智元正踐行：以大腦為驅(qū)動(dòng)，通過(guò)“一腦多形”快速部署于多種形態(tài)本體；以產(chǎn)品矩陣撬動(dòng)多場(chǎng)景落地，挖掘更多應(yīng)用可能性；以量產(chǎn)滿足需求，提速具身智能走近物理世界的腳步。

作者：呂鑫燚

 編輯：狄鑫彤

出品：具身研習(xí)社

“稚暉君”神神秘秘預(yù)告要發(fā)布“好東西”后，智元機(jī)器人仿佛按下了“加速鍵”，帶來(lái)了不止一個(gè)新東西，但“夠不夠好”還要靜待時(shí)間給出答案。

首先，智元機(jī)器人發(fā)布了首個(gè)通用具身基座大模型“智元啟元大模型”（Genie Operator-1），該大模型主打四個(gè)優(yōu)勢(shì)，基于人類視頻學(xué)習(xí)；小樣本快速泛化；一腦多形；持續(xù)進(jìn)化。

緊接著，稚暉君更新視頻，正式發(fā)布雙足智能交互人形機(jī)器人靈犀X2，能像人一樣自然走路，甚至能騎自行車、踩滑板車。搭載了多模態(tài)交互大模型“硅光動(dòng)語(yǔ)”，通過(guò)視覺(jué)理解和認(rèn)知世界，可以做到與人進(jìn)行無(wú)縫流暢的交互。

據(jù)稚暉君透露，靈犀X2研發(fā)了三個(gè)月，視頻準(zhǔn)備了一個(gè)月，是迄今為止最復(fù)雜的項(xiàng)目。

或許該項(xiàng)目的復(fù)雜點(diǎn)在于團(tuán)隊(duì)對(duì)靈犀X2的創(chuàng)新思考。為了尋找創(chuàng)新性，團(tuán)隊(duì)“套用”了魯迅先生的思想，基于“從來(lái)如此，便對(duì)嗎？”的想法，想一改機(jī)器人外表“鋼筋鐵骨”的固有形態(tài)，甚至考慮過(guò)使用化妝的美妝蛋作為材料。不過(guò)，最終還是選擇了親和的柔性材料。

圖片來(lái)源：稚暉君

做大腦、推新品、宣布1000臺(tái)機(jī)器人下線，智元機(jī)器人破圈動(dòng)作頻頻，仿佛距離宇樹(shù)科技的曝光度只差一個(gè)秧歌節(jié)目了。

然而上述舉措只是智元對(duì)外輸出的“表象”，其背后指向的是智元機(jī)器人在創(chuàng)始人稚暉君“天才少年”標(biāo)簽背后，打磨無(wú)限生產(chǎn)力的故事。以大腦為驅(qū)動(dòng)，通過(guò)“一腦多形”快速部署于多種形態(tài)本體，讓機(jī)器人更聰明；以產(chǎn)品矩陣撬動(dòng)多場(chǎng)景落地，挖掘更多應(yīng)用可能性；以量產(chǎn)滿足需求，提速具身智能走近物理世界的腳步。

構(gòu)想足夠性感，但智元機(jī)器人的東西“好”到能支撐嗎？

做一個(gè)能自主進(jìn)化的大模型

“機(jī)器人公司，你如果不做大模型，那是屬于沒(méi)有未來(lái)的機(jī)器人。”智元新創(chuàng)技術(shù)有限公司研究院執(zhí)行院長(zhǎng)、具身業(yè)務(wù)部總裁姚卯青說(shuō)道。在姚卯青看來(lái)，沒(méi)有“智能化”支持、沒(méi)有作業(yè)能力只是硬件，機(jī)器人能做的事情非常有限。

具體來(lái)看，“大模型”智能化高低決定的是人形機(jī)器人理解物理世界的程度和落地技能的水平。但這份“高低”也正是當(dāng)下產(chǎn)業(yè)發(fā)展的瓶頸。

