中国梦之声

WAIC观察：具身智能“深圳军团”，补齐人形机器人落地关键中间层_我的网站

A |     一位曾在Rockstar Games任职的资深开发者认为，近期大规模泄露的《GTA 6》片段不过是"小题大做"，因为绝大多数最终购买并游玩这款作品的玩家，并不会像部分网友那样在网上疯狂搜寻这些泄露的两分钟短视频。

B |     《科创板日报》7月20日讯（记者 杨小小）人形机器人要加快实现应用落地，无疑已成为行业内外的普遍共识。

C |          围绕这一目标展开的人形机器人“大脑”能力补强，也已经持续了一段时间。过去一周，一位网名为Cyberleek的黑客持续在网上泄露《GTA 6》的开发片段，据称其目的是推广自己的加密货币项目，并向Rockstar Games施压以保护玩家数字权利。母公司Take-Two对此显然高度重视，但曾在《GTA 4》等作品中担任技术总监的Obbe Vermeij却给出了截然不同的判断。    "大家都冷静点，"他在社交媒体上发文称，"这些泄露根本没什么大不了的。"Vermeij解释道，Rockstar对其旗舰作品的保密周期"比其他发行商更长"，这本身就是一种营销策略——神秘感制造热度。         但在这个过程中，行业逐渐发现，机器人拥有理解和决策能力，并不等于已经掌握了可执行的技能，从认知到动作之间，还需要完成动作策略生成、本体适配和反馈修正等重要环节。

D | 而"现在发生的不过是一些片段外泄罢了"。         在今年的世界人工智能大会上，具身智能“深圳军团”不约而同地都在朝这个方向进行能力展出，试图缩短模型能力到真机执行的链路。

E | 他表示，如果《GTA 6》已经按照常规营销节奏发布了实机预告片，那这些泄露在大局上根本算不上什么新内容。

F | "90%的未来玩家不会花时间在网上搜寻视频片段，"Vermeij继续说道，"他们既没时间，也不想被剧透。

G | 我猜想开发团队对此可能有点恼火，但也仅此而已。         从数据到动作策略          跨维智能将这段距离进一步前移到了模型训练的数据端。"他以自己亲历的"热咖啡"（Hot Coffee）事件作对比——该事件涉及《GTA：圣安地列斯》中意外遗留的成人小游戏代码。         此次WAIC，跨维智能发布并开源Aligned DexWorld。"那件事对管理层（Rockstar纽约办公室）来说是噩梦，但对我们（Rockstar North）影响不大。

H | 当前的泄露远比'热咖啡'事件的后果轻微。

I | 《GTA 6》看起来将会非常出色，未来15年左右都会持续热销。据公司介绍，该数据集试图将真人示教、真机遥操和仿真合成等不同来源的数据，在统一的三维物理空间和时间序列中完成对齐。

J |          它所针对的是具身智能训练数据的异构问题：不同来源的数据在视角、本体构型和动作空间上存在差异，单纯“堆数据”并不必然提升模型效果，未经对齐的混合训练甚至可能产生负迁移。这些泄露不过是一个微不足道的小插曲。         在数据对齐之外，跨维智能还首次展示了仿真引擎DexVerse的生成式仿真能力，通过持续生成不同的物体姿态、场景布局和交互任务，为世界模型提供更多样化的训练数据。"不过情况也有微妙变化。就在几天前，Cyberleek发布的片段暗示其手中握有实际可玩的游戏版本，一旦该版本被完整放出，事态可能会变得复杂。按照公司的技术路径，Aligned DexWorld解决的是不同数据能否被模型共同学习，DexVerse则负责扩展模型可以学习的物理场景。

K | 对此Vermeij表示，该版本"很可能只能在开发套件上运行"，因为开发机的内存容量远超普通Xbox、PlayStation或PC："目前很可能根本不存在能在零售版PS5上运行的构建版本。         现场展出的手机装盒和商超扫码Demo，进一步呈现了上述技术链路在真机执行端的效果。

L | 手机装盒机器人需要连续完成取盒、放机、对位和合盖，并在物料偏移、漏抓等情况下重新规划动作；商超扫码机器人则要适应不同瓶型和随机摆放姿态，完成抓取、扶正、扫码及放置，并通过视觉信号判断扫码是否成功。"     本文由游民星空制作发布，未经允许禁止转载。         也就是说，跨维智能试图补上的，是从模型能力到真机执行的上游基础：先让不同来源的数据说同一种物理语言，再让模型学到的能力更顺畅地迁移至真机。更多相关资讯请关注：GTA6专区。

