)行學(xué)習(xí)，增強(qiáng)模型對(duì)人類行為的理解(學(xué)習(xí)人類倒水，即使隨意移動(dòng)水杯位置)。

　　2、小樣本快速泛化 ：GO-1具有強(qiáng)大的泛化能力，使得后訓(xùn)練成本非常低，能夠在極少數(shù)據(jù)甚至零樣本下泛化到新場(chǎng)景、新任務(wù)(除了倒水，還能烤面包、抹果醬，這些是之前沒有學(xué)過的場(chǎng)景)。

　　圖源：智元

　　3、一腦多形 ：GO-1能夠在不同機(jī)器人形態(tài)之間遷移，快速適配到不同本體(多個(gè)機(jī)器人共同協(xié)作完成復(fù)雜任務(wù))。

　　4、持續(xù)進(jìn)化 ：GO-1搭配智元一整套數(shù)據(jù)回流系統(tǒng)，可以從實(shí)際執(zhí)行遇到的問題數(shù)據(jù)中持續(xù)進(jìn)化學(xué)習(xí)(對(duì)機(jī)器人放咖啡杯時(shí)出現(xiàn)的失誤進(jìn)行優(yōu)化)。

　　智元發(fā)布的實(shí)驗(yàn)數(shù)據(jù)顯示，相比已有的最優(yōu)模型，GO-1的平均成功率提從46%提升至78%。部分業(yè)內(nèi)人士認(rèn)為，GO-1的這個(gè)模型架構(gòu)很簡(jiǎn)單，創(chuàng)新之處并不多，主要是對(duì)已有工作、數(shù)據(jù)和訓(xùn)練方式做了大幅整合。

　　除了GO-1之外，智元還發(fā)布了機(jī)器人本體：靈犀 X2，它重達(dá)33.8千克，全身有28個(gè)自由度，沒有使用任何一個(gè)并聯(lián)結(jié)構(gòu)。

　　在視頻展示中，它能夠0幀起手快速讀取藥品說明書，可以駕駛滑板車和平衡車，還能用針縫葡萄。

　　它還很有人情味，在問它：“與狗落水先救誰” 的倫理問題時(shí)，也能給出符合人類價(jià)值觀的回答。

　　圖源：“稚暉君”微博

　　據(jù)彭志輝介紹，智元為靈犀X2開發(fā)出一套基于Diffusion(擴(kuò)散模型)的生成式動(dòng)作引擎。這使得機(jī)器人不僅四肢發(fā)達(dá)，頭腦也并不簡(jiǎn)單。隨著機(jī)器人具身大腦的持續(xù)迭代，未來智元會(huì)賦予機(jī)器人更多復(fù)雜作業(yè)的能力。

　　02、建廠訓(xùn)練，開源降本

　　過去一年，具身智能、人形機(jī)器人的關(guān)注度持續(xù)上升，但擺在從業(yè)者面前的困境卻是復(fù)雜又現(xiàn)實(shí)的。

　　機(jī)器人要想成功商業(yè)化，實(shí)訓(xùn)是最重要的一步，而獲取并訓(xùn)練真實(shí)場(chǎng)景內(nèi)的數(shù)據(jù)，通常是最困難的。

　　與大語言模型不同，機(jī)器人“大腦”的訓(xùn)練需要更多來自物理世界即真實(shí)世界動(dòng)態(tài)環(huán)境中的交互數(shù)據(jù)，且需要大量的設(shè)備、時(shí)間進(jìn)行采集。如何獲取、怎么獲取，以及對(duì)已有數(shù)據(jù)的標(biāo)準(zhǔn)化，成為人形機(jī)器人技術(shù)演進(jìn)路上的最大難題。

　　DoNews記者了解到，目前人形機(jī)器人獲取數(shù)據(jù)的方法，主要包括遙操作機(jī)器人數(shù)據(jù)、人類動(dòng)作捕捉數(shù)據(jù)、仿真合成數(shù)據(jù)以及一些特定的技術(shù)和框架。

　　圖源：DoNews整理

　　智元機(jī)器人是怎么解決數(shù)據(jù)問題的呢?他們選擇建廠實(shí)操。

　　在上海，智元建了一座“數(shù)據(jù)采集工廠”，占地約3000平米，里面分布著多個(gè)不同主題的房間，每個(gè)房間都還原了現(xiàn)實(shí)生活的物件布局，機(jī)器人就在當(dāng)中學(xué)習(xí)不同的技能：疊衣服、整理餐桌、打餐、掃碼收銀......

