導(dǎo)語：近期，星動紀(jì)元端到端原生機(jī)器人大模型ERA-42正式亮相，即“紀(jì)元原生機(jī)器人大模型”,寓意著不斷探索宇宙萬物的終極答案，展示了其與自研五指靈巧手星動XHAND1結(jié)合后的靈巧操作能力，已學(xué)會了使用不同工具完成100多種復(fù)雜靈巧的操作任務(wù)，并且持續(xù)在同一個(gè)模型下學(xué)習(xí)新的技能。例如，拿起桌上螺釘鉆鉆緊螺釘、用錘子敲打釘子、將水杯扶正后再往水杯中倒水等任務(wù)。

這是業(yè)界首次僅通過同一個(gè)具身大模型就實(shí)現(xiàn)了五指靈巧手像人手一樣使用多種工具完成上百種靈巧復(fù)雜操作任務(wù)，展現(xiàn)了ERA-42行業(yè)領(lǐng)先的通用、靈巧操作能力。模型不需要任何預(yù)編程技能，完全基于其強(qiáng)大的泛化和自適應(yīng)力，能在不到2小時(shí)內(nèi)通過收集少量數(shù)據(jù)就學(xué)會執(zhí)行新的任務(wù)。同時(shí)，ERA-42還在快速不斷學(xué)習(xí)更多新技能中。

ERA-42也是世界范圍內(nèi)首個(gè)真正的五指靈巧手具身大模型，開啟了具身大模型的通用靈巧操作時(shí)代。

1.“真正”的具身大模型才是開啟通用具身智能體的密鑰，需要具備以下三個(gè)要素：

一是統(tǒng)一一個(gè)模型泛化多種任務(wù)和環(huán)境：通過構(gòu)建一個(gè)統(tǒng)一的原生模型，融合視覺、語言、觸覺和身體姿態(tài)等全模態(tài)信息，實(shí)現(xiàn)對不同任務(wù)和環(huán)境的泛化能力。

二是端到端：從接收全模態(tài)數(shù)據(jù)，到生成最終輸出(如決策、動作等)，通過一個(gè)簡潔的神經(jīng)網(wǎng)絡(luò)鏈路完成。該過程無需人為設(shè)計(jì)特征、預(yù)編程或干預(yù)處理步驟，使得具身智能體能夠?qū)崟r(shí)適應(yīng)不同任務(wù)和環(huán)境，顯著提升靈活性與開發(fā)效率。

三是Scaling up(規(guī)模化)：真正的統(tǒng)一的端到端算法才允許模型通過持續(xù)的數(shù)據(jù)積累實(shí)現(xiàn)自我完善，使得具身大模型在數(shù)據(jù)量指數(shù)級增長的同時(shí)，不僅提升性能，還能在未知任務(wù)中展現(xiàn)卓越的自適應(yīng)和泛化能力。

例如，被行業(yè)廣泛熟知的Physical Intelligence (簡稱PI)發(fā)布的π0模型就具備上述要素，是典型的真正意義上的端到端具身大模型。

2.星動紀(jì)元ERA-42是國內(nèi)首個(gè)真正意義上的端到端原生機(jī)器人大模型，比肩世界領(lǐng)先水平

早期，星動紀(jì)元和PI幾乎同期采用了端到端算法來提升其原生機(jī)器人大模型性能，PI推出的π0模型，通過結(jié)合互聯(lián)網(wǎng)規(guī)模的視覺-語言預(yù)訓(xùn)練與機(jī)器人操作數(shù)據(jù)集后訓(xùn)練，使得機(jī)器人能夠在人類環(huán)境中自主執(zhí)行多種復(fù)雜任務(wù)，這是機(jī)器人從特定任務(wù)的“專家”向多任務(wù)的“通才”發(fā)展歷程上的重要一步，也是具身大模型領(lǐng)域的一個(gè)里程碑。

星動論文HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers發(fā)表在CoRL2024

而后，星動紀(jì)元又探索了另一條訓(xùn)練道路，采用大規(guī)模視頻數(shù)據(jù)學(xué)習(xí)策略，涵蓋無標(biāo)注的視頻數(shù)據(jù)、公開各類形態(tài)機(jī)器人的數(shù)據(jù)、人類活動數(shù)據(jù)以及遙操作數(shù)據(jù)等。并且，在上述數(shù)據(jù)的使用上，星動紀(jì)元不是直接模仿視頻里的人怎么去做，而是學(xué)習(xí)行動之后會產(chǎn)生什么樣的結(jié)果。這種方式使得學(xué)習(xí)效果不受限于數(shù)據(jù)質(zhì)量，能大大降低數(shù)據(jù)收集成本，解決了數(shù)據(jù)消耗量巨大、需要大量高質(zhì)量數(shù)據(jù)的行業(yè)難題。

此外，星動紀(jì)元的技術(shù)團(tuán)隊(duì)已將世界模型融入原生機(jī)器人大模型中，使得模型不僅具備行動能力，還具備了對物理世界的理解能力，能夠?qū)ξ磥硇袆榆壽E進(jìn)行預(yù)測，

