在科技日新月異的今天，人工智能與機(jī)器人技術(shù)正以前所未有的速度交融發(fā)展。2023年以來，以大模型為核心的人工智能技術(shù)和以具身智能為特征的機(jī)器人技術(shù)，共同構(gòu)成了科技進(jìn)步的兩大支柱。將人工智能算法，尤其是大模型技術(shù)，應(yīng)用于提升機(jī)器人的智能水平，已成為一種必然趨勢。

在此背景下，“機(jī)器人學(xué)習(xí)”與“具身大腦”這兩個概念迅速升溫，成為業(yè)界熱議的焦點(diǎn)。通過與多位行業(yè)專家的交流，我們了解到，“具身大腦”的定義并非一成不變，它泛指任何將人工智能算法與機(jī)器人技術(shù)相結(jié)合，以提升機(jī)器人在交互、感知與控制方面能力的技術(shù)體系。

當(dāng)前，國內(nèi)專注于機(jī)器人模型研發(fā)的廠商大致可以分為兩大派別：身體控制派和交互感知派。而從技術(shù)源頭上看，這些廠商又可細(xì)分為視覺感知派、強(qiáng)化學(xué)習(xí)派和語言模型派等多個流派。然而，在解決機(jī)器人大腦問題上，各技術(shù)流派之間存在著路徑差異和觀點(diǎn)分歧。

在過去的一年里，研究基礎(chǔ)模型出身的大模型派在機(jī)器人領(lǐng)域的落地實(shí)踐尤為艱難。除了激烈的市場競爭外，更關(guān)鍵的是，端側(cè)模型在機(jī)器人終端的落地還面臨著芯片開發(fā)的挑戰(zhàn)，這導(dǎo)致機(jī)器人廠商、大模型廠商與芯片廠商之間形成了一種復(fù)雜的三角關(guān)系。

這種三角關(guān)系目前正處于一種負(fù)向增強(qiáng)的反饋循環(huán)中。首先，端側(cè)模型在機(jī)器人上的應(yīng)用需要適配特定的芯片，但芯片的迭代往往基于市場需求。由于機(jī)器人尚未從專業(yè)級產(chǎn)品轉(zhuǎn)變?yōu)橄M(fèi)級產(chǎn)品，其出貨量遠(yuǎn)低于手機(jī)、PC等硬件設(shè)備，因此適配機(jī)器人端側(cè)模型的芯片遲遲未能推出。其次，機(jī)器人消費(fèi)市場的擴(kuò)大高度依賴于智能水平的提升，即AI模型的迭代，而AI模型的升級又需要大量真實(shí)世界的高質(zhì)量數(shù)據(jù)，這些數(shù)據(jù)需要通過機(jī)器人與用戶進(jìn)行交互來獲取。然而，目前具身VLA（一種機(jī)器人大腦模型）的實(shí)際效果還遠(yuǎn)未達(dá)到消費(fèi)級可用的精度和準(zhǔn)確率要求，導(dǎo)致機(jī)器人的智能水平迭代緩慢，出貨量進(jìn)一步減少，這又反過來影響了芯片的研發(fā)和出貨成本。

在這段三角關(guān)系中，模型廠商、芯片廠商和機(jī)器人廠商都期待著對方能主動打破僵局。然而，現(xiàn)實(shí)卻陷入了僵局，難以自拔。大模型在機(jī)器人終端的落地是端側(cè)AI發(fā)展的一個縮影，至少在短期內(nèi)，將大模型商業(yè)化寄托于機(jī)器人領(lǐng)域可能會面臨重重困難。

盡管如此，大模型在提升機(jī)器人智能水平方面仍然扮演著至關(guān)重要的角色。它們主要作為“大腦”存在，負(fù)責(zé)泛化與規(guī)劃能力。然而，在目前的實(shí)際應(yīng)用中，大模型更多地是幫助機(jī)器人進(jìn)行簡單的任務(wù)理解與拆分。機(jī)器人仍然在執(zhí)行逐個任務(wù)，更多停留在交互層面，尚未展現(xiàn)出學(xué)習(xí)能力的顯著增強(qiáng)和多模態(tài)任務(wù)的實(shí)現(xiàn)。機(jī)器人在執(zhí)行任務(wù)時更多地依賴短期動作規(guī)劃，而很少用到大模型的長期規(guī)劃能力。

