道实属罕见。而且，算上更早期的融资，自变量成立两年半，累计完成十余轮融资。差异化布局具身智能“大脑”如此多挑剔的资本集结在一家企业身上，到底在押注什么？答案是：具身智能的“大脑”。有别于许多具身智能公司，自变量做的是机器人的“大脑”，因为自变量创始人王潜很早就提出一个判断：具身智能模型，并不是语言模型的延伸，而是与之平行的另一类基础模型。也就是说，机器人想真正进入现实世界，光会执行指令远远不够，还要理解环境、预测变化，提前知道下一步可能发生什么。过去一年，这几乎成为具身智能行业的共识，而能够承担这一能力的，正是世界模型（World Model）。今年4月，自变量发布了全球首个基于“世界统一模型（WUM）”架构的具身大模型WALL-B。据发布会信息，WALL-B将视觉、语言、动作、物理预测等所有能力，放在同一个网络中从零开始联合训练，能够消除模块间的边界和数据搬运损耗。这使得WALL-B具备三个核心优势：原生多模态、能理解物理规律并预测演化、能在与环境的互动中自我进化。尽管未公布太多信息，但自变量宣布了让搭载WALL-B模型的机器人常驻用户家庭的计划。这意味着，WALL-B需要在家庭这种复杂的场景中实现长期稳定的工作，对WALL-B模型泛化能力是最直接、最严苛的考验。全栈技术闭环逐渐成型值得注意的是，自变量不仅在很短时间内完成B轮融资，也同时获得了C轮融资，这意味着，其给众多投资机构交出了一份技术迭代的成绩单。仅是最近一个多月，自变量就连续发布了两款核心模型——开源模型WALL-OSS-0.5以及世界模型WALL-WM。其中，WALL-OSS-0.5仅预训练，就具备堪比进行后训练之后的任务完成能力：在17个真机任务中，无需后训练，4个任务自主完成率超过80%，在操作类和推理类任务中均领先Pi0.5等主流开源模型。而世界模型WALL-WM，是全球首个具备“事件级预测能力”的世界模型。不同于目前所有世界模型按照时间进行均匀采样的方式，WALL-WM通过“事件”来对齐语言、视觉、动作等多模态数据，让模型更好学习不同模态数据的关联性，从而理解物理世界将如何演化、模型应当如何执行。模型之外，具身行业更稀缺的是数据。对此，自变量不仅自建数采工厂，还研发了完整的数据管线，能够自动、大规模地执行数据的采集、清洗、标注、质量控制等。此外，其还发布了基于自研数采设备XR Zero G0的
=*=*=*=*=*=
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