夢瑤 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

問：老了以后誰給你養(yǎng)老？答：機器人啊?。。?/p>

原本，這只是網(wǎng)友們拿來應(yīng)對家長催婚的擺爛式回答，誰成想，這下真·魔幻照進現(xiàn)實了……

因為嘛——能在真實家庭場景24小時在崗，持續(xù)理解世界并不斷自我進化的機器人大腦，這回真的來了。（驚呆.jpg）

就在剛剛，自變量機器人發(fā)布了全球首個世界統(tǒng)一模型架構(gòu)的具身智能基礎(chǔ)模型：WALL-B。

AI生成

基于世界統(tǒng)一模型，WALL-B解決了傳統(tǒng)VLA架構(gòu)在模塊間數(shù)據(jù)搬運上的bug點——

在極低數(shù)據(jù)消耗下，把視覺、聽覺、語言、觸覺模塊全面打通，讓機器人不僅具備原生多模態(tài)能力，也開始真正理解物理世界的規(guī)律。

不僅如此，WALL-B還讓機器人擁有了更強的自主預(yù)測、零樣本泛化以及在真實環(huán)境中持續(xù)生存的能力——

很多過去在家庭場景里需要人反復示范、手把手教的活兒，如今機器人已經(jīng)可以《干中學》，真·越干越聰明。

這下好了，機器人成為家庭成員這事兒，這回真指日可待了？？？

首個世界統(tǒng)一模型，來了！

鏡頭前面耍大刀，左腳雞毛腿，右手出硬拳！

這兩年，鏡頭里的小機器人一個比一個會整活兒，隨便拎出來一個，都挺像那么回事？？？

而這一波「機器人突然變能干了」的背后，靠的正是過去兩年行業(yè)最主流的一條技術(shù)路線——VLA架構(gòu)。

也就是把視覺、語言和動作連起來，讓機器人從過去只會執(zhí)行單一動作，進化到能看、能聽、能跟著指令干活。

但，熱鬧歸熱鬧，一個行業(yè)里越來越藏不住的現(xiàn)實也擺在眼前——

VLA確實很擅長讓機器人學會照著做，但一旦涉及對物理世界的理解，尤其是在家庭這種充滿隨機和未知情況的環(huán)境中執(zhí)行任務(wù)時，就不太ok了…

更麻煩的是，傳統(tǒng)VLA內(nèi)部很多時候還是「分頭干活」的路子。

視覺管看，語言管理解，動作管執(zhí)行，模塊之間數(shù)據(jù)來回倒騰，每傳一次就損耗一次，信息越傳越少，以至于機器人在執(zhí)行時的判斷也來越不準確……

而WALL-B走的，恰恰是另一條相反的路徑——

基于世界統(tǒng)一模型，把視覺、聽覺、語言、觸覺模塊全面打通，讓機器人擁有一套具備「原生多模態(tài)」「世界觀」「與世界交互」能力的大腦。

從看見到理解再到行動，機器人這下也真正懂得物理世界，可以成為家庭的一員了。

世界統(tǒng)一模型：機器人也開始像人一樣理解世界了

大家有沒有思考過一個問題——為啥機器人很難像人一樣在真實世界里自然干活？

一層是對外部世界的預(yù)測能力，另一層是身體本身具備多模態(tài)協(xié)同能力，語言、聽覺、視覺、動作可以同時運轉(zhuǎn)、彼此聯(lián)動。

機器人難就難在這里。

它缺的從來不只是某一個單點能力，真正卡住它的，是感知、理解、預(yù)測、執(zhí)行這些環(huán)節(jié)很難像人一樣順暢連起來。

而世界統(tǒng)一模型要解決的，正是機器人大腦里長期存在的大bug：那就是解決「模塊間數(shù)據(jù)搬運」這個根本問題。

這個思路和蘋果M1芯片的演變過程很類似。

在M1芯片前，CPU、NPU、GPU都是分開的，三個芯片之間每搬一次就有一次延遲，每搬一次就有很多損耗。

后來蘋果干脆直接用統(tǒng)一內(nèi)存架構(gòu)，把不同計算單元放進同一套共享體系里，數(shù)據(jù)流轉(zhuǎn)路徑大幅縮短，整機性能也因此上了一個level～

