当它遇到一个完全不熟悉的物件的时候, 只要有一台机械臂把你说的那一句话给听清楚明白了, 那么它就能顺顺利利地完成抓取动作, 接着再把它移动一番, 最后再进行放置。
在以前的时候, 这是机器人公司需要花费很多时间进行训练才能够实现的能力。而现在, 因为通用大模型的出现也能够帮助机械臂达成同样的效果, 所以 situation 就发生了变化。
特别是由于 OpenAI 发布了 GPT-6 Astra, 使得网络上出现了一系列关于机械臂操作的视频。在这种情况下, 模型并不需要针对具体的任务再做任何额外的训练。它只是直接理解了指令, 然后就去尝试完成真实世界中对于物体的操作。
这完全不是在进行一次普通的技术展示。在过去的那些年头里, 创业相关的公司都掏出了非常多的资金和资源去研发机器人的识别能力、计划能力以及动作控制能力, 他们就是想使得机器能够真正地弄明白情况并且学会适应这个有实体的世界。
眼下, 通用的大规模训练模型正在向着这一行当延伸过去。等到那些做大规模模型的公司打算进入机器人“大脑”这块地盘的时候, 原本只是专心致志地搞机器人本体制造和系统开发的厂商, 很可能会受到不小的冲击影响。
这是大趋势, 所有的通用基模都一定会往具身智能这个领域当中去渗透。我们采取的策略正好反过来, 智元的具身模型会越做越大, 它也会朝着通用模型的方向去渗透。此前, 彭志辉在接受时代周报等多家媒体采访的时候表示, 他本人是智元机器人的联合创始人以及总裁兼CTO。
彭志辉 受访者供图
彭志辉, 这个人, 是从华为的天才少年起步的, 后来变成了机器人创业公司的主人，他的那个对技术的兴趣点, 一直都没有变过, 这个兴趣点就围绕着一个事情转, 这个事情就是, 怎么样去让机器拥有的那种能力, 能够离人本身的能力更近一点, 现在嘛, 通用大模型这个东西, 它的速度是非常快的, 它在不断地进化, 这种快速的进化状况, 给彭志辉正在进行的这条创业道路, 带来了新的不确定因素。
他以为, 通用基础模型往前走的这个过程, 并不会必然去挤压机器人公司能够生存下来的那个空间。恰恰是反过来, 模型的能力变得越强大, 就越能放大硬件本体和全栈系统所具有的那个价值。
“我们方面对于这种处在前沿位置的模型技术是非常开放的, 我们会借助这些技术来加速我们自己本身内部的研发流程。GPT-6 Astra这种东西, 像这种大模型的技术出现, 对我们而言就是一个跟着水涨船高的过程, 这会对我们起到增强的作用。”。
本体仍是最终媒介
大家可能会想知道, 通用大模型的这种具身能力, 为什么现在变得越来越强了? 彭志辉给出的解释就是那个样子, 因为他指出, 模型正在一边吸收, 还吸收了很多很多来自于物理世界当中来的数据。
以GPT-6 Astra为例, 它所展示出来的那个3D建模能力, 确实是让人印象深刻。用户只需用一句话来输入, 模型就能够完成3D模型的生成工作, 并且, 这些产物还可以进一步被拿去用于3D打印这回事。
在他看来, 这种厉害的能力并不是从天上掉下来的, 或者是凭空冒出来的。它的出现, 其实是大量3D数据进行训练之后的结果。模型是通过这些数据的积累, 慢慢理解了所谓的三维空间, 然后一点点地形成了空间智能。正因如此, 模型也因此具备了去执行一些简单物体操作的能力。
这样的一来, 通用大模型还有具身智能之间的这个距离就变得进一步地缩短了许多了。可是彭志辉这个人也承认了一个情况那就是说模型它虽然能够理解一些空间上面的概念了。但是并不等于说它就已经能够胜任在真实世界里所做的那些机器人工作方面的那些事情了。
他把未来的竞争分成两种可能。如果通用基模最终能够覆盖具身领域, 让不同公司的机器人都拥有相近的基础模型能力, 那么竞争就会转向另一个层面, 谁能把模型能力更好地应用到物理场景中。
这到最后, 还是得靠着本体当媒介儿。我们自己这个本体的能力挺厉害的, 这就是我们的那个好处所在。彭志辉是这么认为的。就是说, 不管那个模型有多强, 它也得通过机器人那个身体的感知还有执行能力才能起作用。
所以对于那些全栈团队来说, 他们对本体的能力掌握得挺足够的, 这种时候, 通用基模的那些进步, 反倒会起到一个放大他们自己优势的作用。
要是通用基础大模型没办法实现真正的泛化能力, 那么机器人依旧得依靠针对各种垂直领域场景去训练那些专门的模型来解决问题, 所以竞争这件事所遵循的逻辑也绝对不会出现那种根本性的、彻底的变化。
