机器人产业深度(七)：机器人的大脑-具身智能

　　2024年人形机 器人最具突破性的进展主要体现在具身智能领域：3月，Covariant发布端到端具身大模型RFM-1，具身智能创业团队Sergey Levine 和Chelsea Finn 创立Pi（Physical Intelligence），Figure AI 发布接入OpenAI GPT-4V 的Figure 01demo。4 月，李飞飞创立World Labs，致力于解决AI 在三维空间感知和理解方面的难题。5 月，特斯拉发布视频，展示Optimus 精准分拣特斯拉电动车4680 电池的场景，使用完全端到端神经网络，只利用2D 摄像头视频和机载自传感器，直接生成关节控制序列，完全靠视觉辅助和人类示范进行训练。国内人形机器人产业硬件供应链优势明显，在具身智能、数据采集、人才领域的短板需要补齐。

    　　分层端到端是目前具身智能的主要路径。大模型分为非具身大模型（基础大模型）、具身智能大模型（机器人大模型），区别是能否生成运动姿态。非具身大模型如GPT、Sora 等，输入和输出的模态都是语言、图片和视频。具身智能大模型输入视觉、语言信号，输出三维物理世界的操作，其中，端到端的具身大模型对数据和算力要求高，如Tesla FSD、谷歌RT 模型；Figure AI 等大多数公司都采取了分层端到端的具身大模型，一般分为三层：基础大模型（LLM 或VLM）、决策大模型、操作大模型，其中决策大模型以ChatGPT for Robotics、谷歌PaLM-E 为代表，技术方向从LLM 向强化学习（RL）演进，基于RL 的范式可以使模型能够在不同环境和任务中学习和适应，实现更高级的决策能力。操作大模型根据决策大模型的输出执行具体动作，需要与机器人硬件深度集成，且必须通过数据采集来实现，技术方向从“MPC+WBC”向“RL+仿真”演进，MPC 更适合具有精确模型和短期优化目标的场景，RL 更适用于不确定性高、需要长期学习和自适应的环境。在操作大模型领域，大多数厂商都刚起步。

    　　数据采集的主要方式：远程操作、仿真合成数据。互联网上各类文本、图像和视频数据集庞大，机器人的场景和交互有价值的数据量小，限制了AI 模型在人形机器人上的泛化能力。特斯拉Tesla Bot 开发团队使用人类的真实运动方式来训练机器人，英伟达推出MimicGen 和Robocasa 模型，通过真人的遥操作数据捕获，再通过生成合成运动数据和模拟环境，加速机器人技术的研发和应用。国内人形机器人创新中心加速建设人形机器人训练场。

    　　具身智能估值逻辑：硬件、数据、模型、人才。硬件是一切的基础，如果没有自己的硬件，就无法根据算法和数据进行硬件的快速优化和修改。涉及数据的采集、组织管理以及与模型的闭环开发，需要有强大组织能力的团队，核心团队需要具备组织大规模工程师的经验；越来越多的算法陆续开源，开源算法可以提供基础的功能和技术，但要实现高质量、高性能的人形机器人，需要专业的算法团队进行深入研究和开发。

    　　风险提示：1）竞争环境恶化；2）新技术的应用速度低于预期

声明：

1. 风险提示：以上内容仅来自互联网，文中内容或观点仅作为原作者或者原网站的观点，不代表本站的任何立场，不构成与本站相关的任何投资建议。在作出任何投资决定前，投资者应根据自身情况考虑投资产品相关的风险因素，并于需要时咨询专业投资顾问意见。本站竭力但不能证实上述内容的真实性、准确性和原创性，对此本站不做任何保证和承诺。
2. 本站认真尊重知识产权及您的合法权益，如发现本站内容或相关标识侵犯了您的权益，请您与我们联系删除。