△AI生成

而在WALL-B身上，M1芯片這種打通模塊壁壘的能力，也被真正沉到了模型底層——

基于世界統(tǒng)一模型，WALL-B將機器人的視覺、聽覺、語言、觸覺等能力放進同一個網(wǎng)絡(luò)里進行同步訓練，讓各模塊分別工作走向整套系統(tǒng)協(xié)同運轉(zhuǎn)。

而這套架構(gòu)為小機器人們帶來的第一個關(guān)鍵能力，就是「原生多模態(tài)」。

簡單理解就是，解決「看見」和「行動」之間的信息折損問題，把視覺、語言、動作、觸覺直接打通。

讓機器人能夠根據(jù)看到的畫面進行直接反應(yīng)，哪怕面對門把手，它也能知道推門時應(yīng)該用多大的力度去推～

而這背后體現(xiàn)的，正是架構(gòu)本身的多模態(tài)輸入、多模態(tài)輸出能力，將感知與執(zhí)行真正連在一起，讓小機器人們能直接理解環(huán)境，也能直接生成行動。

△AI生成

但是話又說話來，小機器人們光是能看見、能動作，其實還遠遠不夠。

事實上，到了真實家庭場景中，機器人要面對的從來都不是標準題，而是一堆隨時會冒出來的《臨場狀況》。

比如地上有一灘剛灑出來的水，但很多傳統(tǒng)基于VLA架構(gòu)的機器人面對這個場景，往往只能停留在看到了地面顏色不一樣。

即便識別出地上有水，也未必明白「滑」意味著風險，更不會主動把這件事和繞行、清理、避險這些動作聯(lián)系起來。

而這也是世界統(tǒng)一模型賦予小機器人們的第二個能力，那就是讓機器人擁有自己的「世界觀」。

不只讓機器人看到世界，更開始讓機器人讀懂世界，建立起對現(xiàn)實規(guī)律的判斷，理解物體背后的狀態(tài)、關(guān)系和后果。

△AI生成

但這還遠遠不夠。

因為要讓真正機器人理解世界，除了理解世界和原生多模態(tài)能力外，還有另一件事：經(jīng)驗會不會被留下來。

但，這恰恰也是當下很多VLA系統(tǒng)的一道檻——

它們可以完成任務(wù)，卻很難像人一樣在真實環(huán)境里邊做邊學、越做越熟，任務(wù)一失敗，小機器人就舉手投降……

而基于世界統(tǒng)一模型，WALL-B進一步往前走了一步——它讓機器人擁有了「與世界交互」的能力。

也就是從實踐中不斷學習的能力，并且把成功的經(jīng)驗更新到自己的模型參數(shù)里，下次遇到同樣的處境問題時就知道怎么解決了，這樣模型就完成了一次進化。

更關(guān)鍵的是，這種進化并不依賴工程師反復回收數(shù)據(jù)、重新訓練、重新部署，機器人直接就能在真實世界里通過不斷嘗試、不斷反饋、不斷修正，完成自我迭代。

（不是，怎么突然感覺好勵志??？？）

能力躍遷：機器人也有“眼力見”了

其實說到這兒，大家也確實感覺出基于世界統(tǒng)一模型的WALL-B模型，確實有「億點點」不一樣。

但是吧，在具體的任務(wù)執(zhí)行能力上，WALL-B能做的，還不止這億點點。

大家都知道，機器人想在物理世界里自主干活，首先得有一雙真正看得懂世界的眼睛。

對于傳統(tǒng)命令式或遙控式機器人來說，它認一個杯子，很多時候更像是在對答案，數(shù)據(jù)庫里見過這個，就知道這是杯子；換個樣子、換個擺法，它可能就有點懵了。

