具身智能的白銀時代：深入探討

具身智能的白銀時代：深入探討

概述

本文深入探討了具身智能的現狀，並將其描述為一個「白銀時代」——一個技術從最初萌芽到完全成熟之間的密集探索階段。討論的核心圍繞著火山引擎FORCE大會上舉行的一場圓桌會議，來自各個領域的專家們齊聚一堂，共同探討大型模型在加速機器人技術發展方面的潛力。這場會議不僅匯集了業界的領軍人物，更揭示了當前具身智能領域所面臨的挑戰與機遇。

背景

大型人工智慧模型的快速發展，為機器人產業注入了大量的投資。然而，這種資金的湧入也帶來了市場過熱的風險。核心挑戰在於如何辨識技術及其應用方面的真正突破。這引發了一系列關鍵問題，例如：

• 重點應該放在強化學習還是模擬學習？ 這是目前機器人研究中一個重要的爭論點，不同的學習方法直接影響著機器人的學習效率和適應能力。
• 應該優先考慮模擬還是真實世界測試？ 模擬環境提供了成本效益高和可擴展的測試平台，而真實世界測試則能揭示機器人在實際應用中的挑戰。
• 應該強調視覺引擎還是物理引擎？ 視覺引擎負責機器人的感知能力，而物理引擎則負責模擬真實世界的物理交互，兩者都對機器人的性能至關重要。

圓桌會議參與者

本次圓桌會議匯聚了來自不同背景的專家，他們的多元視角為討論帶來了深度和廣度：

• 陳陽： 銀河通用機器人副總裁，擁有豐富的機器人產業經驗。
• 石凌翔： 火山引擎創新孵化負責人（主持人），引導了整個會議的討論方向。
• 吳迪： 火山引擎智慧演算法負責人，在人工智慧演算法方面擁有深厚的專業知識。
• 萬浩基： 經緯中國合夥人，從投資角度分析了機器人產業的發展前景。
• 王瀟： 九章資本創辦人，對技術商業化有獨到的見解。
• 顏維新： 上海智源機器人聯合創辦人、上海交通大學博士生導師，在學術界和產業界均有豐富的經驗。

主要討論要點

機器人投資熱潮

為何如此興奮？ 人工智慧應用可以分為兩大類：軟應用（如聊天機器人和影片生成）和硬應用（如機器人）。機器人被視為人工智慧最通用的硬應用。這種廣泛的適用性使得機器人技術在各行各業都具有巨大的潛力。

投資重點： 投資者正在尋找能夠整合軟硬體並展示超越示範的實際應用公司。他們不再滿足於單純的技術展示，更看重的是產品的實際落地能力和商業價值。

商業化挑戰： 機器人的商業化速度比預期要慢，尤其是在家庭和B2B服務等複雜環境中。這突顯了機器人在複雜環境中應用的困難，以及技術從實驗室走向市場的挑戰。

「大腦」（AI）和「小腦」（控制系統）之間的協調需要改進。 機器人的智慧不僅僅依賴於人工智慧演算法，還需要精密的控制系統來協調其運動和動作。

降低成本對於廣泛採用至關重要。 只有當機器人的成本降到可接受的範圍內，才能實現大規模的商業化應用。

商業化之路

共識： 大家普遍認為機器人技術將會成功，但時間線和領先公司仍不確定。這表明雖然對機器人技術的未來充滿信心，但仍存在許多不確定因素。

多贏局面： 市場不太可能被單一公司主導，類似於電動汽車產業。這意味著機器人市場將會是一個競爭激烈的市場，多個公司將會共同發展和進步。

初步商業化： 大型模型為機器人提供了改進的互動和思考能力。大型模型使得機器人能夠更好地理解人類的指令，並在複雜環境中做出決策。

技術障礙： 雖然沒有不可逾越的技術障礙，但這個過程將比預期更長且更具挑戰性。技術的發展需要時間，並且需要克服許多意想不到的挑戰。

創投角色： 風險投資在透過提供資金來加速發展方面發揮著至關重要的作用。創投的投入不僅為機器人公司提供了資金支持，還推動了整個產業的發展。

通用智能的重要性

轉移重點： 重點應該放在機器人適應人類和環境，而不是反過來。這意味著未來的機器人將更加人性化，能夠更好地融入人類的生活和工作環境。

模擬數據： 使用大量的模擬數據是使機器人具有通用智能的關鍵。模擬數據可以幫助機器人學習各種技能，並在不同的環境中進行測試。

新創公司挑戰： 機器人新創公司在技術、產品開發和商業模式方面面臨重大挑戰。新創公司需要克服技術難題，並找到有效的商業模式才能在市場上取得成功。

產業合作： 該產業需要整個供應鏈的合作以及投資者的支持。產業合作不僅可以加快技術的發展速度，還可以降低開發成本。

具身智能的技術路徑

模仿和強化學習： 使用模仿學習來增強強化學習是步態控制的可行方法。模仿學習可以讓機器人學習人類的動作，而強化學習則可以讓機器人不斷優化其控制策略。

下肢模擬： 模擬數據對於下肢步態控制是有效的，但參數調整和產品一致性仍然是挑戰。雖然模擬數據可以幫助機器人學習基本的運動技能，但在實際應用中仍需要進行精細的調整。

