|
■目前，多数机器人还停留在“一机一脑”，本体和场景变了，就得重新采集数据甚至从头训练。业内普遍认为，具身智能的下半场，要看谁能拿出一套通用可迭代的具身大脑 本报记者 查睿 一扇不透明的门后，蹲着一只猫。 对数字世界里的AI来说，这只猫的存在早已写进代码，是看得见的。但从机器人的物理视觉来看，门背后的猫是看不见的，甚至是“不存在的”。 这便是具身智能时代的“薛定谔的猫”。上海蚂蚁灵波首席科学家沈宇军用“开门见猫”的例子，道破具身智能与数字AI的区别。 2026世界人工智能大会期间，“具身智能”已成为场馆内最炙手可热的标签，聚集了超200家企业参展，大家在不同的技术路线“非共识”中找出具身智能突破的最大公约数。 从“身体”转向“大脑” 过去两三年，机器人本体进步飞快，能走会跳，但行业重点正从“身体”转向“大脑”。 目前，多数机器人还停留在“一机一脑”，本体和场景变了，就得重新采集数据甚至从头训练。业内普遍认为，具身智能的下半场，要看谁能拿出一套通用可迭代的具身大脑。 不过，具身智能行业仍处于早期阶段，大脑的技术路线尚未收敛。行业主流的技术路线分为两派：一种是“视觉—语言—动作”（VLA），机器人把看到的多模态内容转变成文字，再通过理解文字转化成动作执行；另一种是“视觉—动作”（VA），机器人直接理解多模态内容，并直接预判下一步的动作，省去了中间的文字转换环节。 VLA路线成熟，多模态理解语言精准，且推理算力较少，商用成本更低，但在预测方面有欠缺，不利于机器人在真实世界干活。“比如，看到一只杯子被放在桌子边缘，人类会预料到杯子可能摔下来，但很多机器人不会。”沈宇军表示，今年，蚂蚁灵波发布并迭代VA模型，补充了动态建模功能，让模型对未来“心里有数”。 那么，VA是不是具身大脑的终点？沈宇军并不十分肯定，“两条路线不一定非此即彼，未来可能会有把VA和VLA结合到一起的更好的模型，但如何结合，还在探索之中。”智元联合创始人、总裁兼首席技术官彭志辉也有同感：“目前，行业对具身大脑的技术路径尚未收敛，两三年可能就会出现新架构，很难预判技术的唯一答案。” 在数据中找平衡 具身智能需要抓取、搬运、装配、力控、视觉感知这类真实交互数据，数据短缺，已成行业规模化的最大瓶颈之一。 具身数据主要分为两类：真机数据采集价格贵但贴近真实，仿真数据便宜但泛化性低，而且与物理世界有差距。 为了解决真机数据采集难题，上海觅蜂科技推出无本体采集硬件MEgo系列，通过头戴与腕部双视角设备和二指夹爪，实现“随行即采”，普通人即可完成高质量数据采集。按照规划，觅蜂将在今年实现千万小时级数据产能，2030年冲刺百亿小时数据体量，补齐具身智能产业的数据基建短板。 但真机数据也有软肋。上海松应科技创始人聂凯旋算过一笔账：机械臂每抓一次都有磨损，一次有效交互数据成本超2元。更头疼的是长尾场景数据极度匮乏，比如，金属高光反射、异形件意外跌落、零部件公差累积等场景出现概率小于1%，真机采集几乎无法捕捉，具身模型就会卡在“1%”的小概率事件中。 为此，松应科技引入一套混合体系，其中包含10%真机数据、80%仿真合成数据和10%微调数据。结果显示，仿真合成数据成本降低90%，单条有效交互数据成本降至0.2元以下。此外，模拟环境到现实世界（Sim2Real）迁移成功率提升至85%，长尾场景覆盖率达99%，就连产线试错风险也随之降低70%。 开源凝聚产业共识 无论是数据还是模型，具身智能仍存在大量的“非共识”。为了更快凝聚产业共识，开源正在成为行业主流选择。 今年，智元推出人工智能机器架构（AIMA）开源生态技术体系，同期启动20亿元的“元苼”生态发展计划支持开发者。蚂蚁灵波也宣布新一代具身基座模型LingBot-VLA 2.0全面开源，预训练数据集总量达6万小时。 不仅是模型开源，本体与模型的合作也在加速。傅利叶与世界模型极佳视界按“本体+模型+数据平台”一体化思路联手，共建面向真实世界的“具身操作大脑”，将落地场景拓展至康养、医疗、生产、服务、教学、实训、科研等领域。 蚂蚁灵波最新模型也适配乐聚、智元、宇树、银河通用等机器人厂商的20余种机器人构型。“在预训练阶段，我们就‘喂饱’了数据，机器人本体在后训练阶段的成本可以显著减少，普通开发者的试错成本也随之降低。”蚂蚁灵波CEO朱兴表示。 |