為了提升機(jī)器人的智能水平，大模型廠商正在積極探索各種方法。例如，面壁智能正致力于讓機(jī)器人能夠完成更加多樣、復(fù)雜且多步操作的任務(wù)，以提高執(zhí)行準(zhǔn)確率和泛化性。而RockAI則選擇將文本、語音、視頻以及機(jī)體參數(shù)進(jìn)行整體對齊，然后一起輸入給大模型進(jìn)行處理。然而，這些努力仍然處于初級階段，大模型的泛化、規(guī)劃、糾錯等能力在機(jī)器人側(cè)的應(yīng)用還相對初步。

數(shù)據(jù)不足是當(dāng)前大模型在機(jī)器人領(lǐng)域應(yīng)用面臨的最大挑戰(zhàn)之一。由于機(jī)器人尚未實(shí)現(xiàn)量產(chǎn)，無法從專業(yè)級轉(zhuǎn)變?yōu)橄M(fèi)級產(chǎn)品，因此難以獲取大量的、多元化的預(yù)訓(xùn)練數(shù)據(jù)。這導(dǎo)致模型廠商在提升模型泛化性方面遇到了困難。不同形態(tài)的機(jī)器人對大模型有不同的要求，而短時間內(nèi)實(shí)現(xiàn)設(shè)備泛化也面臨著諸多挑戰(zhàn)。

除了數(shù)據(jù)問題外，算力也是制約機(jī)器人端模型發(fā)展的關(guān)鍵瓶頸之一。目前，國內(nèi)研究基礎(chǔ)大模型的主力軍雖然也在發(fā)力“端側(cè)小模型”，但起步較晚、技術(shù)進(jìn)展緩慢。云端大模型雖然參數(shù)規(guī)模龐大、能力強(qiáng)大，但無法在機(jī)器人本體上離線部署。而端側(cè)小模型雖然能夠在機(jī)器人上運(yùn)行，但在任務(wù)泛化、智能理解等方面仍無法與云端大模型相提并論。因此，如何在保持大模型能力的同時實(shí)現(xiàn)高效部署是當(dāng)前亟待解決的問題之一。

為了應(yīng)對這些挑戰(zhàn)，不少大模型廠商正在積極探索解決方案。例如，一些廠商通過端云協(xié)作的方式實(shí)現(xiàn)大小模型的協(xié)同訓(xùn)練和部署。他們首先在云端訓(xùn)練大模型，然后通過知識蒸餾、模型量化等方法得到一個小模型，再將其部署在終端上。這種做法既能保持大模型的能力，又能實(shí)現(xiàn)更高效的部署。還有一些廠商通過優(yōu)化推理框架、適配不同芯片等方式來提高模型在終端上的運(yùn)行效率。

然而，這些努力仍然需要機(jī)器人廠商、芯片廠商和大模型廠商之間的緊密合作。只有三方共同努力、互相支持，才能打破當(dāng)前的僵局，推動機(jī)器人技術(shù)向前發(fā)展。

值得注意的是，雖然當(dāng)前機(jī)器人領(lǐng)域面臨著諸多挑戰(zhàn)和困難，但業(yè)界對未來仍然充滿信心。隨著技術(shù)的不斷進(jìn)步和市場的逐步擴(kuò)大，相信在不久的將來，機(jī)器人技術(shù)一定能夠取得更大的突破和進(jìn)展。

在探索機(jī)器人技術(shù)的過程中，不少業(yè)內(nèi)人士也提出了寶貴的建議和意見。他們認(rèn)為，要推動機(jī)器人技術(shù)的發(fā)展，需要注重技術(shù)創(chuàng)新和人才培養(yǎng)。同時，還需要加強(qiáng)產(chǎn)業(yè)鏈上下游之間的合作與協(xié)同，共同推動整個行業(yè)的健康發(fā)展。

還有一些專家指出，當(dāng)前機(jī)器人領(lǐng)域的研究還存在一些盲點(diǎn)和不足之處。例如，對于機(jī)器人的本體構(gòu)型、肢體參數(shù)等方面的研究還不夠深入；對于如何更好地利用仿真數(shù)據(jù)進(jìn)行模型訓(xùn)練等問題也需要進(jìn)一步探索。

盡管如此，隨著技術(shù)的不斷進(jìn)步和市場的逐步擴(kuò)大，相信這些問題都將得到逐步解決。未來，機(jī)器人技術(shù)一定能夠在更多領(lǐng)域得到廣泛應(yīng)用，為人類社會的發(fā)展和進(jìn)步做出更大的貢獻(xiàn)。