之所以会出现这样的情况, 是因为在这些模型训练过程当中所需要用到数据的产生方式, 到现在为止还是必须得靠机器人自身的本体去进行直接的采集操作。不管最终选择了哪一条技术路线或者发展方向, 作为硬件实体的机器人本体都是不会变得没有用处或者被边缘化的。
通用大模型的局限性
通用大模型进入物理世界, 还有几道现实门槛。
首先是实时性。彭志辉提到, GPT-6 Astra主要依赖云端推理, 参数规模接近万亿, 完成一个简单任务可能需要十几分钟, 甚至要花上半小时。但机器人在执行任务的时候, 它不能等着用上十几分钟才得到下一步的指令。
它需要对环境进行实时感知, 它需要判断现场的情况, 它还需要及时调整自己的动作。分层系统设计, 模型蒸馏技术, 还有缓存机制, 这些都是可能的解决方向。
比起速度来说, 更让人头疼的问题是可靠性。通用模型越是去追求广泛适应的能力, 就越有可能出现幻觉这种问题。语言模型如果遇到回答错误的地方, 可以选择把内容重新生成一遍；可是对于正在干活儿的机器人来讲, 一个动作出错可能导致设备停止运转, 甚至会造成实际的财产损失。
彭志辉认为, 物理环境对模型的容错率要求比数字世界要高得多, 所以机器人必须具备稳稳当当地完成任务的能力。
还有模型是从数据那里很难直接获得到的那种物理常识, 比如重力、摩擦力以及物体和物体之间的作用力, 这些并不是说模型光靠去阅读一些数字方面的数据, 就能够真正地去掌握住的, 机器人它需要去借助传感器来感知现实的情况, 通过那种真实的交互过程来积累相应的经验, 现在这个行业内正在尝试通过使用世界模型这样的方式, 去让模型一步步地建立起对物理世界的一种理解。
最后一步是任务闭环。语言模型一般来说只会负责给出答案对象, 可是它并不去验证那个答案在现实情况之下最终产生了什么样的后果。机器人就不是这样了。
当一个动作执行完毕之后, 一定要依靠传感器去确认结果状态, 然后根据收到的反馈信息来决定下一步该怎么走。只有当感知、决策、执行以及反馈这些环节形成了一个完整的闭环, 那么这个大型语言模型才可以说是在物理世界里面具备了真正工作的本事。
之所以彭志辉一直要沿着全栈这个路线硬走下去, 原因就在这些地方, 也就是这里提到的种种问题。
对于自己这边而言, 为什么非得去做这个决策模型, 他对此做出了说明, 在他看来, 全栈技术路径这件事, 完全不像是一一道可以让人自由选择做或者不做的题目, 它更像是一个不得不去选的单选题。
他这么想, 智元这个公司, 它不能光去当一个只卖硬件本体的那个供应商。彭志辉这个人, 他拿那个自动驾驶这个行业来做比较, 他说要是有一家公司它只提供硬件部分, 但它手里没有掌握那个核心的模型能力, 那么在以后的日子里头, 它就很有可能去面对那种跟传统的自动驾驶供应商一样的一个处境。
等到那些客户自己开始动手自己去研发那些模型的时候, 原来那几个供应方的竞争力就会被削弱掉。
因此, 我们必须针对具体的场景来解决实际问题。这就意味着模型要拥有很强的泛化能力, 本体需要足够靠谱, 同时软硬件系统也一定要达到能够真正投入部署的标准。彭志辉觉得, 智元公司去做具身智能的事情, 也有助于他们去更好地弄懂、使用并且吸收那些传统的通用模型在发展演化的过程中所积累下来的经验数据。
研发资源的分配情况, 也是表现出了这种选择倾向。彭志辉进行了透露, 在智元这个团队内部, 目前大约有百分之三十的研发人员是在从事本体硬件方面的研究开发工作, 而剩下的百分之七十, 则是被投入到了与智能相关的技术研发领域。
相比于那些只会去单纯追求硬件参数表现的做法, 智元公司是把更多的资源, 都投向了提升机器人的智能化能力上面。
“这个市场要看客户是否愿买单”
有人可能会说, 通用大模型的存在正在改变具身智能技术领域的竞争状态, 而接下来的关键问题是机器人这一事物是否能够通过真正的途径进入生产领域和生活场景, 这一点的实现程度最终决定了这场竞争是否有能力转化为具体的商业价值。
彭志辉把智元公司在今年拿到的核心成果进行了大致上的总结, 说是实现了由X时刻向Y时刻这种层面上的跨越式发展, 实际上就是说进入了开发状态并且进一步转换到了部署状态这个环节里面。
根据他所持的观点来看, 目前智元这边已经真正拥有了那种可以被直接投入使用也具备了大规模生产条件的机器人本体实体产品这样的存在条件。紧接着接下来需要去执行的关键任务就是, 要让这些机器人在特定的垂直类型的应用场景内部形成一种能够保持长时间不间断运转的工作能力, 从而达成持续作业的目标状态。
把这个东西从能够生产制造出来, 一直到最后真正大面积地铺开应用, 这两者之间还相距着一个需要通过商业逻辑去验证的商业门槛。
