绝命毒师第五季

WAIC观察：具身智能“深圳军团”，补齐人形机器人落地关键中间层_我的网站

A |     《科创板日报》7月20日讯（记者 杨小小）人形机器人要加快实现应用落地，无疑已成为行业内外的普遍共识。         围绕这一目标展开的人形机器人“大脑”能力补强，也已经持续了一段时间。

B |          但在这个过程中，行业逐渐发现，机器人拥有理解和决策能力，并不等于已经掌握了可执行的技能，从认知到动作之间，还需要完成动作策略生成、本体适配和反馈修正等重要环节。    北京时间2026年8月24日凌晨4点02分，知名篮球媒体Basketball Ground在社交媒体上抛出了一枚重磅炸弹，一份关于凯里欧文从达拉斯独行侠转会休斯顿火箭的模拟交易方案。消息一出，火箭专区直接炸了锅。         在今年的世界人工智能大会上，具身智能“深圳军团”不约而同地都在朝这个方向进行能力展出，试图缩短模型能力到真机执行的链路。         从数据到动作策略          跨维智能将这段距离进一步前移到了模型训练的数据端。         具体方案是这样的：火箭队送出范弗利特、杰肖恩泰特，外加2027年和2029年两个首轮选秀权，从独行侠换来欧文和一个2028年的次轮选秀权。         此次WAIC，跨维智能发布并开源Aligned DexWorld。从账面上看，这是一笔4换2的交易，火箭掏出两名即战力球员和两个未来首轮签，去赌一个34岁、刚从ACL重伤中恢复的全明星后卫。欧文下赛季年薪3949万美元，2027-28赛季是价值4241万美元的球员选项，合同还附带15%的交易保证金。而范弗利特刚刚执行了2026-27赛季价值2500万美元的球员选项，泰特的合同则相对小得多，两人加在一起刚好能配平欧文近4000万的薪水。据公司介绍，该数据集试图将真人示教、真机遥操和仿真合成等不同来源的数据，在统一的三维物理空间和时间序列中完成对齐。         它所针对的是具身智能训练数据的异构问题：不同来源的数据在视角、本体构型和动作空间上存在差异，单纯“堆数据”并不必然提升模型效果，未经对齐的混合训练甚至可能产生负迁移。         在数据对齐之外，跨维智能还首次展示了仿真引擎DexVerse的生成式仿真能力，通过持续生成不同的物体姿态、场景布局和交互任务，为世界模型提供更多样化的训练数据。按照公司的技术路径，Aligned DexWorld解决的是不同数据能否被模型共同学习，DexVerse则负责扩展模型可以学习的物理场景。         这笔交易的核心驱动力，其实就两个字：情怀！杜兰特目前就在火箭，而欧文与杜兰特曾在篮网并肩作战过，如今时隔四年有望在休斯顿重聚，对球迷来说，光是想象就足够让人热血沸腾！          但从火箭的角度看，这笔交易的风险不小。欧文34岁了，刚从ACL重伤中恢复，状态能恢复到几成是个巨大的问号。而火箭付出的代价是实打实的，两个首轮签在如今的NBA价值极高，尤其是2027年和2029年的首轮。范弗利特虽然进攻效率有起伏，但好歹是个靠谱的组织点和外线防守者；泰特则是典型的“万金油”锋线，能防多个位置。         现场展出的手机装盒和商超扫码Demo，进一步呈现了上述技术链路在真机执行端的效果。手机装盒机器人需要连续完成取盒、放机、对位和合盖，并在物料偏移、漏抓等情况下重新规划动作；商超扫码机器人则要适应不同瓶型和随机摆放姿态，完成抓取、扶正、扫码及放置，并通过视觉信号判断扫码是否成功。

C |          也就是说，跨维智能试图补上的，是从模型能力到真机执行的上游基础：先让不同来源的数据说同一种物理语言，再让模型学到的能力更顺畅地迁移至真机。送走这两人加两个首轮，换来一个伤病未愈的老将，这笔账到底划不划算，只有时间能给出答案。         而从独行侠的角度看，这笔交易倒是合情合理。独行侠已经确定围绕新星弗拉格开启重建，欧文这种34岁的老将显然不在长期计划内。         如果说跨维智能试图让模型从训练阶段开始，更准确地理解物理世界中的动作，智平方进一步关注的，则是模型理解任务后，如何将认知、协调和执行串成闭环。用他换来范弗利特这个经验丰富的控卫带队过渡、泰特这个即战力锋线，外加两个宝贵的首轮签，这几乎是重建球队能拿到的最优回报了。而且范弗利特的2500万合同只有一年，到期后独行侠可以腾出大量薪资空间，灵活性极高。         但说白了，目前这一切还只是Basketball Ground的模拟方案，远未到真正落地的阶段。

