久久久久精品免费福利电影,国产又黄又大又粗视频,A级毛片免费播放无码,人人妻人人爽人人澡欧美一区

現在人們已經知道，人工智能產生的基礎是scaling law（尺度定律），也就是說，參數量、訓練數據和算力的持續提升會帶來模型性能的提升，最終帶來涌現。

相比于大語言模型可以使用全網的文本、圖像數據，以及動輒十億、百億級別的參數量，目前機器人的訓練規模還非常小。

有業內人士指出，早在2022年，谷歌就推出了機器人模型RT-1，能夠執行700多個任務，成本是用13臺機器人，在17個月中收集13萬條數據。

更重要的是，具身智能所需要的數據是物理世界中的視覺-控制數據，相比于文本數據，獲取成本極高。

人們最初獲取數據是利用相機拍攝，后來發展到相機陣列：

再后來甚至是這樣的：

盧策吾教授認為，如果說自動駕駛所需的訓練數據是2D的，具身智能所需要的數據則是80D，空間不確定性更是自動駕駛數據的10000倍量級。

此外，與自動駕駛類似，具身智能需要的是多模態數據，除了視覺感知之外，更多訓練者開始引入激光雷達。

上海科技大學的虞晶怡教授團隊，還使用了陀螺儀來記錄運動數據，以解決超大場景的感知難題。虞晶怡指出，想要獲取足夠多的數據，未來或許需要在每個人的衣服中都植入微型陀螺儀，由此產生的成本同樣不可忽視。

物理世界中數據來源的難題，成為本屆人工智能大會上行業人士探討的焦點。如果不能跨越這道門檻，具身智能的scaling law就無從談起。

通往AGI之路

為了應對現實世界的數據難題，研究者也在做出新的嘗試。

盧策吾團隊的思路是將數據簡化。他指出，人腦在進行決策的時候，其實也不需要用到非常龐大、精準的感知數據，而是下意識做出一個判斷，只要大致趨勢正確就可以，后面隨時調整。

因此，他們讓數據回歸到與自動駕駛類似的點陣云，極大壓縮了圖像體積，并引入力量的維度，建立力位混合的決策，使得數據復雜性大大下降。

此外，用仿真數據替代真實數據，能夠大大降低數據成本。

銀河通用創始人王鶴認為，當下真正可以實現規模化量產的數據，就是合成數據。過去幾年間，王鶴團隊建立起從物體、傳感器仿真到數據標簽生成的全方位合成方法，先以合成數據進行訓練，再向真實世界遷移。

王鶴指出，以機器人靈巧手抓取為例，當訓練量為10萬次時，抓取成功率僅為58%，而十億次訓練可以做到86%的成功率。依托十億級別的訓練，銀河通用機器人做到了對透明物體的抓取能力，而這樣的訓練量在現實世界中是無法做到的。

虞晶怡教授則展示了只用一張圖片，就能生成物體三維模型的能力，這同樣為仿真訓練提供了便利。

除了構建仿真數據，開源合作也是擴大數據資源的有效方式。機器人領域的“國家隊”——國家地方共建人形機器人創新中心在此次人工智能大會上發布了國內首款開源人形機器人“青龍”，并宣布將建立對標谷歌Robot Farm的機器人訓練場，目標在2027年部署超過1000臺機器人。

盡管取得種種進展，但業內人士仍然強調，當下不宜對具身智能抱有不切實際的期望。

谷歌DeepMind首席執行官哈薩比斯近日表示，盡管目前的人工智能可以寫作、畫畫、創作音樂，但以通用智能的標準來說，仍然沒有達到家貓的水平。

梅卡曼德創始人邵天蘭也直言，目前具身智能僅僅相當于蜥蜴的水平，還沒有走出“二疊紀”。

邵天蘭還談到，對于AGI，人類只是有了一些零散的感覺，但很難說真正找到方向，人形機器人也未必是最優的路徑。他指出，人類并不一定是很好的模仿對象，比如每個人拿筷子、跑步的姿勢也各不一樣，也會有一些缺陷，AI也可以在實踐中找到自己的方式，未必一定要像人。事實上，AI在圍棋上也只是以人類為拐杖，但最終拋棄了人類的思維方式。

優艾智合創始人張朝輝則提醒，認為機器人可以先在工業場景落地，然后過渡到通用智能的想法可能是錯誤的。因為工業領域要求的是高效率、低成本，但是通用智能的訓練與工業要求背道而馳。

因此，多位行業專家都表示，要警惕當下具身智能過熱的風險。邵天蘭指出，在過去十多年中，機器人行業已經經歷了多次起落，如果不專業的資本盲目進入，對行業發展未必是一件好事。