而WALL-B為機器人大腦補上的，是一套更接近人類認知方式的「部件級理解」能力——

讓機器人不僅認得這是杯子，還認得它是什么材質(zhì)、把手朝哪邊、現(xiàn)在是什么狀態(tài)、應(yīng)該從哪里下手更合適。

讓機器人真正具備所見即所認、觸類旁通的視覺理解的真本領(lǐng)。

△AI生成

不僅如此，這套架構(gòu)帶來的價值，還讓WALL-B第一次具備了更接近生物體的「原生本體感」。

給友友簡單解釋一下，就是機器人不用依賴大量外部傳感器反復確認位置，就能知道自己的身體邊界和動作范圍。

它天生就清楚自己有多高、多寬，手臂能伸到哪里，轉(zhuǎn)身會不會碰到東西，動作該留出多少余量～

有朋友該說了，讓機器人知道這些有啥用??？（好問題.jpg）

事實上，機器人要想在家庭這類復雜空間里穩(wěn)定工作，前提就是先對自己有足夠了解。

只有知道自己的身體結(jié)構(gòu)、運動極限和空間占位，它在拿取、移動、轉(zhuǎn)身、避障時，動作才會更自然也更穩(wěn)定??！

△AI生成

與此同時，基于世界統(tǒng)一模型，WALL-B還具備強大的「零樣本泛化能力」。

大白話說就是，哪怕面對從沒見過的物體、場景和任務(wù)，機器人也不一定非要見過同款才能上手。

通過對物理世界的理解，機器人學到的已經(jīng)不只是某個具體案例，而是更底層的結(jié)構(gòu)關(guān)系、交互邏輯和操作規(guī)律。

既能理解環(huán)境，也能理解自己；既能執(zhí)行當前任務(wù)，也能在與世界持續(xù)互動中不斷調(diào)整和進化。

作為中國首個基于世界統(tǒng)一模型的具身基礎(chǔ)模型，WALL-B打破了命令式機器人、遙控式機器人在真實家庭場景中依賴預(yù)設(shè)指令、難以應(yīng)對變化、缺乏自主處理能力的局限。

既為行業(yè)提供了可量化、可復制的系統(tǒng)能力參考，也為家庭服務(wù)和工業(yè)應(yīng)用場景的模型部署樹立了新的行業(yè)樣本。

從進入家庭到自我進化，數(shù)據(jù)飛輪開始自轉(zhuǎn)

在具身智能行業(yè)，一個很難不承認的事實是：最核心的資源并非算法本身，而是支撐算法持續(xù)進化的高質(zhì)量訓練數(shù)據(jù)。

其實這也是為啥很多看起來動作很酷炫的機器人，一到真實場景里就容易《露怯》。

而問題就出在數(shù)據(jù)源頭，當前大多數(shù)機器人訓練的數(shù)據(jù)都是「實驗室數(shù)據(jù)」——

環(huán)境、任務(wù)都是可控且固定的，機器人幾乎也是在蜜罐里長大的，糖水雖然甜，但并不會增強孩子本身的抵抗力。

自變量機器人為這類實驗室數(shù)據(jù)起了一個非常有意思的名字，叫「糖水數(shù)據(jù)」。

對應(yīng)到機器人訓練里，就是數(shù)據(jù)量大、足夠干凈、采集成本相對可控，模型也更容易快速學出一套標準動作。

△AI生成

可問題也很直接：機器人最終要面對的，從來都不是一間永遠整齊、永遠明亮、永遠按腳本運行的房間。

也正因如此，自變量還提出了另一組相對的概念，叫「牛奶數(shù)據(jù)」——也就是真實家庭場景里產(chǎn)生的數(shù)據(jù)。

牛奶數(shù)據(jù)更像是真正有營養(yǎng)的日常飯，家庭環(huán)境雖然復雜、嘈雜、充滿變化，但訓練價值也更高。

就比如同一個「拿杯子」的任務(wù)，放到100個家庭里，幾乎就會遇到100種擺放方式、100種干擾條件，對于機器人來說每一次伸手，幾乎都像在面對一道新題……

當然，牛奶數(shù)據(jù)也有一個行業(yè)都清楚的難點：太難采。

它沒法靠搭幾個標準場景批量復制，也沒法在封閉實驗室里低成本生成，團隊得把機器人真正帶進家庭，一家一家去跑，一次一次去試，在真實使用中記錄動作、失敗、修正和反饋。

但恰恰是這條最難走的路，才更接近做出「零樣本泛化」模型的答案。

△AI生成

結(jié)果您猜怎么著——自變量團隊，真就把機器人帶進了100個家庭里了。（好家伙.jpg）

當機器人持續(xù)進入真實家庭運行之后，整個系統(tǒng)會逐步形成一個不斷自我強化的正向循環(huán)：

機器人在家庭里執(zhí)行任務(wù)，積累日常交互數(shù)據(jù)，這些數(shù)據(jù)反過來推動模型繼續(xù)迭代，模型能力提升后，又能進入更多家庭、承擔更多任務(wù)、采回更多高價值數(shù)據(jù)。

