清华团队破解具身智能Scaling Law，GPT时刻在即！宁德时代联创终于出手

see122

新智元报道

编辑：编辑部 HYZ

【新智元导读】半年两次大融资后，这家具身智能黑马再次获得融资！作为柏睿资本首次投资的具身智能企业，千寻智能不仅拥有出身自伯克利系联创，在技术、硬件、商业化上，也让人极有信心。

最近，大家意外发现，具身智能领域的明星初创企业千寻智能，悄悄完成了工商变更。

根据工商信息显示，本轮融资由柏睿资本独家投资。至此，千寻智已经在半年多时间里获得了三次大额融资，一跃成为具身智能领域明星企业之一。

值得一提的是，柏睿资本是宁德时代联合创始人，副董事长李平创立的产业投资基金。

全国具身智能领域多家明星，为何首次下场便独独选中了千寻智能？

从下面这些demo中，便可窥见一斑。

仔细看，桌面上撒满了五颜六色形状各异的糖豆。如何将这些不同颜色和大小的物体进行分类，可不是件容易的事。

只见，在极其强大的识别和精准操作能力的加持下，千寻智能的机器人用灵巧的手指轻松地将糖豆捏起，并准确地放入指定的碗里。

（实拍原速）

不仅如此，它还可以一手拿起桌上透明的玻璃杯，一手从满满一筐鸡蛋中抓出一个并准确无误地放进杯中。

（实拍原速）

甚至，它还能接过手中的文件并进行装订，然后再交还给人类。

在这个过程中，AI基于视觉大模型的任务理解与规划，实现了人机交互及协同作业。



（实拍原速）

具身智能行业，到底在卷什么

其实，如今的具身智能领域可谓是百花齐放，各种酷炫的演示demo层出不穷。但对于不懂的外行人来说，只能看个热闹，很难理解背后真正的技术边界是怎么样的。

同一个动作，是提前编程好的，还是机器人自主完成的？机器人只能在特定的某个位置、某个光照做一件事，还是能够真正泛化到各个条件、各个场景？

看似相差不多的demo下，背后的技术能力实则相差甚远。

不过，对于未来的技术走向，业界的认知正在逐渐清晰——最核心的还是大脑的能力。

随着时间的发展，可能再过一两年，竞争就会回到这个本质，因为唯有大脑，才能决定具身智能能在什么场景落地。

目前，大语言模型赛道已经接近后期，投资人开始关注回报的问题，但相比之下，机器人赛道可以说才刚刚开始。尤其涉及到软硬结合，以及整套系统的复杂度，赛道周期显然会更长。

在这样的背景下，柏睿资本的此次下场，显然是经过了深思熟虑。

宁德时代联创首次出手

自创立之初，柏睿资本就专注于人工智能、具身智能领域的发展，且一直非常看好这一技术将带来的一系列变革。

具体到千寻智能，柏睿资本看重的正是其团队在AI、硬件、商业化三个方面的综合优势。

首先，针对高阳在算法和模型方面的持续创新和产出能力，柏睿资本抱有极大的信心；其次，千寻智能的创始团队在硬件领域有着扎实的背景和积累；第三则是多达上百个场景、数万台机器人的商业化落地经验。

作为柏睿资本投资的首家具身智能企业，千寻智能将借助柏睿资本和背后的产投资源，快速切入市场化落地并进行具身智能泛化性作业验证，成为国内首家实现具身智能商业化的企业。

把水壶里的水倒进玻璃杯，并让水位达到指定的刻度（实拍原速）

纵观当下机器人领域的现状，各种技术的理论验证基本都已完成，但工程化却还在起步阶段。

怎样一条途径是最优方案，率先做到在工程上可行？

从Physical Intelligence、Skild AI等优秀的国外先行者身上，大家可以隐约窥见一条逼近真理的技术路径。

端到端就是下一个前沿

最近，成立仅8个月的初创Physical Intelligence（Pi）发布了一款通用机器人基础模型π0。

这个在8个机器人平台上，完成训练的3B模型，能够实行各种灵巧的任务，包括洗衣服、收纳整理......

