人形機器人需要具備G泛化能力與思維鏈能力。與工業(yè)機器人不同,人形機器人需要與復雜世界進(jìn)行互動(dòng),因此決策控制系統需 要G泛化性。在現實(shí)世界中,機器人難以一次性完成整個(gè)復雜動(dòng)作,需要將復雜動(dòng)作拆 解成多個(gè)簡(jiǎn)單步驟完成。而由于現實(shí)世界遠比機器人訓練場(chǎng)景復雜,在任務(wù)過(guò)程中會(huì )受 到各種干擾,環(huán)境也會(huì )不斷變化,因此具身智能機器人需要較強的思維鏈能力。早期人形機器人大腦主要通過(guò)集成多個(gè)“小模型”結合人工介入實(shí)現,但隨著(zhù)GPT-40等大模 型的出現,機器人對文本、視覺(jué)、語(yǔ)言等多模態(tài)信息的理解和轉化顯著(zhù)提升,致使人形機器人大腦的泛化能力與思維能力亦有大幅增加。

目前機器人大腦按照技術(shù)方案劃分為VLM(大腦+小腦)、VLA(端到端)兩種技術(shù)路 徑。大小腦將復雜的任務(wù)分解為G層規劃與底層執行兩個(gè)層J,分為兩個(gè)主要模塊:

1) G層任務(wù)規劃器(慢腦)負責語(yǔ)義理解、任務(wù)分解和長(cháng)程推理,生成任務(wù)步驟。

2)底層 動(dòng)作控制器(快腦)執行具體的動(dòng)作并實(shí)時(shí)進(jìn)行控制,將G層指令轉為關(guān)節角度、軌跡 等低維度控制信號,具備G頻響應等特點(diǎn)， 田于端到端指令生成速度慢， 生成結果簡(jiǎn)單,短期仍然是依靠大腦+小腦系統分別完成決策與控制任務(wù)。

在“手眼腦”協(xié)同中,大腦的作用主要是針對當前語(yǔ)義、文字的理解識別出任務(wù)目標, 并結合輸入的圖像信息,在環(huán)境中識別出操作對象,觀(guān)察特征。通過(guò)對視覺(jué)、文字的整合理解,大腦將做出合理的指令任務(wù)推導,并生成小腦的執行指令,之后再是由小腦執 行手眼標定、手臂+靈巧手的運動(dòng)軌跡、位姿抓取等動(dòng)作。因此人形機器人大腦本質(zhì)上 是一個(gè)干億J別參數量的多模態(tài)大模型,人形機器人感知和決策能力取決于多模態(tài)大模 型的能力。

目前人形機器人大腦仍然有優(yōu)化空間。對人形機器人大小腦通用化實(shí)現路徑,目前智元機器人針對具身智能技術(shù)演進(jìn)路線(xiàn),進(jìn)行G1至G5的劃分,目前國內外產(chǎn)業(yè)進(jìn)展處于 G2-G3的水平。

G1:傳統自動(dòng)化的起點(diǎn),幾乎不具備泛化能力;

G2:通過(guò)提煉可復用原子技能,并以相對通用的方式來(lái)實(shí)現,結合任務(wù)編排大模 型,可以具備對一大類(lèi)相似場(chǎng)景的泛化;

G3:走向數據驅動(dòng)端到端,進(jìn)一步形成一套通用訓練框架,學(xué)習新技能通過(guò)采集 相應數據就能實(shí)現更通用跨類(lèi)別的泛化能力。

G4:隨著(zhù)數據量的進(jìn)一步增加,G4將進(jìn)一步演化為一個(gè)通用的操作大模型,結合 認知推理規劃大模型,來(lái)實(shí)現端到端通用操作。

G5:為長(cháng)期發(fā)展目標,Z終形成一個(gè)真正的感知、決策、執行的端到端大模型。