[特斯拉] 拆解特斯拉机器人供应链:从业者们看到的泡沫和希望
“如果要让人形机器人学会像人一样，把全中国的工程师都堆过来写规则也不够。” 这位创业者说。有些公司一度养了 3000 人写规则，都解决不了自动驾驶问题。而自动驾驶只是人形机器人需要解决的成千上万个问题中的一个而已。
人形机器人行业希望像大模型和端到端自动驾驶一样，依靠大量数据训练，机器人自己学习如何理解世界、然后执行任务。
比如文生图模型中，工程师让模型理解马和宇航员的特征后，会产生泛化性，画出宇航员骑马这种现实世界并不存在的画面。研究者们相信，机器人模型可以有类似的效果，学会两种不同的动作后，会自己推理组合出第三种动作。
这是业内目前认可的主流的机器人大脑训练方案—— VLA（ vision-language-action ，视觉语言动作模型）。用户提出任务后，语言和视觉融合模型，可以理解周围的环境，并与用户指令结合，形成运动轨迹，然后调动执行模块完成任务。
最理想状态下，机器人使用的模型会是 “端到端” 的，人类告诉机器人动作指令，如要求机器人下楼倒垃圾，模型就能输出电机转速控制参数，让它完成任务。在这一路线下，强化学习等也是提高人形机器人运动控制能力的一部分，就像经过强化学习的大语言模型，能够变得更强那样。
但这个路线做出来的人形机器人，完成基础动作的时候相当迟缓，大多数公司展示视频都是加速播放，有一些公司放出来未加速视频，还会被吐槽为美国前总统的模拟器。
数据是目前机器人大脑发育最大的障碍。研究者训练大语言模型，可以从互联网上收集文本、图像等公开数据，汽车公司可以通过数百万辆汽车上的摄像头等传感器不断获取新数据。
现在所有机器人公司喂给模型的数据规模，还无法验证 VLA 路线是否能够像大语言模型那样有效。一位机器人公司技术负责人说，初步检测 VLA 的学习能力，至少要 1000 万条高质量的真机数据，但大部分公司只能提供不到 100 万条有效数据。而这 “ 1000 万条” 的数据要求，也是猜测。
这些真机数据需要靠人穿戴 VR 设备或动捕服装采集，有限且昂贵，扩展性也不好。我们了解到，国内头部的人形机器人创业公司采集一条真机数据的成本是 10 元，数据采集员每小时大概能生产 2 条有价值的训练数据。为了训练机器人的应变能力，采集数据时通常一人拿手柄操作机器人，一人干扰机器人，比如在机器人即将拿到杯子时，把杯子移开。
工程师依靠动作捕捉设备训练 Optimus 。来源：特斯拉。
他们认为，真机数据是提高人形机器人模型能力的关键，在虚拟环境中仿真、视频数据都是辅助。
逐际动力创始人张巍说，从第一性原理出发，让机器人学会部分基础操作并不需要真机采集数据，“告诉机器人拿杯子时需要抓住把手这件事，需要 1 万条数据吗？这是个常识，互联网级别的数据就能训。”
用视频数据训练机器人，第一步是给视频里的人类关节标点，抽取人类行动的轨迹数据，再同步映射到机器人的执行器关节，通过运动控制算法得出电机旋转的速度和机器人肢体末端的坐标信息。
用互联网数据训练机器人的下一步是用 AI 生成的视频训练机器人。这种方式的训练效果取决于工程师对视频的理解，“没有好的理解，就没有好的生成。” 张巍说。
仿真模拟数据供应商光轮智能创始人谢晨说，简单的仿真和视频图像中并不包含物理信息，训练机器人最重要的数据，应该是机器人与物理世界的交互数据。机器人要像人一样与物理世界接触，而不是像自动驾驶车那样总是避免物理碰撞。
光轮智能正在探索用仿真模拟生成出各种场景、动作下的物理信息来训练机器人。他们会让工程师带着力距测量仪器，去开数百种冰箱门，收集不同的冰箱门外形和开冰箱的力的数据，以此完成建模，并模拟生成物理力学属性，包括冰箱门的质量、摩擦力、角动量以及铰链结构的磁吸力、阻尼等。
当以上 Real-to-Sim （现实到模拟）步骤完成后，还需要 Sim-to-Real （模拟到现实），即通过数据泛化的手段改变虚拟环境中冰箱的位置、光线、角度、材质等，让生成的数据覆盖不同的现实场景，让机器人真正学会认识现实世界的 “冰箱”。
我们问了十多位具身智能
模型的研究者：现在主流的机器人大脑训练路线，真的能让机器人举一反三吗？没人给出肯定回答。
