英伟达开源国际根底模型 人形机器人加快迈向“ChatGPT时间”

  等全球顶尖科技大厂纷繁看好的具身智能，正加快迎来它的ChatGPT时间。

  近来，英伟达掌门人黄仁勋在CES演讲上正式推出物理AI大模型Cosmos。据介绍，这款模型使开发者能够依据文本、图画和视频等输入组合以及机器人传感器或运动数据生成依据物理学的视频，完成对实际环境（如库房、工厂、交通路况等）的猜测，然后完成对和无人驾驶轿车的练习。

  所谓物理AI大模型，就是国际根底模型，其能够了解国际言语、物理特性、空间方位等要素，并组成相关物理数据。是加快智能轿车、具身智能等AI终端遍及的要害。相较于ChatGPT等大言语模型的腾跃式进程，国际模型仍处于较为前期的阶段。其遍及面对开发本钱高、无法继续恪守物理规矩等问题。

  事实上，选用传神物理环境对机器人进行练习的测验能够追溯至2024年6月，其时其运用仿真结构RoboCasa，供给了超越150个物体类别的数千个3D模型和数十种可交互的家具和家电。在相关试验中，证明了组成物理数据在机器人练习中的有效性。

  黄仁勋表明，“国际根底模型是推进机器人和无人驾驶轿车开发的根底，但并非一切开发者都具有自主练习模型所需的专业相关常识和资源。咱们创立Cosmos是为了遍及物理AI，让每一位开发者都能接触到通用机器人技能。”

  到现在，已有数个公司推出国际根底模型。2024年12月5日，谷歌发布大型根底国际模型Genie2，可生成较为逼线XTechnologies发布人形机器人国际模型，能够模拟出机器人在不同动作下的未来场景。

  此外，视频生成模型也被视作通往国际根底模型的途径之一。在视频生成范畴，Sora、Runway等均表达了期望进军国际模型的主意。开源证券指出，视频生成和国际模型均有许多相似之处，均将杂乱外部国际获取的数据来进行编码和紧缩、笼统成为低维度的向量，并选用Transformer或许其他模型在时空维度学习这些常识从而完成猜测。

  华泰证券今天研报指出，遭到文本大模型的启示，也开端构建具身大模型，首战之地的就是处理数据问题。无人驾驶可简化为3D空间中的2D运动，而机器人是3D空间中的3D运动，还需包含力触觉等信息，因而理论上机器人所需数据量高于无人驾驶。现在，练习数据的搜集首要依靠三种方法：

  收集真机数据，例如人穿戴动作捕捉服，这样的方法数据质量好，但收集本钱高速度慢；

  依据现有的互联网视频捕捉动作数据，尽管不需要构建仿真物理引擎，但触及杂乱的坐标转化和短少力触觉等信息维度。

  以为，在上述三种方法中，组成数据将大大促进机器人开展，学界现已证明了上述方法的可行性，机器人大脑已迎来ChatGPT时间。