當這個循環(huán)真正跑起來，數(shù)據(jù)就已經(jīng)不只是訓練階段的一次性投入，而會變成模型持續(xù)成長的燃料，變成系統(tǒng)能力不斷外溢的源頭，最終形成一個越轉(zhuǎn)越快、越轉(zhuǎn)越強的數(shù)據(jù)飛輪。

實驗室數(shù)據(jù)幫機器人打基礎(chǔ)，真實家庭數(shù)據(jù)讓機器人開始長出「見過世面」的能力，而這也讓WALL-B構(gòu)建起難以復刻的最高壁壘。

△AI生成

其實放眼整個具身智能賽道，行業(yè)最缺的從來都不是一兩個會翻跟頭、會做展示動作的機器人。

真正稀缺的，是能夠在真實世界里持續(xù)學習、持續(xù)適應(yīng)、持續(xù)進化的系統(tǒng)能力。

從這個意義上看，WALL-B的價值并不只是在于進了100個家庭，也不只是在于采到了多少條真實數(shù)據(jù)，而是在于它率先驗證了一條更接近終局的路徑——

讓機器人從實驗室里學會動作，再到真實家庭里學會生活；讓模型從被動接受訓練，逐步走向在真實世界中主動完成進化。

讓機器人真正融入家庭，這一次，想象成真了

說實話，這兩年我們看到了太多在視頻里花樣演示的機器人——

翻跟頭、打拳跑跳，一個比一個熱鬧，但熱鬧歸熱鬧，很多能力依然停留在demo演示層面。

一旦離開預(yù)設(shè)環(huán)境進入真實世界，泛化能力、主動性，以及對周圍環(huán)境的理解能力，往往還是差了一截。

這其實也解釋了，為什么很多人一提到家庭機器人，第一反應(yīng)往往還是有點模糊：它到底還能幫我們做什么？

我們習慣了它掃地、拖地，卻很少認真想過，機器人有沒有可能進一步接手那些生活里很細碎、很日常、甚至已經(jīng)被我們默只能自己做的小事。

△AI生成

理由很簡單——家庭場景幾乎是機器人最難應(yīng)付、也最難偽裝的考場。

也正因如此，自變量選擇讓機器人真正入駐家庭這一步，才顯得格外有分量。

讓機器人真正走進家庭、直接面對用戶，需要的從來不只是技術(shù)能力，還有把產(chǎn)品交給真實世界檢驗的勇氣。

在與家庭成員持續(xù)交互的過程中，WALL-B能夠讓機器人逐漸理解生活節(jié)奏、習慣偏好，并把這些經(jīng)驗沉淀為自己的能力。

這樣一來，機器人承擔的角色也在變，它開始從一個執(zhí)行指令的設(shè)備，慢慢進入家庭日常運轉(zhuǎn)的內(nèi)部，成為更貼近生活的人力補充。

或許呢，我們可以把想象力再往外擴展那么億點點——

沒準過不了多久，在家政和養(yǎng)老這事兒上也能隨處可見小機器人的身影了～

隨著這些能力在真實場景中不斷沉淀，自變量機器人大腦也已然進入全新階段。

而在這過程中，自變量機器人也讓整個行業(yè)第一次更清晰地看到，家庭場景并不是一個停留在想象里的終點，而是具身智能真正能夠訓練能力、驗證能力、放大能力的關(guān)鍵現(xiàn)場。

WALL-B帶著它那顆聰明的腦子在驗證一種更接近未來的路徑，而自變量機器人也給整個具身智能行業(yè)提供了一個可參考、可觀察、也更有現(xiàn)實感的發(fā)展樣本。