autocarweekly 昨天
当Anthropic开始拧瓶盖,机器人公司在慌啥子?
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_keji1.html

 

文|三少爷

继 GPT-6 Astra 展现出非凡的具身操作能力之后,Claude Fable 5.2 也秀出了肌肉。

日前,正在冲刺史上最大规模 IPO、亟需证明自身能力的 Anthropic 一口气升级两款旗舰模型:Claude Fable 5.2 与 Claude Mythos 5.2。对具身产业而言,Fable 5.2 在机器人控制上交出的成绩单最为引人注目。

在官方演示视频里,Fable 5.2 控制的机械臂拧开了瓶盖、复原了打乱的魔方,还握着画笔一笔一笔在白纸上勾出一台小机器人的图案。据 Anthropic 官方博客公布的数据,在 RoboDojo 仿真双臂机器人基准测试中,Fable 5.2 平均成功率达到 64.9%,是同一套测试框架下 GPT-6 Astra 的两倍多。

对于通用大模型在具身操作上的进展,宇树掌门人王兴兴是最热烈的拥抱者,声称 GPT-7 问世的 2027 年有望成为整个机器人行业的临界点。蚂蚁灵波 CEO 朱兴淡定表态 " 我们很关注,也在积极吸收 ",破壳机器人创始人许华哲则悲壮地表示 " 绝不投降 "。各方表态不一,也都有各自的逻辑。不过,面对这些如狼似虎的超级 AI 巨头,所有机器人公司都要回答一个问题:我,还有什么绝活儿?

交出系统 2,留下系统 1

当通用大模型越来越擅长理解物理世界并与之交互,原本由专用具身大模型负责的具身智能,还有多少能留在机器人公司手里呢?这个问题给人老虎吃天、无从下口的懵圈感,咱们做下等价转换,看一看现有的专用具身大模型采用了什么样的智能架构?

Figure Helix 02 的三层划分很好地解答了这个问题。Helix 02 分为系统 2、系统 1、系统 0,系统 2(频率未公布)理解语言和场景,把长任务排成一串语义目标;系统 1 以 200Hz 接住这些语义目标,连同全身感知一起转换为全身关节目标;系统 0 以 1kHz 把关节目标落地为电机指令,同时负责平衡、接触与全身协调。

这套分法正在从 Figure 的私有架构变成行业通用语汇。在国内的机器人公司里,Sharpa、逐际动力直接沿用 System 2/1/0 命名,逐际创始人张巍在谈及其具身大脑系统 COSA 时表示," 系统分三层,System 0、1、2,跟 Figure 有点像,但细节也有很大不同。" 具身双雄宇树、智元采用「大脑—小脑—关节」架构,实质上也是三层映射。  

坐标系一立住,冲击落在哪一层也就清楚了:通用大模型直接冲击的就是系统 2。这种冲击主要体现在泛化性、长程任务规划、场景与语言理解上。过去这些能力得靠具身公司自己积累:让人遥操作机器人一遍遍做示范,或者戴着采集设备把动作录下来,攒成数据集,再基于 AI 巨头的基座模型做后训练,一点点压进 VLA 或世界动作模型里。如今通用模型在互联网规模的数据上就学会了认场景、拆任务、把长程目标排成一串步骤——文本、图像、视频里见过的场景和任务序列太多,这几样本事在预训练阶段的娘胎里直接就带了出来。启元机器人首席科学家董豪在最近的一次访谈里就提到,过去需要具身模型独立解决的场景理解、复杂推理和任务规划,如今可以越来越多地交给通用大模型。

不过,因为成本、实时性的缘故,这类通用大模型目前只是拓展了系统 2 能力的边界,却无法工程化、商业化。智元合伙人姚卯青表示,人类几十秒到一分钟就能做完的操作,通用大模型可能耗掉一两个小时和海量 Token,根本满足不了真实产线的节拍。也就是说,GPT-6 Astra、Claude Fable 5.2 固然外推了具身智能系统 2 的能力边界,但离其能在现场连续干活还差着很远的距离。

机器人公司倒不用说 " 谢天谢地 ",真能干活的系统 2 大概率还是要被这些 AI 巨头给拿下。因为系统 2 需要的泛化能力和常识推理能力,必须通过海量数据的预训练才能够锤炼出来,而全球具备预训练能力的公司屈指可数,放眼电动车 / 机器人领域,只有一个显眼包特斯拉具备这方面的能力。而且,端侧能承载的模型随硬件一代代迭代越来越大,算力平台正在从几百 TOPS 跃进到几千 TOPS,努努力有希望在三五年后实现千亿参数端侧大模型的部署。

