能抓老鼠才是好猫 理论归理论

seosamira99

大模型时代，具身智能模型的训练与测试，与云服务相结合，可以在云上虚拟仿真场景下，进行端到端的实时训练与测试，快速完成端侧迭代与开发，这就大大加速了具身智能体的进化速度。 具身智能体在模拟出来的场景中无数次地尝试、学习、反馈、迭代，积累对物理世界的深度理解，产生大量交互数据，再通过与真实环境的不断交互积累经验，全面提升在复杂世界的自动移动、复杂任务的泛化能力，展现在具身载体上，就是机器人可以更好地适应环境，更灵活地运用机械“躯干”来进行人机交互。


句话总结：和大模型“两开花”，将通用人工智能落身体），为具身智能打开了新的想 欧洲手机号码列表 象空间。 三、，实践归实践。我们总说能抓住老鼠的才是好猫，那么实现具身智能，究竟有几种“抓老鼠”的方式呢？ 目前，主要以两种路线为主： 一种是谷歌、伯克利等为代表的“未来派”，主打的是“一步到位”。 具体来说，这类研发机构是从具身智能的终极目标出发，希望从当下到终点，寻找一个端到端的技术路径，所给出的方案，往往采取“紧耦合”的方式，希望一个大模型就能包办所有，让机器人完成识别环境、分解任务、执行操作等所有工作，非常难，也非常有未来感。





比如今年三月谷歌推出的PaLM-E，就是一种多模态具身视觉语言模型端VLM），让机器人可以基于大模型，来理解图像、语言等数据，执行复杂的指令，而无需重新训练。 加州大学伯克利分校的LM Nav，则通过视觉模型、语言模型、视觉语言模型 CLIP等三个大模型，让机器人在不看地图的情况下按照语言指令到达目的地。Koushil Sreenath教授的工作，就是推动硬件本体、运动小脑、决策大脑三部分逐渐融合，让各种四足、双足，以及人形机器人在真实世界中灵活地运动。 另一种，是英伟达及大量工业机器人厂商为代表的“务实派”，主打的是“马上见效”。 “未来派”一步到位的路线虽然看起来很酷，但耗时漫长，距离产业可用还比较遥远，成本昂贵，产业客户未必能够接受。在种种不确定之夏，满足工业界需求，就出现了以松耦合来实现具身智能的技术路线。