由于“大腦”智能化受限，導(dǎo)致其泛化能力差，使得人形機(jī)器人在新場(chǎng)景的成功率大幅下降；不同本體的數(shù)據(jù)難以共用，致使數(shù)據(jù)采集成本高；大模型自身無(wú)法實(shí)現(xiàn)持續(xù)進(jìn)化，迭代速度較慢。

為了解決上述瓶頸各家都找了多種技術(shù)路線的解決方法，例如通過(guò)分層端到端模型訓(xùn)練的方式，集百家所長(zhǎng)提升泛化能力；推出具身操作算法，通過(guò)視頻生成大模型進(jìn)行后訓(xùn)練，基于全過(guò)程零真機(jī)樣本數(shù)據(jù)，實(shí)現(xiàn)多平臺(tái)泛化等。

智元機(jī)器人的GO-1也是延續(xù)上述脈絡(luò)而誕生的。

據(jù)智元機(jī)器人方面介紹，其提出了Vision-Language-Latent-Action（ViLLA）架構(gòu)，由多模態(tài)大模型（VLM）與混合專家模型（MoE）組成，彌合視覺(jué)、語(yǔ)言與動(dòng)作之間的鴻溝。

基于ViLLA架構(gòu)，GO-1大模型能結(jié)合互聯(lián)網(wǎng)視頻和真實(shí)人類示范進(jìn)行學(xué)習(xí)，可以更好地理解物理世界；在極少數(shù)據(jù)甚至零樣本下，實(shí)現(xiàn)技能泛化到新場(chǎng)景、新任務(wù)，降低了具身模型的使用門檻及訓(xùn)練成本；支持不同機(jī)器人形態(tài)間遷移，適配到不同本體；搭配智元數(shù)據(jù)回流系統(tǒng)，從實(shí)際執(zhí)行遇到的問(wèn)題數(shù)據(jù)中持續(xù)進(jìn)化學(xué)習(xí)。

舉個(gè)例子，機(jī)器人得到用戶下達(dá)的“掛衣服”指令后，大模型工作任務(wù)流為：根據(jù)眼前的畫(huà)面，理解用戶指令對(duì)應(yīng)的任務(wù)要求，然后調(diào)動(dòng)訓(xùn)練時(shí)學(xué)習(xí)過(guò)的掛衣服視頻，自動(dòng)設(shè)想掛衣服涉及到的操作步驟，最后執(zhí)行并完成。

圖片來(lái)源：智元機(jī)器人

GO-1大模型加持下，機(jī)器人能用更低成本學(xué)得更快，用較小的數(shù)據(jù)量掌握更泛化的能力，且能快速部署在不同身體中，并在實(shí)際應(yīng)用中持續(xù)進(jìn)化自主學(xué)習(xí)。這是一套較為完整的大模型解決方案路線，形成了“數(shù)據(jù)-泛化-成本-進(jìn)化”的自驅(qū)動(dòng)發(fā)展閉環(huán)。

據(jù)智元機(jī)器人官方表示，GO-1大模型在測(cè)試中取得了較為不錯(cuò)的成績(jī)，但究竟有幾斤幾兩還需等待真機(jī)部署實(shí)地打工時(shí)刻之際見(jiàn)分曉。

將視角放大，實(shí)際上智元機(jī)器人做大模型這件事，有兩個(gè)標(biāo)桿性的意義。

其一，整機(jī)廠現(xiàn)階段仍依賴于GPT等大模型，其發(fā)展較為被動(dòng)，通用大模型或行業(yè)大模型和人形機(jī)器人的適配度有限，成為人形機(jī)器人更聰明進(jìn)化的掣肘；

其二，大摩的報(bào)告清晰可見(jiàn)國(guó)內(nèi)在大模型的短板，這條彎道超車的機(jī)會(huì)不僅留給了大模型創(chuàng)企，還留給了整機(jī)廠，機(jī)會(huì)導(dǎo)向的是中國(guó)在人形機(jī)器人領(lǐng)域再下一城。