彭志辉表示, 这并不存在我们方面是不是想要去铺设的情况, 而是市场这个领域究竟是客户愿不愿意来掏钱买单的一个核心问题。
他进一步指出, 智元这家机构在硬件生产层面是完全具备实力的, 完全有能力在短时间之内制造出多达上万台的机器人设备, 而最终能够决定这些机器人到底要在多大范围内进行投放和大规模部署的关键因素, 并不是生产能力的大小, 而是客户方在实际操作中到底买不买账, 以及是否能够坚持长久地使用这些东西。
现在市场那种整体的风气也在发生变化。彭志辉他发现, 在过去的日子里, 那些买机器人的客户, 心里头更多的是抱着一种试试看的感觉。他们想要弄清楚的是, 这个机器人到底能不能被制造出来, 还有它到底能不能把安排的任务给完成好。
紧接着到来的是, 他们需要去好好琢磨的一个问题变得尤为突出。那就是, 关于如何承担得起养护这款产品的花费这件事情, 究竟可行还是不可行。
彭志輝說, 機器人不是出了廠區做完一次概念驗證, 又做一次示範演示就覺得一切都搞定、沒有問題了。當機器人走進工廠之後, 還涉及到長期的設備健康狀況管理、軟體版本的持續更新升級、備用零部件的更換任務、遠距離故障診斷工作以及現場實地服務事項, 同時還包括一直進行的任務優化過程。
等真正達到一定規模的时候, 機器人在崗進行運維工作的效率和管理系統的整体运行情况, 可能會比單獨看一次模型推理結果這一點, 更加直接地影響到給客戶帶來的整體體驗感覺。
这也就是智元为什么要提出那个Worken概念的缘故, 因为这个说法是把Work还有Token这两个词组合在一起弄出来的, 它的主要想法是打算让评价机器人的那个标准, 不再是去看传统的那种参数表, 而是直接来看实际干出来的劳动产出。
彭志辉认为, 把机器人开机八个小时, 这并不等同于它就创造出了等量的价值。哪怕它完成某一次任务的成功率非常的高, 那也不意味着它就能长久地、像人工作那样, 稳定地运转一整月。在他看来, 最核心的问题在于, 机器人在实际的环境里, 到底贡献了多少那种持续不断的、并且真正有效的劳动过程。
如果要把这种干活儿的活儿变得可以被计算出来, 还可以被控制好, 那么就必须还要搭建出一整套相关联的帮手工具以及操作平台才行, 正如彭志辉所说的那样, 干出来的成果数量必须是可以被量化的才行, 中途出现什么错误也必须是要可以被跟踪和调派工作的, 并且各种不同的机器人所积攒下来的使用经验也要是能够共用起来的, 只有这样做的情况下, 花在维持运营上面的成本才能够随着布置规模的不停变大而开始降低下去, 到那时候才能够在最终的状态里达到把付出和收获匹配起来的效果。
他说, 如果不这样的话, 那可能你就会变成每一台机器卖出去以后还得给他搭配上一个保姆, 这种情况是永远都没办法等到那一天的到来的。
根据彭志辉的观点, 相比于工业以及商业这两种场景, 家庭才是机器人实现商业化之后的最终落脚点。为什么? 因为家庭这个环境里的要求非常高。比如说, 对安全性的要求很高。还有那个跨任务的泛化能力, 要求也很高。再一个就是长程任务的执行, 要求也很高。
而且, 每个家庭的需求都是不一样的, 不是千篇一律的。这样的话, 机器人就必须得跟用户进行持续的互动才行。这样一来, 算力方面明显就需要增加了。除此以外, 还得去考虑一个问题。那就是消费端的那些用户, 他们能够接受的价格是多少。
彭志辉对于Token是否会成为部署瓶颈这一问题, 他的态度是比较直接的。他认为如果Token成为了瓶颈, 那其实是件好事。这能够说明大家愿意使用你的产品, 并且愿意为此消耗Token。一旦出现这种状况, 就意味着相应的商业模式已经得以成立。
从开发这个状态进入到部署这个状态之后, 机器人所面对的考验已经超出了单一的模型能力还是单纯的硬件性能这个问题了。它不仅要能够在真实的环境当中把任务完成得好, 还要能够维持长期稳定的运行状态, 并且还得借助软件和硬件之间的协同来把集成的成本和以后维护的成本降下来。
彭志辉强调, 在部署状态下产生的差距不能简单地归结为在本体这一层面、算法这一层面或者数据这一层面中的某一个单独环节出了问题, 而是需要让整个系统一起协同推进才能解决。
虽然从目前的情况来说, 大规模生产我们在全球范围里是走在最前面的, 不过, 制造出一万台设备然后让它们下生产线, 这只是制造业方面取得的成就罢了, 真正能让这些设备去工作岗位上发挥作用并且能够持续运转起来, 那才算是人工智能在物理世界里的成功标志。