　　智元甚至為機(jī)器人安排了“一對(duì)一教學(xué)”，數(shù)據(jù)采集員手把手地控制機(jī)器人完成抓、握、放等動(dòng)作，以求更精準(zhǔn)地讓機(jī)器人模仿學(xué)習(xí)。每完成一個(gè)動(dòng)作，就相當(dāng)于收集了一條數(shù)據(jù)，智元據(jù)此進(jìn)一步訓(xùn)練機(jī)器人的大模型，這也是GO-1之所以推出的基礎(chǔ)底座。

　　2024年底，智元將數(shù)據(jù)集開源，這個(gè)AgiBot World(智元世界)匯集了百萬真實(shí)機(jī)器人的數(shù)據(jù)，復(fù)刻了家居、餐飲、工業(yè)、商超和辦公五大核心場(chǎng)景。部分業(yè)內(nèi)人士認(rèn)為，這不僅能降低訓(xùn)練成本，也會(huì)非常有利于行業(yè)統(tǒng)一標(biāo)準(zhǔn)，減少重復(fù)無用功。

　　開源是一種思路，但也不是說機(jī)器人企業(yè)都會(huì)選擇開源，宇樹機(jī)器人就一直保持不開源的發(fā)展策略，目前已經(jīng)成為全球機(jī)器人生產(chǎn)企業(yè)中的頂流。

　　說到底，核心的問題還是在于機(jī)器人能否滿足人們的要求。一位關(guān)注具身智能賽道的人向DoNew表示，數(shù)據(jù)集的推動(dòng)作用有多大，還需要在投入實(shí)際訓(xùn)練后再進(jìn)行判斷。

　　“人形機(jī)器人，本質(zhì)上就是要它要面對(duì)各種各樣的場(chǎng)景，最好是什么都能做。當(dāng)某個(gè)場(chǎng)景變了，機(jī)器人是不是依舊可以準(zhǔn)確做出判斷?比如倒水，我換一個(gè)場(chǎng)景，又要怎么抓?背后可能又需要幾萬甚至上億的數(shù)據(jù)。未來5到10年能不能滿足這個(gè)條件，現(xiàn)在還不好說。”

　　03、“好東西”能支撐未來嗎?

　　智元機(jī)器人之所以受到業(yè)內(nèi)如此高的關(guān)注，一大原因是創(chuàng)始人、CTO、首席架構(gòu)師「稚暉君」彭志輝。

　　彭志輝是B站“年度百大UP主”，還是華為的“天才少年”，得到過任正非的稱贊。

　　2022年12月，他在微博上正式宣布自己離開華為，去追求自己夢(mèng)想和熱愛的事業(yè)，“如果程序員是數(shù)字世界的上帝的話，那親手給機(jī)器人以身形，再用AI賦其靈魂，這就是真極客的浪漫啊!”

　　2023年，彭志輝創(chuàng)立智元機(jī)器人，僅用18個(gè)月完成從概念到量產(chǎn)的技術(shù)跨越。截止2025年3月，智元機(jī)器人至少完成了8輪融資(A輪)，發(fā)布了5款人形機(jī)器人，1000多臺(tái)產(chǎn)品在臨港新片區(qū)量產(chǎn)下線。

　　智元機(jī)器人再度將具身智能推向臺(tái)前，但也引發(fā)了相關(guān)思考。

　　首先是，大模型真的能完美賦能機(jī)器人嗎?智元官方稱，“對(duì)機(jī)器人公司來說，如果不做大模型，那是屬于沒有未來的機(jī)器人。”

　　但另一家頭部公司卻不這么看。去年8月，宇樹科技創(chuàng)始人王興興向媒體表示，具身智能大模型的研發(fā)太燒錢，而且技術(shù)路線目前仍不像大語言模型那么清晰，宇樹科技對(duì)此選擇謹(jǐn)慎投入。

　　目前的問題是，大預(yù)言模型都暫未解決「幻覺」問題，機(jī)器人又缺乏高質(zhì)量數(shù)據(jù)，能否做到零失誤?

　　據(jù)相關(guān)報(bào)道，許多機(jī)器人廠商在demo里展示某個(gè)動(dòng)作足夠酷炫，背后實(shí)則經(jīng)歷了一天的拍攝。2024年的機(jī)器人大會(huì)上，多個(gè)機(jī)器人在參展時(shí)就曾出現(xiàn)Bug、失誤的問題。比如完成一個(gè)只需要移動(dòng)20厘米的抓取動(dòng)作，需要近40秒，或者將炒好的菜在眾目睽睽之下倒在了桌子上。

　　再有就是商業(yè)化問題。落地能力是判斷一家機(jī)器人公司是否靠譜的重要指標(biāo)，智元機(jī)器人的商業(yè)模式只是初步得到驗(yàn)證，至于規(guī)�；瘮U(kuò)張、擴(kuò)大市場(chǎng)份額等前景還不明顯。

　　更需要重視的是隱私安全，GO-1里所謂人類視頻學(xué)習(xí)功能，會(huì)涉及到大量非授權(quán)數(shù)據(jù)采集。盡管智元承諾模糊人臉與敏感信息，但如何界定“合理使用”邊界仍是法律空白。

　　尾聲

　　從DeepSeek刷屏，到Manus突擊，再到機(jī)器人大模型，2025開局不到3個(gè)月，人們就被創(chuàng)新者們「激進(jìn)」的步伐一次次震撼。智元的“好東西”具體有多少落地的可能，我們暫時(shí)先打個(gè)問號(hào)，但有一點(diǎn)可以確定：AI就快要幫助人類做大事了。