關注上肢： 需要將重點從下肢運動轉移到人形機器人的整體任務操作能力。機器人的上肢操作能力對於執行各種任務至關重要，例如抓取物體和操作工具。

任務操作： 重點應該放在任務操作能力，而不僅僅是移動。未來的機器人不僅要能夠移動，還要能夠執行各種複雜的任務。

數據挑戰： 收集和標準化數據，尤其是針對複雜任務的數據，是一項重大挑戰。數據的質量和數量直接影響著機器人的學習效果。

真實世界數據： 真實世界數據至關重要，尤其是對於難以模擬的複雜物理交互。真實世界數據可以捕捉到模擬環境中難以再現的細微之處，例如摩擦和彈性。

模擬數據與真實世界數據

模擬數據： 模擬數據更具成本效益、可擴展性和通用性，適用於訓練通用具身模型。模擬數據可以幫助機器人在各種不同的場景中進行訓練，並且可以快速產生大量的訓練數據。

真實世界數據： 真實世界數據對於捕捉物理交互的細微差別至關重要，例如摩擦和彈性。真實世界數據可以幫助機器人更好地理解真實世界的物理規律，並做出更準確的決策。

世界模型： 一旦機器人擁有可靠的世界模型，就可以使用大規模模擬來測試和提高它們在各種場景中的性能。世界模型可以幫助機器人理解周圍的環境，並做出更明智的決策。

未來應用

近期應用（2-3年）

工業製造： 機器人可以在受控環境中執行需要靈巧性的複雜任務。工業機器人可以執行各種重複性和危險性的任務，提高生產效率和安全性。

遠程操作： 機器人可用於危險環境，例如處理危險材料。遠程操作機器人可以保護人類免受危險環境的侵害，例如處理放射性物質和爆炸物。

受控環境： 機器人將部署在餐廳、飯店和工廠等受控環境中。這些環境的結構相對簡單，更容易實現機器人的自動化。

特定任務： 機器人將用於執行送餐、製作咖啡和執行輕型維護等任務。這些任務相對簡單，可以快速實現商業化應用。

工廠、辦公室和安全： 這些是最有可能初期部署的領域。這些環境對機器人的需求量大，並且具有較高的商業價值。

長期應用

家庭環境： 最複雜但最受期待的應用是在家庭環境中。家庭環境的複雜性對機器人的適應能力提出了更高的要求。

家務任務： 機器人最終將能夠執行烹飪、摺疊衣物和清潔等任務。這些任務對人類來說可能很繁瑣，但對機器人來說卻是輕而易舉的事情。

降低成本： 隨著技術的進步，機器人的成本將會降低，使它們更容易被消費者接受。成本的降低是機器人技術普及的關鍵。

通用機器人： 重點將轉向能夠滿足各種需求的通用機器人。未來的機器人將不再是執行特定任務的工具，而是能夠滿足各種需求的通用助手。

市場考量： 公司需要考慮不同應用程式的功能、性能、開放性以及風險承受能力。不同的應用場景對機器人的要求各不相同，公司需要根據具體情況進行選擇。

火山引擎 VeOmniverse

虛擬模擬平台： veOmniverse 是一個基於雲的機器人模擬和訓練平台。這個平台可以幫助機器人公司快速開發和測試機器人。

真實環境： 它創建了高度逼真的數位環境，用於訓練和測試機器人。逼真的環境可以幫助機器人更好地學習和適應真實世界。

成本效益： 它減少了對實體設備的需求並降低了開發成本。這使得機器人開發更加經濟高效。

全面訓練： 該平台使用視覺引擎、物理引擎、感測器模擬和 3D 生成來創建全面的訓練系統。這可以幫助機器人更好地理解周圍的環境。

AI 支持： 該平台使用 AI 來生成高品質的訓練數據並加速訓練過程。AI 的加入可以提高訓練效率和質量。

客製化： 該平台是開放且可客製化的，允許公司開發個人化的數位雙胞胎應用程式。這使得公司可以根據自己的需求客製化機器人模型。

加速開發： 它可以幫助公司快速建立、驗證和優化機器人模型。這可以加快機器人產品的上市速度。

產業轉型： veOmniverse 是機器人產業智慧和數位轉型的關鍵工具。這個平台可以幫助機器人產業實現數位化轉型，提高效率和競爭力。