英伟达仿真研究:机器人操作成功率74.8%,单次推理仍需18.56秒
界面新闻记者 | 徐美慧界面新闻编辑 | 文姝琪 随着模型能力提升,机器人开始自主探索新技能,但距离真正稳定上岗还有不小的差距。今年10月,英伟达公布的一项仿真研究显示,GPT-6 Astra在引入智能体框架后,机器人操作任务成功率达到74.8%,而在直接调用模型的测试中,平均每次推理需要18.56秒。通用大模型展现出
模型能力往上走,机器人已能自己去摸索新技能。可要说真正稳定上岗,差距还不小。今年10月英伟达公布的一项仿真研究给出了两组数字:加上智能体框架后,机器人操作任务成功率达到74.8%;直接调用模型测试时,平均每次推理要花18.56秒。通用大模型确实展示出控制机器人的本事,但响应速度和计算成本离真实作业需求还有距离。
具身智能眼下正取得技术层面的突破,可技术再强,光留在实验室里、不做商业化推广也不行;模型若要接着往前走,机器人就得进到真实场景里去,不断积累。
这背后,具身智能的技术路线正在起变化。以前机器人靠的是大量操作数据做模仿学习;现在Astra等通用模型开始显露出空间理解、任务规划乃至自主探索的能力。王晓刚的看法是,通用模型是自上而下获得具身能力的,与
问题是,直接让通用大模型去控制机器人,效率和成本都难满足经营需要。他举了个例子:新任务头一回探索可能耗上数小时,总不能让机器人在工作里每做一个动作都重新推理一遍。
这套思路被大晓放进了最近落地的酒店洗衣场景。机器人得从客房取衣,穿过走廊到洗衣房,操作洗衣机和烘干机,最后装篮送回客房。大晓通过
大晓方面介绍,团队还将53个
让机器人完成一次任务已经够难,更难的是让它从失败里改进。
这条路叫具身智能RSI(Recursive Self-Improvement),也就是递归自我改进。概念本身不算新鲜,今年年中RSI在大模型圈子里讨论渐热,业界关心的是AI能不能参与改进自身代码、训练方法甚至模型研发流程。相关研究往前推,这个思路也开始延伸到机器人的自主学习和技能优化上。
王晓刚向界面新闻记者解释,具身智能RSI可以分三步走:
- 第一步是自主探索,也就是机器人遇到新任务时,通过
- 第二步是经验积累,把成功的方案、失败的教训沉淀成代码、
- 第三步触及更底层的研发流程,让模型参与改进模型架构、仿真测试这些环节,带动整体能力上去,而不只是把某个具体动作调好。
那怎么证明机器人真学会了新本事,而不是在固定场景里反复刷题?
王晓刚说,关键看它对新任务的学习和掌握能力,还有执行效率。另外,skill升级必须过仿真和真机测试两道关,确认原有能力没退化,不能为了把某项操作成功率提上去而带进新的安全风险。
今年9月提交的
大晓给了一个尚不完美的例子。针对烘干机取衣这个skill,机器人在约57小时内跑了165轮真机实验,提出37条改进建议,形成约80个技能版本,场景也扩到牛仔裤、洗衣袋和混合衣物。后期单轮用时170至210秒,牛仔裤留在筒内的比例从平均48%降到32%,最好的一次是19%。
这说明反复试验确实带来了改善,可离稳定取净衣物还差一截。单项技能在特定设备上越做越好,不代表换个环境机器人还能保持同样表现,怎么兼顾自主作业、
Interact Analysis
Gartner
企业那头也在想办法提升机器人的学习和操作能力。11月10日,谷歌DeepMind发布
国内整机厂商同样在加码真实场景部署。今年10月,
在11月17日的
具身智能怎么才算规模化落地?王晓刚认为,商业化不能只看出货和部署数量。拿零售场景来说,机器人要是只会抓货,跟自动售货机差别不大;只有能承担更多工作、把成本控制住,并让客户在合理期限内拿到收益,规模部署才撑得下去。
王晓刚还拿自动驾驶做类比:大量乘用车装上辅助驾驶系统之后,真实道路数据不断回传,技术迭代就被推着往前走。他说,具身智能也一样,“在具身里面也需要这样,我们要摆脱原来实验室环境,把更多机器人放到真实生产环境里,大量反馈数据,这样才能极大推动迭代发展。”
落到大晓身上,商业化还意味着不能只做机器人的“大脑”。王晓刚说,客户拿到手的必须是软硬件一体的产品。大晓已经推出轮式双臂机器人,主打零售场景,今年打算做到数百台出货。模型、产品设计和客户场景由大晓自己抓,生产制造更多交给合作伙伴。
酒店这边的实践还处在早期。王晓刚称,团队用不到三个月就把场景落了地,但长期稳定性仍需验证,系统也还在和酒店原有的业务流程做对接。下一步是进更多酒店,再往餐厅、客房等场景延伸。
实际运营和商业回报之外,具身智能企业还有一道坎。通用大模型参与机器人任务规划和技能生成的情况越来越多,国内企业能不能把对应的底层模型能力握在手里,这件事正变得更要紧。
在王晓刚看来,国内通用大模型在具身能力上目前还没到Astra的水平。海外模型可以帮企业探技术路线,但任务推理和能力迭代长期靠外部模型,自主可控和数据积累两头都有风险。
“总有一天我们需要用自己的模型去替换海外模型。”王晓刚说,国内企业得尽快把相关能力补上。机器人进入真实场景的越多,数据和经验攒得越快;跟不上节奏,国内外模型的能力差距也可能很快被拉开。