金枝欲孽2

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 |     《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。         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。    　　讯 8月25日，由中共中央对外联络部和美国亚洲协会共同主办的第三届中美1.5轨对话在北京举行，主题为“建设性战略稳定——新时代中美务实合作”。中联部部长刘海星出席并发表主旨讲话。中方有关部门、地方政府、智库、高校以及美国亚洲协会董事会共同主席桑顿等美战略界、工商界人士约40名中外代表参加。　　双方进行坦诚、深入、建设性交流，认为中美关系至关重要，当前两国关系正处于重要节点。双方应共同落实好两国元首达成的重要共识，立足中美建设性战略稳定关系新定位，加强沟通对话，增进政治互信，促进经贸、人文、地方、医疗、人工智能、粮食安全等领域交流合作，妥善处理分歧，共同应对全球性挑战。版权申明：凡注有“”或电头为“”的稿件，均为独家版权所有，未经许可不得转载或镜像；授权转载必须注明来源为“”，并保留“”的电头。    。         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。         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。         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。         此次WAIC，跨维智能发布并开源Aligned DexWorld。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。         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。         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。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。

B |          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。

C | 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。         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。         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。         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。

D |          高层模型的任务规划无法直接转化为连续的关节动作。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。

E | 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。

F |          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。         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。

G |          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。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。

H |          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。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。

I |          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。

J | 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。

K |          （科创板日报记者 杨小小）。

Current article:http://www.rangnehongranlinren.bond/6t99xft/q0mx6hm.doc

Published on:01:55:35