
AI 可能根本没在看
2009 年,李飞飞团队发布 ImageNet,让人工智能首次有机会通过海量图片认识世界。十五年后,她提出「空间智能」,认为 AI 要理解物体位置、关联及人行动后世界的变化。今年,该研究更进一步,6 月李飞飞参与的 T - Rex 研究为机器人加入高频触觉反馈,使其能完成多项任务。一位因计算机视觉闻名的科学家关注触觉等,并非视觉过时,如今具身智能厂商仍在为机器人安装更多视觉设备。行业意识到「看」只是进入物理世界的第一步。今年 3 月的研究实验中,多模态模型出现「幻景推理」现象,即不依据视觉证据回答问题。在聊天窗口用户或许不在意,但在物理世界,机器人不能靠语言常识应对位置等问题,因此其感知系统愈发复杂,像宇树 G1 和智元灵犀 X2 都有不同的传感器配置来弥补视觉盲区。具身智能首要问题是确认物体是否真的存在。
大多数世界模型,其实只是在画世界
近两年「模型」成热门词,视频生成模型生成的画面虽自然,但未涉及机器人实际任务的关键细节。World Labs 今年将「世界模型」技术分为渲染器、模拟器和规划器三类,说明会画世界不代表能工作。World Labs 的 Marble 能生成可探索三维环境并输出碰撞网格,英伟达的 Cosmos 用合成场景弥补数据不足。机器人先在虚拟世界训练,如逐际动力的 TRON 1 和智元的 AgiBot Digital World 都支持虚拟训练。但模拟器有局限性,存在「仿真到现实差距」,World Labs 在 7 月 21 日收购 SceniX 是为连接模拟世界与真实机器人行动反馈。
触觉,不只是另一双眼睛
即便视觉和模拟成熟,机器人接触物体后仍有摄像头难解决的问题,触觉解决的是接触后的情况。Figure 今年发布的 Helix 02 整合多种感知,国内厂商也在提升触觉感知能力。李飞飞参与的 T - Rex 研究展示了让机器人使用触觉的困难,团队收集数据让机器人完成多项任务,平均成功率达 65%,比最强对照模型高 30 个百分点。研究发现直接融入触觉数据效果差,T - Rex 让视觉和触觉按不同速度运行。过去 AI 竞争围绕打造大脑,具身智能将竞争推向更完整系统,李飞飞的研究不断拓展「看见」的内涵,下一代世界模型要解决 AI 伸手后世界的反馈问题。
1339



被折叠的 条评论
为什么被折叠?