踩自行車而來(lái)，跟你做一次情感交流

無(wú)論是設(shè)計(jì)語(yǔ)言還是主打特點(diǎn)，靈犀X2和其前輩靈犀X1都有些差別。

回顧一下靈犀X1，其采用了串并聯(lián)混合構(gòu)型手臂和差分驅(qū)動(dòng)雙肩關(guān)節(jié)設(shè)計(jì)，整臂重量為2.5kg。基于智元X-Lab自研的PowerFlow兩款模塊化關(guān)節(jié)，全身實(shí)現(xiàn)了三十多個(gè)主動(dòng)自由度。

圖片來(lái)源：智元機(jī)器人

從外觀上來(lái)看，靈犀X1看起來(lái)還有些“僵硬”，直角肩的形態(tài)和橢圓形的腦部構(gòu)型，仿佛缺少了點(diǎn)溫度。畢竟靈犀系列面向To C市場(chǎng)，聚焦的是養(yǎng)老方向。當(dāng)該系列以“養(yǎng)老伙伴”角色出現(xiàn)在日常生活中，或許更具親和力的外表能提高人類對(duì)于機(jī)器人的接受度。

而這也是靈犀X2做得最多改變的地方。

從外表來(lái)看，靈犀X2采用柔性材料外殼，能做到更抗摔。“圓滾滾”的上半身，還做到了細(xì)微起伏的“呼吸感”，看起來(lái)更具“柔和感”�；�于動(dòng)作模態(tài)集成至模型中，靈犀X2學(xué)會(huì)了人類的小動(dòng)作，如暗中觀察、坐下的時(shí)候偷偷蕩腿、走路時(shí)胳膊自由擺動(dòng)甚至還“到處扣扣”。

這些小動(dòng)作仿佛讓靈犀X2多了幾分生命力，也更貼合一個(gè)“養(yǎng)老伙伴”的角色。當(dāng)然，稚暉君給其的定位已經(jīng)不再局限于“養(yǎng)老”而是“吉祥三寶”。

從技術(shù)路線來(lái)看，靈犀X2全身?yè)碛?/span>28個(gè)自由度，未使用任何并聯(lián)結(jié)構(gòu)。配備小腦控制器Xyber-Edge、域控制器Xyber-DCU、智能電源管理系統(tǒng)Xyber-BMS及核心關(guān)節(jié)模組Powerflow等核心組件。通過(guò)結(jié)合深度強(qiáng)化學(xué)習(xí)和模仿算法學(xué)習(xí)，靈犀X2展現(xiàn)了走路、奔跑、轉(zhuǎn)身、踩滑板車、玩平衡車、騎自行車等高難度動(dòng)作。

圖片來(lái)源：稚暉君

在交互能力方面，靈犀X2搭載了基于VLM的多模態(tài)交互大模型“硅光動(dòng)語(yǔ)”，能通過(guò)人類的面部表情和語(yǔ)音語(yǔ)調(diào)精準(zhǔn)判斷情感狀態(tài)，并做出相應(yīng)的回應(yīng)。在回答“你和狗狗同時(shí)掉進(jìn)水里，我應(yīng)該先救誰(shuí)”的時(shí)候，靈犀X2也會(huì)迅速給出答案“先救狗狗”。此外，靈犀X2能通過(guò)遠(yuǎn)程裸眼3D交流，不過(guò)當(dāng)人臉圖片出現(xiàn)在其腦部顯示屏幕的時(shí)候，多少有點(diǎn)“恐怖谷效應(yīng)”。

相比于靈犀X1作為彩蛋，出現(xiàn)在聚光燈照射下的線下發(fā)布會(huì)，靈犀X2的發(fā)布略顯簡(jiǎn)單，一支不到13分鐘在辦公室完成的視頻里，稚暉君通過(guò)三大維度講述了這款靈犀X2的技能點(diǎn)和團(tuán)隊(duì)思考。雖然簡(jiǎn)單但足夠有料，也確實(shí)和市面上其他人形機(jī)器人產(chǎn)品呈現(xiàn)出不一樣的技能點(diǎn)。

而且在辦公室跑來(lái)跑去的靈犀X2，和稚暉君娓娓道來(lái)的講述，也更符合外界對(duì)于這位“天才少年”的印象。

但值得一提的是，該視頻發(fā)布后出現(xiàn)了不同的聲音，部分業(yè)內(nèi)人士認(rèn)為這支視頻很難服眾。靈犀X2騎自行車的片段只有中間騎行部分，沒(méi)有上車、下車的部分，很容易聯(lián)想到稚暉君當(dāng)年能研發(fā)出自動(dòng)駕駛自行車技能。是真靈犀X2在騎自行車，還是自行車自己動(dòng)，或許還要看智元接下來(lái)如何回應(yīng)。

智元想“活”成什么？

2024年，智元搞出過(guò)最大的動(dòng)靜就是“開(kāi)源”。

其一，智元機(jī)器人開(kāi)源了百萬(wàn)真機(jī)數(shù)據(jù)集AgiBot World，該數(shù)據(jù)集是全球首個(gè)全功能、全場(chǎng)景、高質(zhì)量的人形機(jī)器人百萬(wàn)真機(jī)數(shù)據(jù)集，100多種數(shù)據(jù)中，家居占40%、餐飲20%、工業(yè)20%、商超10%以及辦公場(chǎng)景10%，其中80%的任務(wù)均為長(zhǎng)程任務(wù)。

其二，靈犀X1面向全球正式開(kāi)源，軟硬件全套圖紙和代碼上線到GitHub，開(kāi)發(fā)指南上線至智元機(jī)器人官網(wǎng)。

開(kāi)源是促動(dòng)行業(yè)整體前行的重要路徑之一，通過(guò)前輩的成熟經(jīng)驗(yàn)為后來(lái)者鋪路，避免行業(yè)參與者陷入重復(fù)造輪子，消耗大量時(shí)間和資金成本。小鵬汽車創(chuàng)始人何小鵬在分享自家機(jī)器人時(shí)，也曾表示，沒(méi)有500億做不好機(jī)器人。

此外，在成熟經(jīng)驗(yàn)基礎(chǔ)上前行能在短時(shí)間內(nèi)形成技術(shù)差異化路線，避免產(chǎn)業(yè)陷入同質(zhì)化發(fā)展。開(kāi)源的成功案例早在四足機(jī)器狗身上上演過(guò)，當(dāng)年MIT開(kāi)源四足機(jī)器狗技術(shù)成果后，加速了四足機(jī)器人的產(chǎn)業(yè)化進(jìn)程，國(guó)內(nèi)外涌現(xiàn)了一批優(yōu)秀四足機(jī)器人企業(yè)。

實(shí)際上，開(kāi)源并不是智元機(jī)器人必須完成的任務(wù)，也沒(méi)有義務(wù)分享技術(shù)推動(dòng)平權(quán)。從這一點(diǎn)可見(jiàn)，或許智元想做的不只是一家機(jī)器人公司，如果以后視鏡來(lái)看其或許想成為“集大成者”，建立多維度商業(yè)壁壘，成為中國(guó)具身智能繞不開(kāi)的核心玩家。

但這條路注定困難重重。

首當(dāng)其沖的就是智元自身要承擔(dān)大量成本，這便要求智元無(wú)論是融資能力還是自造血能力都要跟得上發(fā)展步伐。

畢竟，除了真機(jī)數(shù)據(jù)采集外，智元在供應(yīng)鏈上也有不少自研部分。硬件方面，自研了核心的關(guān)節(jié)模組，包括電機(jī)、減速器、編碼器等。軟件方面，自研了具身智能的大腦和發(fā)布的大模型。還開(kāi)源了中間件、操作系統(tǒng)、AimRT等。據(jù)了解，智元還在研發(fā)高自由度的靈巧手，多款產(chǎn)品在早期打樣階段。

多條腿走路的智元，在觸碰多種發(fā)展可能性的同時(shí)，也將比友商遇見(jiàn)更多困難。

       原文標(biāo)題 : 做大腦、推新品、擴(kuò)量產(chǎn)，稚暉君的智元想“活”成什么樣？