12秒折完一个纸箱，成功率99%，Generalist AI最强具身模型发布了！

44 0 0

文章摘要

美籍的人工智能相关科研组织近日推出了名为GEN-1的全新具身基础模型，该体系依托海量的数据积累与算力优化完成了重大的技术迭代升级。基于 50 万小时的高精尖预训练数据，这一核心算法成功把任务实施的平均成功率大幅提升至 99%，同时也令整体的运行效率提升了将近三倍之多。该项目发起人曾是曾任职于硅谷科技巨头的资深科学家Pete Florence，初创团队的主力成员全部源自国内外的领军梯队，展现了极高的行业人才密度。资金运作方面已成功获得了诸如英伟达下属的投资基金以及多个顶级资本的支持，目前的整体商业估值已突破 3 亿美元大关。自从首代基座问世以来，不到一年的时间里就发布了这一进化版本，充分刷新了业界对机器人通用能力发展的原有认知。

在现场实战测试环节展示了惊人的人机协调能力及持续的负载执行力。只需要短短的几十分钟到一小时的不同特定环境数据就能协助新产品实现标准化的适配训练，极其显著地降低了对采集资源的原始依赖门槛。在不需人为插手干预的情况下，自动化装置能独立连续地完成汽车配件长时的分拣归类或者是数百张纸片的快速翻折与搬运作业。当工作流程中出现微小的零部件偏移或卡顿故障状况时，内置的智能判断处理模块能够自主选择回正甚至协同另有一只机械臂来完成临时的补救措施。这种表现相比于旧的测试模型，新型系统在物理对象特征的实时解析与即时动态响应精度上已经取得了质的巨大跨越，特别是在清洗与服务类机器人的辅助操作场景中优势相当明显。

该技术实现的主要路径是主要依靠强化学习带来的经验闭环智能修正以及推理底层硬件架构的革命换代替代。借助各类高保真传感器捕捉到的海量人类肢体行为的真实自然语意分布图谱进行跨模态的学习迁移，模型从而具备了极强的未知泛化特征提取的本领与适应性。虽然目前在绝大多数灵巧手部动作类的针对性测试中都己然跨越过了百分之九十的最高及格合格率线，但是企业的管理阶层仍然坦诚承认现有的成熟水准还不足以完美应对全部工业级的严谨实际落地工况。许多涉及工业现场的长尾异常问题的解决方案显得仍有不足，距离真正意义上的大规模商业化推广部署仍存存在着待填补的技术与应用鸿沟。随后的改进计划必将聚焦于精简重复的训练程序流程并积极拓展更复杂的逻辑组合操作模式，致力于将持续地降低对单一大体量数据的硬性数值要求，最终使真正通用的智能机器设备的现实产业应用前景变得更加宽阔。整个行业的发展趋势清晰表明，数据驱动的智能化变革是推动现阶段解决核心瓶颈的关键所在。