传统的工业机器人，每一个动作都要由工程师事先编好程序，在固定的环境中重复固定的动作，环境稍有变化就无法应对。 人工智能领域有一个著名的"莫拉维克悖论"：对人… · @jhdxhl · TwKit

@jhdxhl

传统的工业机器人，每一个动作都要由工程师事先编好程序，在固定的环境中重复固定的动作，环境稍有变化就无法应对。 人工智能领域有一个著名的"莫拉维克悖论"：对人类来说很难的事情，比如下棋、做数学题，对计算机来说相对容易；对人类来说很容易的事情，比如走路、拿起一个杯子、叠衣服，对机器来说却极其困难。 近几年的新思路，是借鉴大模型的方法，训练"视觉-语言-动作"模型（VLA）。这种模型把摄像头看到的画面和人用语言下达的指令作为输入，直接输出机器人关节的动作。2023 年，谷歌 DeepMind 发布了 RT-2，是这类模型的早期代表。此后，美国初创公司 Physical Intelligence 发布了 π0 和 π0.5，谷歌 DeepMind 在 2025 年发布了 Gemini Robotics 系列，英伟达发布了面向人形机器人的开放模型 GR00T。Figure 公司也开发了自己的模型 Helix。 这些模型的最大瓶颈是数据。训练语言模型，可以利用互联网上海量的文字；但机器人的动作数据，几乎没有现成的。目前获取数据的主要方法有三种：一是由人远程操控机器人完成任务，记录下动作数据；二是在计算机的仿真环境中训练，再迁移到真实的机器人上；三是从人类的动作视频中学习。中国的很多地方都建立了专门的"数据采集训练场"，雇用操作员每天遥控机器人重复叠衣服、搬箱子等动作，收集训练数据。

曝光 62 · 评论 2 · 点赞 0 · 书签 0