出品｜搜狐科技

作者｜常博碩

編輯｜楊 錦

近日，AI機(jī)器人公司Generalist發(fā)布了GEN-0，一個(gè)參數(shù)量超過10B的具身基礎(chǔ)模型。作為首個(gè)驗(yàn)證了具身智能規(guī)模定律（Embodied Scaling Law）的機(jī)器人通用基礎(chǔ)模型，GEN-0的發(fā)布也被譽(yù)為機(jī)器人領(lǐng)域的“ChatGPT時(shí)刻”。

模型一經(jīng)發(fā)布便引起了大量討論，更有業(yè)內(nèi)人士認(rèn)為，這標(biāo)志著機(jī)器人行業(yè)的一個(gè)關(guān)鍵轉(zhuǎn)折點(diǎn)，行業(yè)正從主要依賴于模擬訓(xùn)練或?qū)ｉT工程控制的“仿真時(shí)代”，邁向一個(gè)由大規(guī)模真實(shí)世界數(shù)據(jù)驅(qū)動(dòng)的時(shí)代。

海量真實(shí)數(shù)據(jù)

一步踏入Scaling Law

GEN-0是由美國(guó)機(jī)器人公司Generalist AI推出的一類具身基礎(chǔ)模型。它與大語言模型類似，是一個(gè)多模態(tài)模型，但專門針對(duì)機(jī)器人執(zhí)行物理任務(wù)而設(shè)計(jì)。

GEN-0繼承了視覺-語言模型的優(yōu)勢(shì)，同時(shí)原生支持感知與動(dòng)作輸出，可以捕捉人類級(jí)別的反射行為和物理常識(shí)。在官方演示中，機(jī)器人能自主完成從拿取托盤、清潔、取放零件、封裝的長(zhǎng)時(shí)序操作，整個(gè)過程無需人工分步指令，一氣呵成。

在訓(xùn)練上，GEN-0的預(yù)訓(xùn)練直接使用的是真實(shí)世界的高保真物理交互數(shù)據(jù)，而不依賴仿真環(huán)境或人類示范視頻去做訓(xùn)練。

目前，Generalist已經(jīng)構(gòu)建了一個(gè)前所未有的真實(shí)世界操作數(shù)據(jù)集，總時(shí)長(zhǎng)超過27萬小時(shí)，每周新增數(shù)據(jù)超過1萬小時(shí)。對(duì)27萬小時(shí)數(shù)據(jù)量沒有概念的話，可以參考這張官方發(fā)布的對(duì)比圖，對(duì)比了和目前國(guó)外一些公司訓(xùn)練數(shù)據(jù)規(guī)模的差異。

不僅如此，這個(gè)數(shù)據(jù)集涵蓋了數(shù)千種任務(wù)與場(chǎng)景，從家庭廚房的削土豆，到工廠車間的擰螺絲、包裝組裝，從商店架上的拿取物品，到快餐店的操作，每種任務(wù)都有海量真實(shí)軌跡記錄。

這樣的訓(xùn)練數(shù)據(jù)，使得模型學(xué)到的不是理想狀態(tài)下的動(dòng)作,而是如何在滑動(dòng)、遮擋、光照變化等擾動(dòng)下完成任務(wù)。官方表示，他們發(fā)現(xiàn)數(shù)據(jù)質(zhì)量和多樣性比絕對(duì)數(shù)量更關(guān)鍵，混合不同任務(wù)和環(huán)境的數(shù)據(jù)能讓模型學(xué)到更有用的技能。

同時(shí)據(jù)官方稱，這種高數(shù)據(jù)量已經(jīng)揭示了兩個(gè)迄今為止業(yè)界一直未能發(fā)現(xiàn)的關(guān)鍵結(jié)論。

目前，機(jī)器人領(lǐng)域的基礎(chǔ)模型其實(shí)主要基于視覺-語言預(yù)訓(xùn)練，這樣也就意味著可以將現(xiàn)有的多模態(tài)模型的語義泛化優(yōu)勢(shì)遷移過來。但是，機(jī)器人模型Scaling Law問題一直是業(yè)界難題，也就是說目前還沒有一種很好的方式或者研究可以證明機(jī)器人的智能確實(shí)能隨著算力和數(shù)據(jù)的增加而持續(xù)提升。

