机器人脑力竞赛进入深水区：物理世界需要从零设计模型

在WAIC的采访中，蚂蚁灵波的首席科学家沈宇军讨论了具身智能的挑战，强调数据标准尚未统一，因为技术路线仍未确定，在模态、精度或质量上尚无共识。他指出，对于通用机器人而言，真实数据，尤其是来自机器人的遥操作数据和来自人类的第一人称数据，比仿真数据更为关键，因为仿真难以复现人类的潜意识行为。灵波的策略是开发多种模型（如LingBot-Vision、LingBot-Depth、LingBot-Video、LingBot-VLA和LingBot-VA）来解决特定的技术问题，例如模态对齐、动态预测以及确保专家混合（MoE）架构中的负载均衡，而不是过早尝试单一的端到端模型。沈宇军引入了“具身原生”模型的概念，要求数据源自物理世界任务，模型能力适合实时交互，并能够从头开始训练，他还指出了复现像DINO这样的自监督视觉模型以及实现单向注意力的因果建模的困难。在安全方面，他强调“围栏式”安全（限制动作）是不够的，主张在预训练阶段嵌入“原生安全”，类似于人类的本能。他还预测，当普通人能够轻松参与数据收集时，具身人工智能的“ChatGPT时刻”将会到来，使机器人真正有益并融入日常生活。