与LLM不同的是，π0跨越了视觉、语言、动作（VLA），并通过训练机器人的具身经验中，获得物理智能。

它基于3B VLM完成的预训练，随后又根据灵巧任务（洗衣服、组装盒子、桌面任务）进行了微调。

VLM的优势在于能够集成互联网规模的语义常识和视觉理解，有助于动作预测

Pi联创之一，也是UC伯克利副教授Sergey Levine看到，如今的机器人是一种狭隘的专家系统。比如，工业机器人通过编程，在装配线上同个地点进行重复的工作。

即便是这样简单的行为，也需要耗费大量的人工编程，更不用提在复杂环境（家庭等）中的应用了。

有了大模型，就很容易让机器人做到这点。然而这一切实现的前提是——数据。

就像人类可以凭借经验快速学习新技能一样，模型也仅需少量数据，就能适应新的任务。

这便是π0的核心思想。

另一家由CMU大牛Deepak Pathak（博士出身是UC伯克利）创立的Skild AI，也遵循了同样的技术路线。

他们打造出了一款能够泛化的机器人基础模型「Skild Brain」，背后用到的训练数据是竞争对手的1000倍，可以适用到任何机器人本体和任务中。

从以上伯克利系大牛们所做的研究来看，端到端架构已成为具身智能的主要技术路线。

无独有偶，国内的千寻智能也在技术路线上与这两家美国的具身智能顶尖初创，不谋而合。

在读博士、博士后期间，千寻智能团队的首席科学家高阳，还曾与Sergey Levine和Pieter Abbeel教授展开深入合作。

尤其是，他们的模型可以在训练过程中，同时利用监督微调、强化学习、模拟学习等技术，并将Sim2Real数据作为补充。

结果就是，刚成立半年多的千寻智能，就已经能实现业内Top的灵巧手操作了。

（实拍原速）

伯克利系称霸具身智能

毫不夸张地说，UC伯克利已被公认为是最近这波具身智能浪潮的主要发源地。而Sergey、Pieter这些教授，是当之无愧的机器人学习领域最近十年的领头人。

同时，出身伯克利系的高徒们，如今已经在各个相关领域散作满天星，不断推高业界前沿的技术水平。

比如，千寻智能联合创始人高阳在攻读计算机视觉博士学位期间，便是师从Trevor Darrell教授，和Deepak Pathak同组。

最近，高阳带领团队发现了具身智能领域的「圣杯」——Data Scaling Laws，堪称机器人的ChatGPT时刻。

而且，在CoRL 2024上，这项研究荣获X-Embodiment workshop最佳论文奖！

这一方法让机器人实现了真正的零样本泛化，也就意味着无需任何微调，就能泛化到全新场景中，彻底改变了开发通用机器人的方式。

论文地址：https://arxiv.org/abs/2410.18647

就连GOOGLEDeepMind大牛Ted Xiao也对这项研究赞赏有加，称其对机器人大模型时代具有里程碑意义。

这位具身智能领域大咖，有着怎样的学术背景？

2014年，高阳获得了清华计算机科学本科学位，师从国内ML领域享有盛誉的著名学者朱军教授。

在大二的时候，也正是深度学习（2012年）爆发之际，高阳做的了很多关于传统ML的研究。

凭借出色的成绩，他成为了计算机系的第二位大神。

到了大三，高阳拿到了去斯坦福做交换的暑期学习资格，导师是David L. Dill教授。

本科毕业前，得益于老师的推荐信，以及自身各方面优异表现，高阳最终收获了美国多所顶尖高校的offer。

面对这些同样优秀的学府，他决定亲赴美国实地考察，做出最适合自己的选择。

在走访过程中，UC伯克利给他留下了深刻的印象。作为四大名校之一，这所学校具备了浓厚的学术氛围。

再加上，自身专攻机器学习领域的原因，UC伯克利最适合不过了。

作为一名机器学习领域的学生，他对UC伯克利格外青睐，很大程度上还因为引领ML时代技术的Michael Jordan教授的存在。

原本初到伯克利时，高阳计划跟随Michael Jordan开展研究。然而，再参加了几次他的组会，并与其学生交流后，他发现Michael研究方向与自己的与其有所差异。