D |          智平方这次WAIC带来了搭载NeuroVLA类脑大模型的AlphaBot 2。         按照公司的设计，NeuroVLA将机器人控制体系分为“皮层-小脑-脊髓”三个层次：皮层负责语义理解和任务规划，小脑负责高频运动协调与动态修正，脊髓则负责毫秒级运动执行和安全反射。独行侠管理层此前曾多次拒绝关于欧文的交易询价，照这个局势来看，这笔交易按道理是行不通的，球迷们就当看着乐吧！。         高层模型的任务规划无法直接转化为连续的关节动作。机器人还需在执行中持续感知环境和自身状态，在目标变化或动作失败时动态调整，并维持长流程任务的时序信息。智平方强调的主动感知、故障自恢复和时序记忆，就是为了打通这些环节。         在WAIC展示的PCB上下料任务中，AlphaBot 2需要面对不同型号、尺寸的PCB，以及透明、反光托盘，连续完成托盘取料、上下料、移动运输和双臂协同等动作。相比完成一次固定抓取，这类任务更考验感知、任务规划、动态修正以及运动执行之间能否形成闭环。         从动作策略到真机执行          模型形成动作策略之后，还需要经过具体场景和机器人本体的适配。         乐聚机器人试图通过后训练，补上通用模型与具体岗位技能之间的距离。作为以本体和运动控制见长的人形机器人企业，在路径上，乐聚没有选择从头训练通用具身基模，而是由上游模型企业完成通用大脑的预训练，再结合自身机器人本体和工业场景开展垂域后训练、本体适配和真机评测。

E |          乐聚机器人技术负责人王强对《科创板日报》记者表示，这一过程可以类比为是给机器人开设“技校”：基础模型解决认知广度，后训练则让机器人围绕具体岗位学习技能。         以快递分拣为例，蚂蚁灵波的LingBot-VLA 2.0已经通过预训练掌握识别物体、理解指令和基础抓放等能力；乐聚进一步采集300条任务数据进行后训练，让模型学习不同包裹在具体环境中的识别、抓取与分类方法，并将其部署至夸父机器人完成真机任务闭环。         据悉，乐聚目前已将数据处理、代码适配、模型后训练和真机部署测试等流程封装为后训练工具链。         此次WAIC，乐聚展示的纸箱拆垛、塑料箱拆垛和小件上料，也对应了这套转化路径。乐聚方面人士对记者表示，在展会期间，夸父机器人连续三天每天接近10小时不间断完成了纸箱拆垛等任务，机器稳定性出现了初步的量变突破。         逐际动力则把认知到执行的链路进一步拆分为Sys2认知层、Sys1技能层和Sys0运控层。认知层负责理解任务和作出决策，技能层承接具体能力，运控层则负责将其落实为本体动作。         逐际动力此次展示的Oli机器人搭载COSA人形大脑系统和WBT全身运动基础模型。其中，WBT能够实时追踪机器人全身关节，并在动作执行过程中维持平衡。现场动捕演员连续完成深蹲、太极和舞蹈等动作，Oli则进行实时复现。与单个预设动作相比，这一演示更侧重展示长程动作如何被映射至机器人本体并稳定执行。         在操作端，逐际动力还展示了搭载COSA系统的TRON2双臂机器人。现场，TRON2通过视觉感知和语音交互，自主抓取糖果并递送给用户，呈现出机器人从感知、技能生成到底层执行之间的衔接。         可以看到，随着人形机器人产业的可见度不断提升，行业内外的期待也在持续拉高。人形机器人企业的展示无疑都在试图回应同一个问题：如何在技术路径尚未完全收敛的情况下，跨过实用性的门槛。         但WAIC的演示仍不同于规模化应用。人形机器人面对新任务需要多少数据、训练和适配周期多长，技能能否跨本体、跨场景复用，以及在长期运行中能否保持稳定，仍需更多真实项目验证。         （科创板日报记者 杨小小）。

Current article:http://6un.ganweilingmukuai.shop/360r/20260826/37962.html

Published on:00:00:00