M |          如果说跨维智能试图让模型从训练阶段开始，更准确地理解物理世界中的动作，智平方进一步关注的，则是模型理解任务后，如何将认知、协调和执行串成闭环。

N |          智平方这次WAIC带来了搭载NeuroVLA类脑大模型的AlphaBot 2。         按照公司的设计，NeuroVLA将机器人控制体系分为“皮层-小脑-脊髓”三个层次：皮层负责语义理解和任务规划，小脑负责高频运动协调与动态修正，脊髓则负责毫秒级运动执行和安全反射。

o |          高层模型的任务规划无法直接转化为连续的关节动作。

p | 机器人还需在执行中持续感知环境和自身状态，在目标变化或动作失败时动态调整，并维持长流程任务的时序信息。智平方强调的主动感知、故障自恢复和时序记忆，就是为了打通这些环节。         在WAIC展示的PCB上下料任务中，AlphaBot 2需要面对不同型号、尺寸的PCB，以及透明、反光托盘，连续完成托盘取料、上下料、移动运输和双臂协同等动作。相比完成一次固定抓取，这类任务更考验感知、任务规划、动态修正以及运动执行之间能否形成闭环。         从动作策略到真机执行          模型形成动作策略之后，还需要经过具体场景和机器人本体的适配。         乐聚机器人试图通过后训练，补上通用模型与具体岗位技能之间的距离。作为以本体和运动控制见长的人形机器人企业，在路径上，乐聚没有选择从头训练通用具身基模，而是由上游模型企业完成通用大脑的预训练，再结合自身机器人本体和工业场景开展垂域后训练、本体适配和真机评测。         乐聚机器人技术负责人王强对《科创板日报》记者表示，这一过程可以类比为是给机器人开设“技校”：基础模型解决认知广度，后训练则让机器人围绕具体岗位学习技能。

q |          以快递分拣为例，蚂蚁灵波的LingBot-VLA 2.0已经通过预训练掌握识别物体、理解指令和基础抓放等能力；乐聚进一步采集300条任务数据进行后训练，让模型学习不同包裹在具体环境中的识别、抓取与分类方法，并将其部署至夸父机器人完成真机任务闭环。         据悉，乐聚目前已将数据处理、代码适配、模型后训练和真机部署测试等流程封装为后训练工具链。         此次WAIC，乐聚展示的纸箱拆垛、塑料箱拆垛和小件上料，也对应了这套转化路径。

r | 乐聚方面人士对记者表示，在展会期间，夸父机器人连续三天每天接近10小时不间断完成了纸箱拆垛等任务，机器稳定性出现了初步的量变突破。         逐际动力则把认知到执行的链路进一步拆分为Sys2认知层、Sys1技能层和Sys0运控层。认知层负责理解任务和作出决策，技能层承接具体能力，运控层则负责将其落实为本体动作。         逐际动力此次展示的Oli机器人搭载COSA人形大脑系统和WBT全身运动基础模型。其中，WBT能够实时追踪机器人全身关节，并在动作执行过程中维持平衡。现场动捕演员连续完成深蹲、太极和舞蹈等动作，Oli则进行实时复现。

s | 与单个预设动作相比，这一演示更侧重展示长程动作如何被映射至机器人本体并稳定执行。

t |          在操作端，逐际动力还展示了搭载COSA系统的TRON2双臂机器人。现场，TRON2通过视觉感知和语音交互，自主抓取糖果并递送给用户，呈现出机器人从感知、技能生成到底层执行之间的衔接。         可以看到，随着人形机器人产业的可见度不断提升，行业内外的期待也在持续拉高。

u | 人形机器人企业的展示无疑都在试图回应同一个问题：如何在技术路径尚未完全收敛的情况下，跨过实用性的门槛。         但WAIC的演示仍不同于规模化应用。人形机器人面对新任务需要多少数据、训练和适配周期多长，技能能否跨本体、跨场景复用，以及在长期运行中能否保持稳定，仍需更多真实项目验证。         （科创板日报记者 杨小小）。

Current article:http://shhtpi.guaxiazaopinduan.cfd/4xz/pi7.html

Published on:07:08:40