因为，Michael Jordan的工作更加偏重数学理论，组会多围绕数学公式推导，这与高阳所期待的实践导向研究路径不尽相同。

在探索其他可能性过程中，他意外接触到了Trevor Darrell教授的研究组。

Trevor专注于计算机视觉领域，其魅力在于直观性——可以清晰看到输入的图片，观察神经网络训练过程，并得到可视化结果。

值得一提的是，当时深度学习的浪潮已经持续了大约2年的时间，业界也普遍认可了这项技术的卓越性。

也是基于这些原因，更加坚定了高阳在这一方向上深耕的原因。

在他的博士生涯初期，跟随Trevor教授做了很多在纯视觉领域的研究。

直到博士二年级下学期开始，高阳的研究兴趣发生了微妙的转变。

这一转变源于，实验室内部一系列关于人类智能起源的深度探讨。

而令他印象深刻的是CV圈里另一位大咖Jitendra Malik观点：他从进化角度提出，人类智能本质与灵巧的双手密不可分。

正是因为拥有了精细的手部动作能力，人类才得以完成更为复杂的任务，反过来推动了大脑的进化，使得智力水平得以适应更复杂的活动需求。

再到猫狗之间对于人类指令理解力的差别，说明了狗的群居特性，使得它们沟通协调力强于猫。

最终，他们在智能本质讨论中，逐渐达成共识：机器视觉的终极发展方向，应该由具身智能体驱动。

自然而然地，高阳开始将研究中心转向了具身智能领域。

他认为，具身智能与视觉、强化学习有着密切的联系，这种联系可以类比人类的认知过程。

即通过视觉感知环境，理解周围状况，继而做出相应的行为。

基于这种认识，高阳开始与Sergey Levine教授展开合作，深入去研究具身智能的形成机制。

得益于前期在计算机视觉领域的积累，在实际研究中，高阳能够很好地将CV技术与RL结合起来，并交出了硕果累累的成绩单。

在机器人研究领域的顶级学术会议CoRL 2024中，团队更是连中了4篇论文。

论文地址：https://arxiv.org/abs/2310.02635

论文地址：https://arxiv.org/abs/2310.08809

论文地址：https://arxiv.org/abs/2401.11439

论文地址：https://arxiv.org/abs/2406.10615

回到北美，如今头部的具身智能创业企业，除了Figure AI之外，创始人都属于伯克利系。

比如，Physical Intelligence的联创Sergey Levine，便是UC伯克利电气工程与计算机科学系的副教授。

Pi的另一位联创Chelsea Finn，也是UC伯克利的博士。

Skild AI的联创Deepak Pathak，同样是在UC伯克利获得的博士学位，师从国际计算机视觉大师Trevor Darrell教授（曾培养了包括贾扬清在内的多位视觉领域知名学者）。

随后，Pathak继续在UC伯克利做博士后研究，导师是机器人学习领域的顶尖学者Pieter Abbeel——扩散模型（Sora、SD背后核心技术）的提出者之一。

爆火AI搜索初创Perplexity AI的创始人Aravind Srinivas，以及前OpenAI联创John Schulman，皆是他的学生。

博士研究期间，Pathak开发了一种向机器人灌输「好奇心」方法。具体做法是，当系统无法预测其行动结果时，系统反而会因未知结果而获得奖励。

这种方法驱使AI去探索更多场景，并收集更多数据。

论文地址：https://pathak22.github.io/large-scale-curiosity/resources/largeScaleCuriosity2018.pdf

其实回看2014到2016年这段时间，无论机器狗还是双足机器人，在业内的进展都比较缓慢。

虽然当时的人形机器人已经可以跑酷、跳桩，但其中使用的技术栈其实非常传统，是基于传统的MPC、WPC这类手工控制器去做的。

也就是说，并不是基于机器学习这条路线。

在2017年左右，Pieter Abbeel和三个学生一起创立了Covariant（原名Embodied Intelligence），可以说是体现了具身智能的缩影。

在当年，大语言模型并没有出现，因此即使这个企业早于时代，也依然像今天的非端到端自动驾驶一样，技术栈并没有特别大的进步。

而随后大模型的出现，才终于让具身智能的推理能力、多模态感知融合、自主学习和常识迁移能力等得到了显著提升，翻开了全新的篇章。

如今，具身智能技术已经走向了深度融合和迭代优化的新阶段。拥有技术领先性和应用场景积累的企业，将迎来大展拳脚的机会。

而千寻智能，恰恰有着清晰的端到端技术路线，有顶尖人才、有应用场景。

具身智能这盘大棋，接下来就看千寻智能如何交卷了。


来源：网易