但是Generalist在這方面取得了突破，這也是行業(yè)對(duì)其贊不絕口的重要原因之一。

第一是GEN-0首次在機(jī)器人領(lǐng)域?qū)嶒?yàn)證明了規(guī)模定律（Scaling Law）的適用性，即隨著模型和數(shù)據(jù)規(guī)模的增加，性能遵循可預(yù)測(cè)的冪律關(guān)系持續(xù)提升。

研究團(tuán)隊(duì)從不同規(guī)模的預(yù)訓(xùn)練模型出發(fā)，對(duì)語言條件下的16個(gè)任務(wù)集進(jìn)行微調(diào)，結(jié)果顯示更多預(yù)訓(xùn)練數(shù)據(jù)始終帶來更低的后訓(xùn)練誤差。這種可量化的關(guān)系也讓人們能夠估算要達(dá)到特定性能水平需要多少數(shù)據(jù)和算力，為機(jī)器人研發(fā)提供了明確路線。

北京大學(xué)人工智能研究院陳寶權(quán)教授在朋友圈感嘆：“這個(gè)Generalist‘通才’具身基礎(chǔ)大模型相當(dāng)重磅! 如此，scaling law繼續(xù)高歌猛進(jìn)!”

除此之外，GEN-0的研究團(tuán)隊(duì)發(fā)現(xiàn)，機(jī)器人智能存在清晰的“相變閾值”。當(dāng)模型規(guī)模不足時(shí)，即使增加數(shù)據(jù)，性能也會(huì)停滯不前，但一旦超過閾值，性能則開始呈指數(shù)級(jí)提升。下圖直觀地展示了這一現(xiàn)象：1B參數(shù)（藍(lán)線）模型在訓(xùn)練初期便出現(xiàn)固化（誤差不再下降），而6B（綠）和7B（黃）模型隨著算力和數(shù)據(jù)的增加持續(xù)改進(jìn)。

官方表明，7B參數(shù)是這一閾值的關(guān)鍵點(diǎn)，低于7B的模型難以消化海量物理交互數(shù)據(jù)，表現(xiàn)出學(xué)習(xí)停滯，超過7B后，模型能有效內(nèi)化更多經(jīng)驗(yàn)，并只需極少的后訓(xùn)練就能適應(yīng)新任務(wù)。

Generalist 的實(shí)驗(yàn)表明，物理世界中的智能在算力方面可能有一個(gè)更高的激活閾值。這一發(fā)現(xiàn)也印證了莫拉維克悖論，很多人類看來輕而易舉的感知和操作，反而需要更高的計(jì)算復(fù)雜度。

GEN-0還有一個(gè)核心架構(gòu)創(chuàng)新，叫作和諧推理（Harmonic Reasoning）。傳統(tǒng)機(jī)器人通常會(huì)將規(guī)劃與執(zhí)行拆分為兩個(gè)階段，但放在實(shí)時(shí)物理環(huán)境中，這種操作存在一個(gè)根本性問題：物理世界不會(huì)暫停等待決策。

對(duì)于語言模型來說，在回應(yīng)前花更多時(shí)間思考是可以接受的，但對(duì)于在現(xiàn)實(shí)世界中行動(dòng)的機(jī)器人而言，一個(gè)思考時(shí)間過長(zhǎng)的機(jī)器人就顯得尤為奇怪了。

為此，GEN-0采用了一種很新穎的訓(xùn)練方法，使模型能夠在連續(xù)的時(shí)間流中同時(shí)處理感知輸入和動(dòng)作輸出?？梢岳斫鉃?，模型還在觀察的同時(shí)就開始規(guī)劃動(dòng)作，這種設(shè)計(jì)為機(jī)器人創(chuàng)造了感知和執(zhí)行之間一種比較和諧的互動(dòng)。

通過這種方式，GEN-0無需依賴常見的“系統(tǒng)1-系統(tǒng)2”架構(gòu)或預(yù)先規(guī)劃模塊，就可以擴(kuò)展到非常大的規(guī)模，支持復(fù)雜物理場(chǎng)景中的實(shí)時(shí)決策，也讓機(jī)器人能夠更接近人類的反應(yīng)方式，顯著提高了在動(dòng)態(tài)環(huán)境中的魯棒性。

神秘的具身獨(dú)角獸

這家神秘的公司Generalist AI，是美國(guó)硅谷一家機(jī)器人初創(chuàng)公司，官網(wǎng)表示公司愿景是做通用機(jī)器人和具身基礎(chǔ)模型。

