導(dǎo)語：簡單動作如抓起塑料袋(抓哪里都可以)，機(jī)器人基于已學(xué)習(xí)的視覺-動作執(zhí)行策略，可以做出一些“下意識”的快速反應(yīng)行動。

　　OpenAI大模型加持的機(jī)器人，深夜來襲!

　　名曰Figure 01，它能聽會說，動作靈活。

　　能和人類描述眼前看到的一切：

　　我在桌子上看到了一個紅色的蘋果，瀝水架上面還有幾個盤子和一個杯子;然后你站在附近，手放在桌子上。

　　聽到人類說“想吃東西”，就馬上遞過去蘋果。

　　而且對于自己做的事有清楚認(rèn)知，給蘋果是因為這是桌上唯一能吃的東西。

　　還順便把東西整理，能同時搞定兩種任務(wù)。

　　最關(guān)鍵的是，這些展示都沒有加速，機(jī)器人本來的動作就這么迅速。

　　接下來，我們繼續(xù)來看下Figure 01的細(xì)節(jié)。

　　OpenAI視覺語言大模型加持

　　根據(jù)創(chuàng)始人的介紹，F(xiàn)igure 01通過端到端神經(jīng)網(wǎng)絡(luò)，可以和人類自如對話。

　　基于OpenAI提供的視覺理解和語言理解能力，它能完成快速、簡單、靈巧的動作。

　　模型只說是一個視覺語言大模型，是否為GPT-4V不得而知。

　　它還能規(guī)劃動作、有短期記憶能力、用語言解釋它的推理過程。

　　如對話里說“你能把它們放在那里嗎?”

　　“它們”、“那里”這種模糊表述的理解，就體現(xiàn)了機(jī)器人的短期記憶能力。

　　它使用了OpenAI訓(xùn)練的視覺語言模型，機(jī)器人攝像頭會以10Hz拍下畫面，然后神經(jīng)網(wǎng)絡(luò)將以200Hz輸出24自由度動作(手腕+手指關(guān)節(jié)角度)。

　　具體分工上，機(jī)器人的策略也很像人類。

　　復(fù)雜動作交給AI大模型，預(yù)訓(xùn)練模型會對圖像和文本進(jìn)行常識推理，給出動作計劃;

　　簡單動作如抓起塑料袋(抓哪里都可以)，機(jī)器人基于已學(xué)習(xí)的視覺-動作執(zhí)行策略，可以做出一些“下意識”的快速反應(yīng)行動。

　　同時全身控制器會負(fù)責(zé)保持機(jī)身平衡、運動穩(wěn)定。

　　除了最先進(jìn)的AI模型，F(xiàn)igure 01背后公司——Figure的創(chuàng)始人兼CEO還在推文中提到，F(xiàn)igure方面整合了機(jī)器人的所有關(guān)鍵組成。

　　包括電機(jī)、中間件操作系統(tǒng)、傳感器、機(jī)械結(jié)構(gòu)等，均由Figure工程師設(shè)計。

　　據(jù)了解，這家機(jī)器人初創(chuàng)公司在2周前才正式宣布和OpenAI的合作，但才13天后就帶來如此重磅成果。不少人都開始期待后續(xù)合作了。

　　由此，具身智能領(lǐng)域又有一顆新星走到了聚光燈下。

　　“將人形機(jī)器人帶進(jìn)生活”

　　說到Figure，這家公司創(chuàng)立于2022年，正如前文所言，再次引爆外界關(guān)注，就在十幾天前——

　　官宣在新一輪融資中籌集6.75億美元，估值沖到26億美元，投資方幾乎要集齊半個硅谷，包括微軟、OpenAI、英偉達(dá)和亞馬遜創(chuàng)始人貝佐斯等等。

　　更重要的是，OpenAI同時公開了與Figure更進(jìn)一步合作的計劃：將多模態(tài)大模型的能力擴(kuò)展到機(jī)器人的感知、推理和交互上，“開發(fā)能夠取代人類進(jìn)行體力勞動的人形機(jī)器人”。

　　用現(xiàn)在最熱的科技詞匯來說，就是要一起搞具身智能。