|
近日，銀河通用聯(lián)合北京智源人工智能研究院（BAAI）及北京大學(xué)和香港大學(xué)研究人員，鄭重發(fā)布首個(gè)全面泛化的端到端具身抓取基礎(chǔ)大模型 GraspVLA。 據(jù)介紹，GraspVLA 的訓(xùn)練包含預(yù)訓(xùn)練和后訓(xùn)練兩部分。其中預(yù)訓(xùn)練完全基于合成大數(shù)據(jù)，訓(xùn)練數(shù)據(jù)達(dá)到了有史以來最大的數(shù)據(jù)體量——十億幀「視覺-語言-動(dòng)作」對，掌握泛化閉環(huán)抓取能力、達(dá)成基礎(chǔ)模型；預(yù)訓(xùn)練后，模型可直接 Sim2Real 在未見過的、千變?nèi)f化的真實(shí)場景和物體上零樣本測試，全球首次全面展現(xiàn)了七大卓越的泛化能力，滿足大多數(shù)產(chǎn)品的需求；而針對特別需求，后訓(xùn)練僅需小樣本學(xué)習(xí)即可遷移基礎(chǔ)能力到特定場景，維持高泛化性的同時(shí)形成符合產(chǎn)品需求的專業(yè)技能。 GraspVLA 展示了無需大規(guī)模真實(shí)數(shù)據(jù)、僅通過合成數(shù)據(jù)達(dá)到基礎(chǔ)模型的預(yù)訓(xùn)練過程，和進(jìn)一步通過小樣本微調(diào)使基礎(chǔ)“通才”快速成長為指定場景“專家”的能力，定義了 VLA 發(fā)展的新范式。這一方式打破了世界范圍內(nèi)具身通用機(jī)器人當(dāng)前發(fā)展的兩大瓶頸 。 真實(shí)數(shù)據(jù)采集不僅非常昂貴，且很難覆蓋所有可能的實(shí)際應(yīng)用場景，導(dǎo)致數(shù)據(jù)量不夠無法訓(xùn)練出基礎(chǔ)模型、采集成本過大以致無法盈利。即便不計(jì)成本地采集，由于人形機(jī)器人硬件遠(yuǎn)未收斂，隨著硬件更新，原有的數(shù)據(jù)效力將大打折扣，造成大規(guī)模的浪費(fèi)。 數(shù)據(jù)的缺乏直接限制了機(jī)器人的泛化性和通用性。大部分機(jī)器人只能在特定的環(huán)境、特定的物體和特定的條件下完成專用任務(wù)，人形機(jī)器人無法實(shí)現(xiàn)規(guī)模商業(yè)化。 以 GraspVLA 為代表的銀河通用技術(shù)路線具有低成本、大數(shù)據(jù)、高泛化的特點(diǎn)，突破了具身智能的發(fā)展瓶頸，將在2025年引領(lǐng)端到端具身大模型走向規(guī)模商業(yè)化。 來源: 網(wǎng)易科技報(bào)道 |
