拥有天然的落地优势：自动驾驶的下游场景仅有“上路”，且对安全性要求极高（有不出车祸的硬约束）；而具身智能的下游场景高度分散，且大量场景对速度和成功率的容忍度更高，试错成本低很多，“比如洗碗时打碎碗仅损失2元，爆米花烹煮失败重新制作仅损失1元，这类场景无需达到100%的成功率就可以投入使用。”“进化”线路之争“机器人最大的优势本应是泛化性，若无法突破这一瓶颈，其产业化价值将大打折扣。”一位业内人士向记者表示。面对泛化能力瓶颈，行业企业正从数据、算法等多维度探索突破路径，涌现出星海图、自变量、千寻等聚焦具身智能大模型的头部企业，相关企业专注技术上层研发，正在协同推动行业进步。“数据积累涵盖数量和质量两个维度。”罗天奇向记者表示，整个行业从2025年才开始上规模地积累数据，而星海图 2026 年的数据积累规模有望达到百万小时——这一量级有着重要的参考意义：一个人在长大成人的过程中，除睡觉以外，与真实世界的交互数据约为10万小时。在罗天奇看来，百万小时量级的真实高质量数据，基本上能够孕育出至少达到成人水平的机器人大脑。记者了解到，在技术路线选择上，行业内存在真实数据为主和仿真数据为主的路径之争，星海图坚定站在“真实数据为主”的阵营，这一路线正逐步成为行业共识。细化来看，真实数据其实也分为多种类型：既有通过遥操作机器人本体采集的数据，也有无本体的夹爪、手套方式采集的数据，还有人类第一视角下记录手部操作的头盔采集数据。“这些真实数据存在质量上的金字塔层级，塔尖的高质量数据在训练大脑时所需数量相对较少，而无本体等类型的数据采集难度、成本更低，但质量稍差。”罗天奇表示，通过对真实数据金字塔的各类数据进行科学配比，就能让训练出的机器人大脑具备更好的泛化性。罗天奇提到，去年以来，有很多企业设立训练中心，它们的数据对于模型训练虽然有一定作用，但和真实环境、真实任务、真实工作流的数据相比，质量要差很多。“低质量数据不仅对模型训练无帮助，反而会陷入‘garbage in garbage out（垃圾进，垃圾出）’ 的困境，拉低模型的智力水平。”在周勇看来，机器人“大脑”的核心价值在于替代人类完成各类复杂工作任务，这就需要有高效的交互能力与精准的作业能力，但目前整个行业在这两方面的解决方案均不够成熟，技术路线也尚未形成共识——无论是采用大模型（负责理解、决策、规划）、世界模型（让机器人在脑子里
=*=*=*=*=*=
当前为第2/3页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页