Generalist AI首次闖入人們的視野其實(shí)是在今年3月召開的英偉達(dá)GTC的一個(gè)小組討論會(huì)上。當(dāng)時(shí)，谷歌 DeepMind 高級(jí)研究科學(xué)家、RT-2的作者皮特·弗洛倫斯（Pete Florence）以 Generalist AI聯(lián)合創(chuàng)始人兼首席執(zhí)行官的身份出席了該會(huì)議。

今年六月，皮特在社交媒體上公開表示，自己去年春天離開了谷歌DeepMind，之后一直與一支新的出色團(tuán)隊(duì)埋頭苦干。

Pete本科就讀于普林斯頓大學(xué)攻讀化學(xué)專業(yè)，畢業(yè)后并未延續(xù)化學(xué)方向，而是轉(zhuǎn)向劍橋大學(xué)，攻讀物理碩士，并于2013年獲得學(xué)位，但化學(xué)與物理并未成為他的研究終點(diǎn)。

2014年，Pete加入MIT的計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL），在Russ Tedrake教授領(lǐng)導(dǎo)的Robot Locomotion實(shí)驗(yàn)室攻讀博士。

在創(chuàng)業(yè)之前前，Pete曾在Google DeepMind擔(dān)任高級(jí)研究科學(xué)家，參與了大部分具身與大模型相關(guān)的大型項(xiàng)目，其中包括谷歌于2023年發(fā)布的多模態(tài)具身視覺語言模型PaLM-E以及全球首個(gè)視覺-語言-動(dòng)作模型RT-2。

Andy Barry是Generalist AI的聯(lián)合創(chuàng)始人兼CTO。他本科畢業(yè)于富蘭克林·W·奧林工程學(xué)院，此后便在MIT計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL）直博，獲得機(jī)器人學(xué)博士學(xué)位。

Andy和Pete其實(shí)是同門師兄弟，兩人都是Russ教授的得意門生，也因此結(jié)緣。在Generalist AI之前，兩人還曾一起創(chuàng)立過一家教育工坊（workshop）“STAGE ONE EDUCATION”，專門用以通俗易懂的方式教小孩子最基礎(chǔ)的計(jì)算機(jī)知識(shí)。

在加入Generalist AI之前，Andy曾在波士頓動(dòng)力公司擔(dān)任高級(jí)機(jī)器人科學(xué)家，期間還參與了Spot機(jī)器狗的機(jī)械臂項(xiàng)目研發(fā)。

另一位聯(lián)合創(chuàng)始人兼首席科學(xué)家是Andy Zeng，曾任Google DeepMind的研究科學(xué)家及技術(shù)負(fù)責(zé)人，具身智能領(lǐng)域頗有建樹的華人代表。

Andy本科以數(shù)學(xué)與計(jì)算機(jī)雙學(xué)位畢業(yè)于加州大學(xué)伯克利分校。隨后，他前往普林斯頓大學(xué)攻讀計(jì)算機(jī)科學(xué)博士，研究方向集中于機(jī)器人操作、機(jī)器學(xué)習(xí)與計(jì)算機(jī)視覺的交叉融合。

他與創(chuàng)始人Pete Florence相識(shí)于谷歌。Andy早在2018年就進(jìn)入Google實(shí)習(xí)，兩人至今已聯(lián)合發(fā)表超過17篇論文。

就領(lǐng)英和推特信息來看，Generalist AI核心團(tuán)隊(duì)的其他成員絕大多數(shù)都畢業(yè)于頂尖高校并極具行業(yè)經(jīng)驗(yàn)，不少人曾在OpenAI、Google DeepMind、波士頓動(dòng)力、特斯拉等機(jī)構(gòu)擔(dān)任關(guān)鍵角色，研究背景涵蓋從大模型訓(xùn)練、強(qiáng)化學(xué)習(xí)研究到機(jī)器人控制系統(tǒng)開發(fā)等。

創(chuàng)始人Pete Florence曾說：“我們的目標(biāo)非常堅(jiān)定，就是要造出能夠做任何事情的機(jī)器人?！庇袠I(yè)內(nèi)從業(yè)者對(duì)搜狐科技表示，在他看來Generalist AI極具野心，未來很有可能涉足機(jī)器人硬件和本體。

至此，具身賽道又迎來了一位野心勃勃的新玩家。

運(yùn)營(yíng)編輯 |曹倩審核｜孟莎莎