目前大模型技術(shù)已從單純的大語言模型（LLM）發(fā)展到圖像-語言多模態(tài)模型（VLM）乃 至圖像-語言-動作多模態(tài)模型（VLA），其中圖像-語言-動作多模態(tài)模型（VLA）的推出，實 現(xiàn)了數(shù)據(jù)與處理任務(wù)的躍升。從文本到圖像再到現(xiàn)實世界，大模型的數(shù)據(jù)模態(tài)逐漸豐富，數(shù) 據(jù)規(guī)模的數(shù)量級迅速增長，大模型的應(yīng)用場景和價值量也成比例擴(kuò)張。

在人形機(jī)器人領(lǐng)域，AI 大模型將會從感知（語音、視覺）、決策、控制等多方面與人形 機(jī)器人結(jié)合，形成感知、決策、控制閉環(huán)，提升機(jī)器人的智能水平。

未來人形機(jī)器人大模型的方向?qū)�會是感�?決策-控制一體化的端到端通用大模型，集合 大規(guī)模數(shù)據(jù)集管理、云邊端一體計算架構(gòu)、多模態(tài)感知與環(huán)境建模等技術(shù)。

1 微軟 ChatGPT

在機(jī)器人領(lǐng)域的應(yīng)用主要體現(xiàn)在兩個方面：自然語言交互和自動化決 策。在自然語言方面，機(jī)器人可以通過 ChatGPT 來理解人類的自然語 言指令，并根據(jù)指令進(jìn)行相應(yīng)的動作；在自動化決策方面，機(jī)器人可以 通過 ChatGPT 來生成任務(wù)方案，根據(jù)任務(wù)要求做出相應(yīng)的決策。

柏林工業(yè)大學(xué)和 Google Robotics 團(tuán)隊 PaLM-E

是最大的多模態(tài)視覺語言模型，在 PaLM 模型基礎(chǔ)上，引入了具身化和 多模態(tài)概念，實現(xiàn)了指導(dǎo)現(xiàn)實世界機(jī)器人完成相應(yīng)任務(wù)的功能。

2 谷歌 RT-2

全球第一個控制機(jī)器人的視覺-語言-動作（Vision-Language-Action， VLA）模型，通過將 VLM 預(yù)訓(xùn)練與機(jī)器人數(shù)據(jù)相結(jié)合，能夠端到端直接 輸出機(jī)器人的控制。

斯坦福大學(xué)李飛飛團(tuán)隊 VoxPoser

智能系統(tǒng) VoxPose 可以從大模型 LLM 和視覺語言模型 VLM 中提取可行 性和約束，以構(gòu)建 3D 仿真環(huán)境中的值地圖，供運動規(guī)劃器使用，用于 零樣本地合成機(jī)器人操縱任務(wù)的軌跡，從而實現(xiàn)在真實世界中的零樣 本機(jī)器人操縱。

3 Meta 和 CMU 團(tuán)隊 RoboAgent

采用了大規(guī)模機(jī)器人數(shù)據(jù)集進(jìn)行訓(xùn)練，考慮到機(jī)器人在現(xiàn)實世界中的 訓(xùn)練和部署效率問題，Meta 將數(shù)據(jù)集限制到了 7500 個操作軌跡中，并 基于此讓 RoboAgent 實現(xiàn)了 12 種不同的復(fù)雜技能，包括烘焙、拾取物 品、上茶、清潔廚房等任務(wù)，并能在 100 種未知場景中泛化應(yīng)用。

4 英偉達(dá) Eureka

該系統(tǒng)以 OpenAI 的 GPT-4 為基礎(chǔ)，本質(zhì)是一種由大模型驅(qū)動的算法生 成工具，能訓(xùn)練實體機(jī)器人執(zhí)行例如“轉(zhuǎn)筆”、“開抽屜”、“拿剪 刀”、“雙手互傳球”等多種復(fù)雜動作。

5 英偉達(dá) GR00T

目標(biāo)是成為人形機(jī)器人通用大模型，旨在讓人形機(jī)器人理解自然語言文本、語音、視頻，以模仿人類運動，并與現(xiàn)實世界互動。

6 阿里云機(jī)器人大模型

方案集成了通義千問、通義萬相等基礎(chǔ)模型及阿里云物聯(lián)網(wǎng)平臺，可賦予機(jī)器人知識庫問答、工藝流程代碼生成、機(jī)械臂軌跡規(guī)劃、3D 目標(biāo) 檢測和動態(tài)環(huán)境理解等全方位能力，不僅可以大幅降低機(jī)器人開發(fā)的 門檻，還讓機(jī)器人輕松完成靈活性更高的非標(biāo)任務(wù)，推動機(jī)器人在更廣 泛的應(yīng)用場景落地。

7 華為盤古大模型

“盤古”大模型具備強(qiáng)大的語義理解、動態(tài)規(guī)劃、多模態(tài)信號理解等能 力，將為人形機(jī)器人大模型的開發(fā)提供智能化決策基礎(chǔ)。依托盤古大模 型的數(shù)據(jù)處理能力，可建立豐富且高質(zhì)量的人形機(jī)器人數(shù)據(jù)集，并且充分發(fā)揮盤古大模型的多模態(tài)能力，實現(xiàn)復(fù)雜任務(wù)場景下綜合感知和任 務(wù)分解，提升各類泛化場景下的具身智能操作水平。