具身智能还没有标准答案,蚂蚁灵波想先把数据、模型和开发者生态跑通

摘要

具身智能的竞争,正在从模型能力的展示走向真实物理世界的验证。数据怎么用、模型怎么评、开发者如何参与,仍是行业需要回答的问题。

当机器人能够在演示中完成抓取、整理等动作,距离真正进入生产和生活场景,还有多远?

这中间的差距,不只是模型能不能理解指令,更在于它能否在复杂环境中稳定执行任务,能否控制成本,以及能否在不同硬件和场景中持续复用。

11月16日,蚂蚁灵波举办首届具身大模型挑战赛总决赛暨开发者大会。本届赛事吸引了来自全球13个国家的1855支队伍、3252名选手报名,经过线上初赛,15支队伍进入线下48小时真机黑客马拉松。

在专访环节,蚂蚁灵波CEO朱兴和首席科学家沈宇军谈到了具身智能当前面临的几个基础问题:数据路线尚未收敛,评测标准仍不统一,通用大模型与具身模型之间也不是简单的替代关系。对于仍处在探索期的行业而言,如何把模型真正带进物理世界,可能比追逐某个技术热点更重要。

01数据不是越多越好,

关键是能否匹配模型需求

数据仍是具身智能模型训练中绕不开的问题,但行业尚未形成关于数据路线的统一答案。

互联网操作视频、Ego(第一人称视角)数据、UMI数据、真机数据和仿真数据,究竟哪一种更重要?朱兴认为,不应轻易判断某一种数据路线更优,因为不同类型的数据在不同训练阶段发挥着不同作用。

越靠近预训练阶段,越适合使用以人为中心、容易规模化的数据,例如互联网操作视频和Ego数据;而当模型进入具体任务落地阶段,比如拆垛、上下料、插拔和物料分拣,就需要更贴近真实任务、真实场景以及机器人本体的数据,真机数据的价值也会随之提高。

这也意味着,数据建设不能简单理解为规模竞赛。

朱兴特别提醒,数据需要经过科学的放量过程。如果还没有充分理解数据质量、数据处理方式及其对模型训练的实际价值,就急于扩大数据规模,可能造成资源浪费。更重要的是,数据需求应该由模型训练团队定义:模型究竟缺少什么数据,需要怎样的多样性和分布,最终要回到模型本身的训练效果来判断。

数据之外,评测也是行业的一道难题。

沈宇军表示,目前行业还没有形成统一的评测共识,评测成本也比较高。当模型表现不佳时,很难直接判断问题来自模型、数据还是部署环节,这些因素往往相互耦合。

仿真Benchmark同样存在局限:模型在仿真环境中表现不好,可能说明能力存在不足;但表现好,并不意味着它在真实机器人上也能完成任务。仿真结果无法直接替代真机验证。

在沈宇军看来,随着数据采集方式、训练方法和评测机制逐渐形成共识,行业有望迎来一轮加速。眼下,具身智能需要解决的并不只是数据量问题,而是如何建立一套能够有效衡量模型真实能力的标准。

c1a4a757acb51c0a7805dc4d6f7f9e43

02通用大模型不会简单取代具身模型,

成本和效果才是关键

近期,通用大模型在机器人任务上的表现引发了行业关注。一个自然的问题是:随着通用模型能力持续增强,具身智能是否还需要专门训练自己的模型?

沈宇军并不认为通用大模型无法解决机器人问题。

他的判断是,如果将具身数据和相关理解能力融入通用模型,并进一步扩大参数规模,理论上模型也可能兼顾机器人任务。但这条路线需要付出额外的训练和开发成本,也可能影响模型原有能力。

因此,技术上能否实现,与商业上是否划算,是两个不同的问题。

沈宇军认为,无论采用哪种路线,数据理解都是绕不开的环节。模型需要什么数据、如何处理数据、如何让数据真正转化为能力,这些工作不会因为模型规模变大就自动消失。最终仍要在技术上限、开发成本和实际使用成本之间找到平衡。

朱兴则将讨论拉回机器人真正面对的物理世界:机器人要完成工作,最终看的是成功率、重复成功率、规模化能力、速度和成本,而不是单纯追求某种技术路线的领先。

在他看来,通用大模型的持续发展会为机器人产业带来很大帮助,数字世界与物理世界的指令也需要进一步打通。两者并非非此即彼的竞争关系。

这也影响着蚂蚁灵波对产品路线的选择。朱兴表示,公司坚持跨本体、跨末端和跨传感器,不希望将所有任务强行放进同一种机器人形态中。重载和轻载作业、固定工位和移动场景,对机器人的构型和能力要求并不相同。真正重要的是让技术适配任务需求,而不是为了追求统一而统一。49af24b4b0c47550f4ef622d7b55c46d

03开发者生态的价值,

是让模型接受更多真实任务的检验

如果说数据和模型决定了具身智能的能力基础,那么开发者生态则关系到这些能力能否被更多人使用,并在真实任务中持续迭代。

具身智能开发的门槛并不低。开发者不仅需要算法和模型知识,还需要接触真实机器人、机械臂、传感器及相应的算力资源。对于高校学生和独立开发者而言,硬件和实验条件往往是现实限制。

沈宇军表示,举办比赛的一个目的,就是让更多开发者有机会快速上手机器人,把书本和实验室里的知识应用到真机任务中。比赛结束后,蚂蚁灵波也鼓励参赛者将技术心得沉淀为文档、教程,并将方案分享到开源社区。

对公司而言,这同样是一个获取反馈的过程。朱兴认为,开发者生态能够帮助团队获得高质量的模型使用反馈,进而推动模型迭代。未来,蚂蚁灵波还将与生态伙伴合作,探索开放部分数据,让更多开发者参与进来。

不过,48小时真机比赛并不意味着机器人已经具备商业场景所要求的高成功率。沈宇军强调,真正要求99.9%成功率的任务,不可能只给开发者48小时完成开发。比赛更重要的意义,是验证工具是否易用、开发门槛是否降低,以及普通开发者能否真正使用模型完成任务。

从采访来看,开发者二次开发的增加,也让团队看到了新的变化。沈宇军认为,当开发者能够通过硬件、模型和算法组合,解决某个具体任务,说明这套方案开始具备一定的可行性。随着硬件和模型使用成本继续下降,一些提供中间解决方案的团队也可能获得新的生存空间。

但朱兴在采访最后再次强调,今天的具身智能还没有出现明确的标准答案,也没有任何一家公司已经找到确定的终局路线。行业既不应该盲目乐观,也不必过度悲观。

对蚂蚁灵波而言,现阶段更重要的仍是持续打磨模型基础能力,积累数据理解和训练方法,并通过开发者生态让技术接受更多真实任务的检验。

具身智能距离成为稳定的生产力工具,还有一段路要走。真正决定行业进展的,不会是某一次演示有多惊艳,而是机器人能否在不同任务、不同环境和不同硬件条件下,持续、稳定且低成本地完成工作。

最新文章

极客公园

用极客视角,追踪你不可错过的科技圈.

极客之选

新鲜、有趣的硬件产品,第一时间为你呈现。

张鹏科技商业观察

聊科技,谈商业。