但是这些 AI 巨头拿不下系统 1。系统 2 和系统 1 在频率上存在数量级的差距,即便通过各种各样的手段在几千 TOPS 算力的芯片上面实现 5-10 赫兹的系统 2,也不可能实现几十赫兹乃至上百赫兹的系统 1。而且,系统 1 的本事,多半不在模型里,而在现场——干砸了的失败样本、部署后补采的数据、跟产线联调磨掉的毛病,互联网上没有,预训练也给不了。随着技术的进步,眼下跟本体强耦合的系统 1 大概率可以实现跨本体,不过,这套得反复跑在现场的数据闭环是拆不掉的壁垒,只有手里有本体、有机会且能一遍遍在实际场景中干苦活累活的具身企业,才有机会持续迭代系统 1。

系统 0 永远是机器人公司的自留地

系统 1 再往下,就是系统 0。鉴于国内的机器人公司大都特别保密,还是拿海外的 Figure 举例。Helix 02 的系统 0 是一个一千万参数的小神经网络,每秒运行一千次:读进全身关节和身体基座运动状态,对着系统 1 不断下发的关节目标逐帧比对,输出关节级的执行器指令,负责平衡、接触和全身协调。

简单来说就是,系统 1 负责边看边生成动作,系统 0 负责跟踪和执行动作。系统 0 要干的活,是替上层把身体封装好——上面只管交代做什么动作,至于这条腿该使多大力、被推一下怎么把重心找回来、手里多拎一件东西时肩膀怎么找补,都在系统 0 的高频循环里当场算完、即时修正。

再说回系统 1,它交给系统 0 的是动作表示:一串关节目标,或者一段参考轨迹。这东西本是绑死在关节维数上的连续量,换台本体就对不上,但是,通过额外加一层设计——把不同本体的自由度、控制频率、关节排布统一成一套可共享的离散表示,差异收在这套表示和配套的编解码器里,模型主干就不必为每一种本体单独训练一套了。

好多机器人公司已经在这条路上发力了。星海图 G0.5 把十几种本体的自由度与控制频率映射到同一张词表,不针对新本体微调就能跑通一组桌面任务;Physical Intelligence 的 π 0.7 只在 ARX 机械臂上训过叠衣服,可以零适配迁移到 UR5 双臂;北京人形机器人创新中心的 XR-1 也是奔着让小脑适配全品类机型努力的。

所以,系统 1 跟本体的紧耦合,眼下是工程现实,却不是不可突破的铁律。 相较之下,系统 0 要脱离本体泛化,几乎是个不可能的任务。因为上层给的是动作,到这一层已经落成每个关节该出的力矩,没有可以转译的余地。在系统 0 的高频循环里,需要拿这台机器此刻的关节状态反复比对,得顾及连杆多长、质量怎么分布、电机力矩常数多少、关节有没有回差、磨损到什么程度、限位在哪儿。这些都是跟本体密切绑定的参数,互联网视频里不会带,靠语义泛化也推不出来。

换一个型号,前面那一串参数就都变了,系统 0 得照着新身体重做,没法直接搬。同一个型号里每一台也不完全一样:电机出厂体质就有差别,用上两三个月,磨损和温漂会让同一个动作的执行出现偏差,这一层得跟着自适应。RoboParty 的黄一对此有个判断—— "System 0 本质上就是一个硬件工程,是硬件和工程类的工作 " ——模型训完不算完,具体哪台机器人、用了多久,运行时都得考虑进去。

系统 2 归了云端也好,系统 1 被跨本体模型拉平也罢,哪怕哪天推理和动作并进同一条自回归流、连系统 1 这个名字都不用了,只要机器人还在一具物理身体上做功,就得有人守在机身上把这层毫秒级的闭环跑完。也就是说,不管上层怎么变,系统 0 都是机器人公司的自留地。

写在最后

取决于机器人只能干活、不会跳舞,还是只会跳舞、不能干活,还是既能干活、又能跳舞,也取决于它面向的是生产场景还是服务场景,在机器人的智能架构中,系统 2、系统 1、系统 0 的概念相对来说有些混乱。但不管怎样,在系统 2 这个层面,机器人公司正在悲欣交集地迎来 OpenAI、Anthropic 这些超级 AI 巨头的侵蚀。

目前,全栈型机器人公司的大部分壁垒在系统 1 这里,它正在受到来自系统 2 和系统 0 的双重挤压,不过只要芯片算力、散热的物理约束还存在,机器人公司现在还是应该坚守系统 1 的阵地。至于系统 0,它得连着一具具体的身体交付,没法单独外包。站在终局视角,机器人公司剩下的绝活儿,恐怕就只有这一层了。

智客推

智客推

ZAKER 智客推 GEO | AI 时代的品牌认知解决方案

一起剪

一起剪

ZAKER旗下免费视频剪辑工具

相关标签

机器人 机械臂 成绩单 魔方 ipo
相关文章
打开 ZAKER 参与讨论