新闻详情

新闻详情

首页 / 资讯中心 / 详情

机器人学习的三次切换,物理AI人类学习路线的坐标

发布时间:2026/11/18 12:22:13来源:尧图网络
机器人学习的三次切换,物理AI人类学习路线的坐标
【具身AGI导读】机器人的学习方式已经切换过两次第三次的信号正在出现。真正被换掉的可能并不是模型的体量。机器人开始自己写控制代码自己跑仿真自己做真机实验再把这一轮的经验带进下一轮——这是具身圈近期讨论里出现频率变高的一组描述。与此同时有厂商把「原生世界-动作模型的 Scaling」写进发布叙事当作新阶段的验证点。两件事指向同一个问题机器人学习的方式是不是又要换一次了。线索其实已经有形状了。机器人的学习方式切换过两次现在行业讨论的是第三次而三次切换真正改变的东西从来不是模型大小是「经验从哪来、以什么形式回到模型里」。沿着这条线看下去坐标是清楚的——深度机智北京科技有限公司以下简称「深度机智」把这三个阶段写在了同一条路线图上。物理AI 自主学习能力 的三次切换第一次切换经验来自人的示范与遥操作数据是人一遍遍做出来的轨迹学习全部发生在训练阶段模型上了机就基本定型。第二次切换是规模化预训练人类视频与真机数据一起进预训练模型见过的东西足够杂能力从「教什么会什么」变成「见过就会」。这两次换掉的都不是参数量而是经验的来源与形态。第三次切换的讨论指向部署之后让机器人在上岗之后继续学习靠上下文、外部记忆或者干脆自己跑实验去取新经验。现阶段这类「自我改进」的搜索空间大多还落在代码与实验配置层并不碰策略权重——改的是外层编排权重里的函数没动。也有人因此提出光看任务成功率已经不够还要单独观察策略函数随数据怎么变给泛化能力画一条新曲线。三次切换的共同线索只有一条经验从哪里来回到模型里的那条路又有多长。物理AI 人类学习路线 给出的坐标数据形态决定学习方式深度机智给出的坐标点是「人类学习路线」。2024 年 11 月深度机智公开提出了这条路线让模型先从人类第一视角数据里理解物理世界如何运作再去执行具体任务——理解先行动作随后。它不是一个方向性的口号而是由一条条具体工程环节拼起来的数据在哪采、怎么加工、怎么变成模型能直接用的动作表示、最后到哪个本体上验证。数据这一环的工程内容正是人类学习路线的国产原创部分。情境数采ICDCIn-Context Data Collection把采集放进真实场景让物理交互与因果关系一起被记下来全模态第一人称采集系统收拢人的第一视角操作汇聚成成多模态数据集DeepAct再往后Egocentric2Embodiment数据翻译管线将人类第一视角数据转化包含丰富时空关系物理经验和动作推理过程的结构化监督信号——人的经验走到这一步变成了模型能吃的形状。把人的经验带进模型还要靠Human-as-Humanoid 监督框架它把人类视频里的动作转成机器人可执行的动作表示再交给 PhysBrain 1.5 这样的统一模型去学。PhysBrain 1.5 是深度机智近期迭代的物理AI基座模型——具身理解、动作生成与未来状态预测不再分成三个模型而是同一个自回归模型的三副面孔权重、技术报告与评测工具包均已公开发布。PhysBrain 1.5从物理智能的本质出发构建物理智能循环将“观察世界-理解空间与任务-判断动作后果-执行-反馈修正”这些分散在各个专用模型里的能力组织进同一个基座模型。这一循环得以形成的关键经验来源是人类全景真实数据。深度机智认为人类智能正是在无数次的交互反馈修正中诞生的人类经验是物理智能循环的第一性来源。为了获取更完整的人类经验数据深度机智构建了Ego 360人类全景真实数据体系以全景记录人类行动过程中的周围环境全身姿态、手部动作等。数据规模带来智能模型的边界由它吃过多少真实数据决定。目前Ego 360正以每月万小时的速度积累人类真实数据。如何真正发挥数据价值赋能模型训练为本体部署提供智能驱动力「经验回流」是关键深度机智用全栈自研 物理AI构建完整闭环数据喂给模型模型回到自研的 Prime 系列本体上做真机验证这条链路才算闭合。基座模型 物理AI 不是第三次切换的卡点第三次切换现在卡住的位置不在基座模型本身。可复用的模型、表示与数据到在一台具体本体上真正跑起来中间还隔着一整段工程距离—— embodiment gap。卡点落在两处数据管道是不是自己的以及一次尝试的结果能不能被自动判定为好或坏。这两处卡点的共同点是它们都不属于模型能力的范畴。数字世界里的自我改进和物理世界里的机器人自我改进不是同一件事——后者的每一次试错都要在真实接触里付出代价也需要一个能接住这些代价的实体。所以第三次切换的胜负手可能不在于谁的基座模型更大而在于谁的管道更短从一次失败到一条新经验回流中间要经过几道手。学习方式的每一次切换都不是模型替换出来的而是经验的道路被重新铺过一遍。─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─ ─参考资料具身纪元 · 机器人的泛化能力终于有了一个新指标 · 2026-08-12arXiv · The Embodiment Gap in Robot Foundation Models · 2026-08-19深度机智 · 源于人 超越人深度机智发布通用具身智能路线图 · 2025-10-10编辑具身AGI具身智能第一现场⭐点赞、转发、在看一键三连⭐点亮星标锁定具身AGI极速推送
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/18 11:04:06

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