星動論文Prediction with Action: Visual Policy Learning via Joint Denoising Process發(fā)表在NeurIPS 2024

還能迅速響應(yīng)外部干擾，并在任務(wù)執(zhí)行過程中持續(xù)自適應(yīng)優(yōu)化行為，直至任務(wù)完成。提升了機(jī)器人執(zhí)行任務(wù)的高效性和準(zhǔn)確性。

星動紀(jì)元打造的端到端原生機(jī)器人大模型ERA-42憑借其預(yù)測能力，模型具備強(qiáng)大的泛化、自適應(yīng)和規(guī)?；芰?。結(jié)合星動紀(jì)元為AI打造的全新硬件平臺，可快速實(shí)現(xiàn)具身智能體軟硬件協(xié)同進(jìn)化和商業(yè)化落地。

3.星動紀(jì)元端到端原生機(jī)器人大模型ERA-42引領(lǐng)具身大模型進(jìn)入通用靈巧操作時(shí)代

1)相比夾爪，星動XHAND1已經(jīng)可以完成100多種精細(xì)化、智能化的復(fù)雜靈巧操作任務(wù)

相比夾爪，基于ERA-42能力,五指靈巧手能夠真正像人手一樣使用更多種多樣的工具，完成更通用、靈巧性更強(qiáng)、復(fù)雜度更高的百種以上操作任務(wù)。

基于ERA-42,五指靈巧手星動XHAND1相比夾爪能使用更多不同工具執(zhí)行更靈巧操作

融合世界模型后，ERA-42具備對物理世界的理解以及對未來的預(yù)測的能力，從而大幅提升了泛化能力和任務(wù)成功率。

例如，下圖中上方的圖片展示了真實(shí)物理世界中打開冰箱的逐幀操作，下方的圖片則為ERA-42生成的環(huán)境建模與對打開冰箱任務(wù)的逐幀預(yù)測。可以看到兩張圖片非常接近，說明模型預(yù)測非常準(zhǔn)確。這與其他機(jī)器人大模型直接學(xué)習(xí)行動、而忽視對世界本身理解的方式，或者僅將世界模型用于生成仿真數(shù)據(jù)的方式，存在本質(zhì)的區(qū)別。

3)星動紀(jì)元原生機(jī)器人大模型ERA-42具備更強(qiáng)泛化能力

基于大規(guī)模視頻數(shù)據(jù)的預(yù)訓(xùn)練，只需采集少部分?jǐn)?shù)據(jù)，基于ERA-42的泛化能力，短時(shí)間內(nèi)通過單一的策略靈巧手就能學(xué)會執(zhí)行新的操作任務(wù)。此前，星動紀(jì)元技術(shù)團(tuán)隊(duì)就通過這種訓(xùn)練方式采集簡單的紅黃藍(lán)方塊抓取數(shù)據(jù)，成功實(shí)現(xiàn)了從未見過的多樣化物體(如胡蘿卜、茄子等)的抓取泛化，并相對其他模型算法在泛化任務(wù)上顯著提升了成功率。

4)星動紀(jì)元原生機(jī)器人大模型ERA-42具備更強(qiáng)自適應(yīng)性

由于融合了世界模型，ERA-42不管在單任務(wù)上，還是長序列任務(wù)上都展現(xiàn)出了業(yè)內(nèi)領(lǐng)先的強(qiáng)大抗干擾能力。

5)星動紀(jì)元原生機(jī)器人大模型ERA-42初步體現(xiàn)“Scaling效應(yīng)”

并且研究結(jié)果表明，隨著模型規(guī)模的擴(kuò)大，任務(wù)成功率也明顯提升，初步體現(xiàn)了和大語言模型訓(xùn)練中類似的“Scaling效應(yīng)”，即模型規(guī)模與性能之間的正相關(guān)性。

“Scaling效應(yīng)”顯示模型與機(jī)器人性能呈現(xiàn)正相關(guān)性

構(gòu)建通用具身智能體需要軟硬件協(xié)同迭代，就像人類的腦和身體是從小到大同步協(xié)同成長的一樣。

構(gòu)建原生通用具身智能體=原生機(jī)器人大模型+為AI定義的硬件平臺協(xié)同進(jìn)化

星動XHAND1在作業(yè)能力上展現(xiàn)出的高性能在協(xié)同ERA-42后，為實(shí)現(xiàn)復(fù)雜靈巧操作任務(wù)奠定了基礎(chǔ)。

依托ERA-42，星動紀(jì)元通用人形機(jī)器人執(zhí)行任務(wù)的通用性和泛化性將大幅提升，結(jié)合此前發(fā)布的在復(fù)雜多樣的地形上穩(wěn)定行走和奔跑的運(yùn)動性能，配合上下肢協(xié)同作業(yè)能力，潛在應(yīng)用場景也將更加多元化，真正實(shí)現(xiàn)原生的通用具身智能體的產(chǎn)業(yè)化落地。