光合创业投资基金看好国内端到端机器人大模型领导者自变量机器人。自变量选择“大小脑统一的端到端大模型”路线,重视多任务、大量场景训练以提升模型的通用性和适应能力。光速光合认为自变量具备硬科技创业公司的共同特点,期待其成为具身智能大脑领域的领先者。
光速光合宓群具身智能可主要分为大脑(认知与决策)和小脑(运动控制)。目前国内企业在探索不同发展路径:部分专注于大脑,提升机器人语言理解与规划能力;部分聚焦小脑,优化行走、抓取动作等运动控制;也有企业选择大小脑统一的端到端路线。
统一端到端具身智能大模型是提升机器人泛化能力和适应能力的关键。传统的分层架构虽能在特定任务上实现优化,但难以适应复杂环境的动态变化。而端到端方案,使机器人能够从感知直接映射到运动,形成高效的反馈闭环,从而在多任务、多场景中具备更强的自主学习与适应能力。
光速光合合伙人朱嘉表示,自变量机器人是国内端到端机器人大模型的领导者,不仅在模型泛化性上明显领先,在研发工具链上也大量自研,这是过往成功的硬科技创业公司身上的共同特点。很有意思的是创始人王潜和Deepseek创始人梁文锋都是做量化策略出身,期待自变量也能有机会成为具身智能大脑领域的Deepseek。
自变量从成立之初就选择了“大小脑统一的端到端大模型”路线。公司创始人兼CEO王潜表示,真正的具身智能大模型,应当由一个模型覆盖从感知信号输入到动作输出的完整过程,而不进行人为地分层或模块划分,这才是实现通用具身智能的真正解法。
而在国内,选择端到端模型的厂商中,技术路线也有所分化:部分厂商选择优先训练特定任务或单一场景的小模型;自变量则从一开始采用多任务、大量场景训练,以提升模型的通用性和适应能力。
王潜表示,目前业内对于明显超过单一操作的复杂任务,所有较好的实现结果几乎都是由具身智能大模型完成的。小模型为每个任务设计特定的模型结构,往往只能执行最基本的单一操作,无法实现泛化。与之相反,大模型则重视如何通过工程化方式实现模型的scaling-up,直至达到完全通用。二者技术栈完全不同,依赖小模型的积累并不能有效迁移实现大模型。
通用性和泛化性是定义这一代具身智能技术最核心的要素。只有达到足够的通用性、泛化性和可迁移性,才使得具身智能真正区别于传统自动化,能实现在自由环境中,不受预设环境和预设物体限制的自由操作。
|