[物价飞涨的时候 这样省钱购物很爽]
好新闻没人评论怎么行，我来说几句
人形机器人行业希望像大模型和端到端自动驾驶一样，依靠大量数据训练，机器人自己学习如何理解世界、然后执行任务。
比如文生图模型中，工程师让模型理解马和宇航员的特征后，会产生泛化性，画出宇航员骑马这种现实世界并不存在的画面。研究者们相信，机器人模型可以有类似的效果，学会两种不同的动作后，会自己推理组合出第三种动作。
这是业内目前认可的主流的机器人大脑训练方案—— VLA（ vision-language-action ，视觉语言动作模型）。用户提出任务后，语言和视觉融合模型，可以理解周围的环境，并与用户指令结合，形成运动轨迹，然后调动执行模块完成任务。
最理想状态下，机器人使用的模型会是 “端到端” 的，人类告诉机器人动作指令，如要求机器人下楼倒垃圾，模型就能输出电机转速控制参数，让它完成任务。在这一路线下，强化学习等也是提高人形机器人运动控制能力的一部分，就像经过强化学习的大语言模型，能够变得更强那样。
但这个路线做出来的人形机器人，完成基础动作的时候相当迟缓，大多数公司展示视频都是加速播放，有一些公司放出来未加速视频，还会被吐槽为美国前总统的模拟器。
数据是目前机器人大脑发育最大的障碍。研究者训练大语言模型，可以从互联网上收集文本、图像等公开数据，汽车公司可以通过数百万辆汽车上的摄像头等传感器不断获取新数据。
现在所有机器人公司喂给模型的数据规模，还无法验证 VLA 路线是否能够像大语言模型那样有效。一位机器人公司技术负责人说，初步检测 VLA 的学习能力，至少要 1000 万条高质量的真机数据，但大部分公司只能提供不到 100 万条有效数据。而这 “ 1000 万条” 的数据要求，也是猜测。
这些真机数据需要靠人穿戴 VR 设备或动捕服装采集，有限且昂贵，扩展性也不好。我们了解到，国内头部的人形机器人创业公司采集一条真机数据的成本是 10 元，数据采集员每小时大概能生产 2 条有价值的训练数据。为了训练机器人的应变能力，采集数据时通常一人拿手柄操作机器人，一人干扰机器人，比如在机器人即将拿到杯子时，把杯子移开。
工程师依靠动作捕捉设备训练 Optimus 。来源：特斯拉。
他们认为，真机数据是提高人形机器人模型能力的关键，在虚拟环境中仿真、视频数据都是辅助。
逐际动力创始人张巍说，从第一性原理出发，让机器人学会部分基础操作并不需要真机采集数据，“告诉机器人拿杯子时需要抓住把手这件事，需要 1 万条数据吗？这是个常识，互联网级别的数据就能训。”
用视频数据训练机器人，第一步是给视频里的人类关节标点，抽取人类行动的轨迹数据，再同步映射到机器人的执行器关节，通过运动控制算法得出电机旋转的速度和机器人肢体末端的坐标信息。
用互联网数据训练机器人的下一步是用 AI 生成的视频训练机器人。这种方式的训练效果取决于工程师对视频的理解，“没有好的理解，就没有好的生成。” 张巍说。
仿真模拟数据供应商光轮智能创始人谢晨说，简单的仿真和视频图像中并不包含物理信息，训练机器人最重要的数据，应该是机器人与物理世界的交互数据。机器人要像人一样与物理世界接触，而不是像自动驾驶车那样总是避免物理碰撞。
光轮智能正在探索用仿真模拟生成出各种场景、动作下的物理信息来训练机器人。他们会让工程师带着力距测量仪器，去开数百种冰箱门，收集不同的冰箱门外形和开冰箱的力的数据，以此完成建模，并模拟生成物理力学属性，包括冰箱门的质量、摩擦力、角动量以及铰链结构的磁吸力、阻尼等。
当以上 Real-to-Sim （现实到模拟）步骤完成后，还需要 Sim-to-Real （模拟到现实），即通过数据泛化的手段改变虚拟环境中冰箱的位置、光线、角度、材质等，让生成的数据覆盖不同的现实场景，让机器人真正学会认识现实世界的 “冰箱”。
我们问了十多位具身智能
模型的研究者：现在主流的机器人大脑训练路线，真的能让机器人举一反三吗？没人给出肯定回答。
[物价飞涨的时候 这样省钱购物很爽]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 | 更多... |
推荐: