註冊並分享邀請連結,可獲得影片播放與邀請獎勵。

檢索結果 模型在仿真环境和现实环境的同类单任务成功率都达到91
模型在仿真环境和现实环境的同类单任务成功率都达到91 貼吧
一個關鍵字就是一個貼吧,路徑全站唯一。
建立貼吧
用戶
未找到
包含 模型在仿真环境和现实环境的同类单任务成功率都达到91 的搜尋結果
【天风电新&汽车】机器人模型更新(1):苹果HALO,用合成数据帮助真机数据进行scaling-1107 ——————————— 🌟论文成果 HALO要解决的问题是:以往训练机器人要大量的真机遥操数据,费时费力,那能不能直接让电脑模拟生成真机数据? 论文通过提示词说明,直接生成机器人长序列动作,再通过场景生成,把机器人放进仿真房间,最后随机修改环境光照、机器人传感器噪点提高泛化性。 但这类研究最大的问题是sim2real的差距:仿真里跑得好好的,现实世界可能直接栽跟头。 论文的方案是让【合成数据要与现实对齐】,即【在仿真中复原现实世界的动作延时、电机实际输出与指令的差异】等。实际跑下来,#模型在仿真环境和现实环境的同类单任务成功率都达到91#%,基本解决简单任务sim2real的问题。 🌟投资端怎么看 1、继续强化分层架构逻辑:论文里S2用的Qwen3.6(350e参数);S1用的Qwen3.5(20e参数)和一个扩散模型; 2、这篇论文重点在【解决合成数据的可用性】:今年开始ego这类数据成为模型预训练的主力军,但中训练和后训练仍多用真机数据,现在合成数据能帮助真机数据进行scaling; 3、论文里的训练数据仅摄像头的视觉数据。作者承认#缺乏触觉等其他模态数据,无法判断用力精度等问题;# 4、将虚拟场景与现实对齐时,作者实际测量了机器人实机的电机、相机等参数,说明干这个活和本体强相关,换一台机器人要重新标定。因此#有一套固定的本体、并基于本体搭建数据集更为有效。# 综上,利好的方向,多模态数采(触觉等)和本体厂。 ✅触觉&力传感:论文点名发展趋势在增加触觉,故直接利好铲子股数采手套-【福莱新材】,力传感-【安培龙】 ✅灵巧手+双臂:合成数据来自真机数据的补充,利好真机数采标的:机械臂【长盈】、【安培龙】(天机);灵巧手-Sharpa链【禾赛】、【维宏】,灵巧手驱动模组核心玩家【浙江荣泰】。 ✅本体:模型训练的进步利好本体放量且需本体合作搭建数据集,重视争夺S1议价权的【上纬】,专注S0的【宇树】。
顯示更多
明天 @axisrobotics 的Kaito活动就结束了。 我已经成功提交5篇,第6篇不知道为什么一直提交不上去,麻烦 @KaitoAI 或 @KaitoStudio_ 联系我,帮忙检查一下是什么问题。 趁活动还没结束,再写一篇我最近真正关注的技术进展。 前几天,Axis发布了一段新的Sim-to-Real演示。 他们先在仿真环境里训练RL专家,再通过视觉随机化,把能力蒸馏到Vision Policy,最后部署到真实机器人。 视频里的物体位置不是固定的。 机器人每次都要通过视觉重新判断目标在哪里,再完成抓取和放置,不能靠背一套固定坐标过关。 这段视频不算特别炫,机器人也就是拿起几个瓶瓶罐罐。 但它比再讲一遍“几百万条轨迹”更有意思。 几百万条轨迹听起来很牛,但说到底,机器人到了现实里不会干活,这些数字也只是数字。 我更关心的是:物体换了位置,它还能不能抓对? 从演示来看,这套策略至少在当前任务里做到了。 仿真中训练出来的能力,经过蒸馏以后,确实被真实机器人用上了。 当然,视频里的任务还比较简单。 换个更乱的环境,或者让它连续干几个小时还能不能稳,我现在也不知道,后面继续看。 我不会因为一段视频,就说Axis已经解决了Sim-to-Real。 但它至少证明,社区贡献的数据没有一直停留在网页任务和积分系统里。 这些数据正在经过训练、筛选、蒸馏和部署,最后变成真实机器人的动作。 Kaito活动结束以后,排行榜的热度会慢慢降下来。 到时候真正值得看的,是Axis公开的数据集还有没有研究人员使用,模型有没有继续变强,Lotus、Geely这些商业合作能不能跑出稳定的真实结果。 这些才是我接下来继续关注Axis的原因。 第一赛季第200名的事情,我该问还是会问。 项目本身值不值得长期关注,后面继续看数据、模型和真实机器的表现。 体验Axis: @axisrobotics @KaitoAI @KaitoStudio_ $AXIS_
顯示更多
0
113
89
1
轉發到社區
《🔥英伟达来中国招兵买马布局物理AI和机器人万亿生意❗️》 兄弟姐妹们,英伟达和黄仁勋又出大招了,这次是招兵买马抢人才。 6月30日,英伟达机器人团队在中国开放招聘,北京、上海、深圳三地同时放出岗位,方向集中在具身智能、仿真、部署和解决方案架构四条线。 岗位关键词很有意思:人形机器人电气方案、机械方案、全身传感、全身控制、移动操作、Isaac Lab…… 表面看,是一次普通招聘。但放对位置看,这是英伟达在告诉市场——物理AI,要从发布会走进中国工厂了。 01. 物理AI 到底是什么? 过去两年,AI最热的故事在大模型、算力、数据中心。投资者熟悉的词,是GPU、服务器、液冷、光模块、电力。 但英伟达现在告诉你:AI只会写字、画图、生成视频,还不够。下一步,AI要能看、能走、能抓、能干活。 这就是黄仁勋反复强调的"物理AI"。2025年3月,黄仁勋断言"生成式AI已成为过去,未来属于'代理AI'与'物理AI'"。简单说,屏幕里的AI,要走进工厂、仓库、医院、汽车和家庭。它不只是回答问题,而是理解现实环境,把判断变成动作。 所以,这次招聘最关键的,不是"机器人"三个字,是岗位组合。硬件、电气、传感、控制、仿真、部署一起招——英伟达补的不是一个展示样机,是机器人从训练到落地的整套基础设施。 英伟达在机器人领域的布局其实从2014年就开始了,核心战略很清晰——不与整机厂商争份额,而是做机器人领域的"安卓生态",提供从算力到开发平台到模型的完整工具链。GR00T人形基础模型已被Figure AI、宇树科技等厂商采用,Cosmos 3世界模型更是全球首个完全开源的物理AI训练平台,能把训练周期从数月缩短到数天。 02. 机器人行情看什么?——四个价值环节,A股美股这么盯 顺着黄仁勋的布局,机器人行情不能只看整机厂。整机厂最容易被炒热,但竞争最激烈,毛利率不稳定。 真正该盯的,是四个上游价值环节。 一、感知系统 机器人进真实世界,先要感知世界。视觉、力觉、触觉、IMU、激光雷达——没有高质量传感,智能就是空中楼阁。 A股值得跟踪的: 🔶奥比中光( Sim平台,在人形机器人参考平台中扮演"视觉感知底座"角色,已与英伟达Jetson Thor等系统级模块完成适配验证; 🔶柯力传感( 🔶安培龙( 也被多家券商列为传感器环节重点标的。 二、执行系统 伺服电机、减速器、丝杠、灵巧手——人形机器人从展示到干活,核心在关节能不能高精度、低能耗、长寿命运行。执行器成本占整机物料成本的三分之一甚至更高。 A股值得跟踪的: 🔶绿的谐波( ; 🔶 五洲新春( 🔶兆威机电( 🔶三花智控( 三、边缘算力和控制系统 机器人不能每个动作都等云端回答。它必须在本地完成快速推理、感知融合和运动控制。 Jetson Thor就是英伟达交出的答卷——最高2070 FP4 TFLOPS的AI算力、128GB内存、功耗仅40-130W,专门为人形机器人和物理AI设计。 英伟达还联合宇树科技推出了全球首款开放式人形机器人参考设计Isaac GR00T,整合了宇树H2 Plus本体和Jetson Thor计算平台,目标是把开发周期从几个月缩短到几周。 这个环节目前由英伟达主导,A股纯正标的较少,更多是产业链配套的PCB、结构件等。 四、仿真与数据生态 未来机器人公司拼的不是硬件,是谁拥有更多高质量动作数据,谁能把虚拟训练可靠地迁移到真实工厂。 A股值得跟踪的: 🔶索辰科技( 🔶 软通动力( 美股方面,核心标的就是英伟达(NVDA)本身——它是物理AI底层算力+世界模型+仿真平台的三合一玩家。特斯拉(TSLA)也值得关注。 03. 最后小结 生成式AI解决脑力自动化,物理AI解决行动自动化。前者改变办公室,后者改变工厂和供应链。 过去十年,资本追的是数字世界的入口。未来十年,资本会重新定价——谁掌握现实世界的执行权。 英伟达真正想做的,不是卖一台机器人,是成为所有机器人的底层平台。物理AI是AI技术从虚拟走向实体的必由之路,这个赛道才刚起步。 谁能把机器人从实验室带进车间,谁就可能拿到下一轮工业革命的门票。 ---小龙先生 #英伟达# #物理AI# #人形机器人# #具身智能# #黄仁勋# #机器人产业链# #奥比中光# #绿的谐波# #JetsonThor#
顯示更多
🔥Physical AI 的演进,必然走“农村包围城市”这条路。 数字世界的AI,打法是先攻大城市。大语言模型靠海量文本练出通用能力,再向垂直领域渗透。城市拿下,交通要塞到手,农村自然归附。 但物理世界完全不同。真实环境里,摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作,仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型,几乎不现实。 所以物理AI只能从垂直场景起步,先在一个个具体场景里做透,把局部模型打磨到极致,再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路,而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后,数据和算法才有了可靠地基。等到干线物流和高速场景成熟,城市RoboTaxi才慢慢落地。物理约束太强,数据成本太高,只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人,先在特定流水线、数控机床上站稳脚跟,再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动,没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒,积累足够的田间数据后,才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙,而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代,上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型,蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术,正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据,自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中,作业过程本身就能产生真实工况数据,把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来,谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接,或许能拼出更完整的物理世界图景。但这个过程必然漫长,也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多,真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人,才真正在为通用物理智能铺路。 农村站稳了,城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#
顯示更多
逛完世界机器人大会,我更确定:机器人最稀缺的资产,是数据。 今天在世界机器人大会逛下来,硬件的进步很直观: 机械臂更灵活,人形机器人走得更稳,但越往后看,我越觉得,决定机器人能不能从展台走进真实世界的,已经不只是身体和算力,还有它到底经历过多少种真实任务执行。 语言模型可以从互联网吸收海量文字,机器人却没有一个现成的物理世界互联网。 它需要的也不只是视频,而是完整的行为轨迹: 当时看到了什么、执行了什么动作、环境怎样变化、任务最终有没有完成,杯子换个位置、光线暗一点、桌面材质不同,都可能让一套在实验室有效的策略失灵。 这也是机器人数据难做的地方,真实采集慢、成本高,实验室又很难覆盖现实世界的长尾。只收集成功动作,还会错过最有价值的部分,因为模型暴露弱点的那一刻,往往最能告诉训练系统下一批数据该采什么。 最近看到的 Axis Robotics,值得研究的地方在于,它想把机器人数据变成一条可以持续运转的生产线。前端先生成不同机器人、物体、空间关系和视觉条件下的任务,再让分布式参与者通过浏览器操控仿真机械臂,批量产生可用于预训练的轨迹。 仿真解决规模,真实世界负责补足物理差异。Axis 让参与者用手机、多机位设备或带夹爪的采集设备记录第一视角的人类操作,再把视频处理成四维手部姿态、动作轨迹和语言标注,让“人是怎样完成任务的”变成机器人可以学习的数据。 更关键的一步发生在模型已经开始工作之后。策略一旦犹豫或偏离,人类可以即时接管并完成动作,这段纠错轨迹会进入下一轮训练。数据因此不再是训练前一次性准备好的原料,而是跟着模型失败不断更新。 Axis 还会在基于 Isaac Sim 的后端重放轨迹,并记录任务、数据与贡献者的来源,试图同时处理质量和可追溯性。 这样看,机器人的数据壁垒并不等于拥有最多视频。更有价值的是一套闭环: 生成任务、采集行为、清洗增强、训练部署,再把失败变成下一张数据订单。模型越常使用,弱点越具体,弱点越具体,下一轮采集也越有针对性。 当然,这条路最终要靠模型效果说话: 仿真数据能否稳定迁移到现实,分布式采集能否保持一致质量,新增数据能否持续降低真实任务的失败率。 这些指标比轨迹数量本身更重要,但在今天的大会现场,我越来越相信,机器人下一阶段的竞争,会同时发生在两条生产线上:一条生产机器,另一条生产机器可以学习的经历(数据),Axis 选择的是后者。
顯示更多
Axis Robotics 每天看着机器人模型在实验室里卡住。 跑不通的抓取动作,识别不了的场景,泛化不了的路径。 人类好像越来越能造机器人,但越来越不会教机器人了。 1> @axisrobotics 最早就是一个数据标注项目——只不过标的不是图片,是机器人动作。 你打开浏览器,用鼠标拖拽一个虚拟机械臂,教它怎么拿起杯子、怎么拧开瓶盖、怎么给花浇水。就这么简单。动动鼠标,教机器人,赚积分。 但团队很快发现了一个问题: 不是没人想教,是根本不知道怎么教。 2> 机器人的数据,被什么东西卡住了? 大语言模型有全网文本可以训练。 自动驾驶有上亿公里路测数据。 但机器人呢? 真实的机器人操作数据,只能靠实验室里少数专家,一台一台机械臂手动采集。成本高、速度慢、场景单一。 而机器人需要学会的,是真实世界里千变万化的动作——拿起不同形状的杯子、在不同光照下识别物体、在杂乱环境中规划路径。 实验室里采集的那点数据,不够。 3> Axis 看不下去了。 他们发现Physical AI最大的瓶颈不是算法,是数据覆盖度。 没有足够多、足够多样化的训练数据,再好的模型也是空中楼阁。 所以他们决定换一种思路。 4> 从实验室采集变成全民众包。 Axis 的做法很简单:在浏览器里搭建物理仿真环境,让全球任何一个人,打开网页就能操作虚拟机器人。 你拖拽机械臂完成的每一个动作,都会被记录成一条轨迹数据。 这些数据经过验证后,用来训练真正的机器人模型。 2026年2月,Axis 做了一次代号叫"小王子的玫瑰"的实验。 全球1.2万名普通用户在5天内完成了10,000条高质量轨迹数据的采集。 然后他们把其中一批数据直接部署到了真实的 Franka 机械臂上——成功复现。 不需要你买机器人,不需要你懂编程。打开浏览器,动动鼠标,你就在教一个真正的机器人如何行动。 5> 但最有意思的是商业模式。 企业客户可以提出定制化的数据需求——特定任务、特定环境、特定机器人本体。 Axis 把这些需求拆解成任务套件,分发给全球贡献者网络。 贡献者完成任务、产生数据,企业付费购买。 部分收入回流给贡献者。 形成一个闭环: 商业需求 → 任务生成 → 众包采集 → 数据验证 → 模型训练 → 部署落地 物理AI变成了一个网络:商业需求驱动数据创建,贡献者提供智能,模型持续进化。 6> 技术底子怎么样? Axis 自研了 MetaSim 架构,把复杂的物理仿真和轻量化的网页交互解耦。 你在浏览器里拖拽机械臂的每一帧,背后是 MuJoCo 的高频物理模拟,再通过跨仿真重放技术在 Isaac Sim 里做大规模域随机化。 说白了就是:你操作简单,但数据质量不简单。 截至2026年7月,Axis 数据集已包含207个多样化任务和超过5万条轨迹。 7> 最新进展是什么? 7月28日,Axis Robotics 宣布完成1200万美元种子轮融资。 Hack VC 领投,Nomad Capital、Pi Core Team Ventures、10K Ventures 及多位天使投资人跟投。 资金将用于加速建设大规模并行、有人类参与的全球数据引擎。 而且,Axis 即将在 Base 链上推出主产品——数据贡献记录上链,可验证、可追溯。 8> 现在,Axis 正在测试网阶段释放任务。 首批30个任务,已有三分之一进度跑满100%。 Hub 任务可以直接参与,Alliance 任务需要邀请码。 早起的鸟不一定吃到虫,但至少先占了训练工位。 关注 @BTCDTA 和 @0xsexybanana 机器人不会自己学会走路。 但你可以教它。 打开浏览器,动动鼠标,你就在参与建造物理AI的"GPT时刻"。 #AxisRobotics# #PhysicalAI# #Web3#
顯示更多
0
80
13
0
轉發到社區
我这几天被 @axisrobotics 的双臂任务折腾得坏了,人都萎了,这种数据收集方式,对我这种手残党太难了。 难道,除了这种没有别的更人性化的训练方式了吗?我尝试去学习了解具身智能的数据采集方式。 目前主流的方法,大致有四条路。 真机遥操作是最直接的一种。 操作员戴上VR眼镜,握着手柄或遥操作手套,实时操控特定型号的机器人完成任务,同时记录关节角度、力反馈这些信息。 好处很明显:数据质量高,跟目标机器人贴合紧密,力触觉信息完整,训练出的模型基本可以直接部署。但代价也大,设备贵,需要真机和专用场地,人员配合成本高。而且数据跟机型强绑定,换一台机器人就很难复用,场景也相对固定,采集效率自然上不去。 为了降低门槛,UMI(通用操作接口)给出了另一种思路。 操作员手持一个标准化的夹爪,通常就是3D打印件加上运动相机,在真实场景里直接操作,记录末端视角、夹爪状态和运动轨迹。设备便宜、便携,数据还能在不同机器人和夹爪之间复用。 但精细操作还是受限:夹爪本身不够自然,像拧螺丝这类任务就很难完成;同时缺少环境和行走决策信息,主要适用于机械臂训练。 动作捕捉则更贴近人的自然动作。 通过穿戴设备记录人体和手部关键点的轨迹,再映射到机器人系统。动作自然,成本相对可控,也不用部署真实机器人,适合批量采集。 问题在于场景受限:多数设备需要专用空间,很难进入家庭或真实非结构化环境,对遮挡也比较敏感。 成本最低、规模潜力最大的,是Ego(第一人称视频)。 采集员只需佩戴头戴式相机等简单设备,以第一视角记录日常操作,包含手部动作、环境信息和身体关键点。设备简单,容易在家庭、商超等真实场景里大规模众包。信息也丰富,蕴含人类决策逻辑和手物交互细节。 但精度有限,缺乏力触觉和精确的关节轨迹,手部关键点往往要靠后期预测。原始视频里还有大量无效片段,清洗和对齐的工作量不小。 像Axis Robotics这样的平台,目前走的是仿真环境下的遥操作路线。 用户在浏览器里用键盘、鼠标控制模拟的双臂机器人,生成关节状态、物体位姿和控制动作数据。这有点像真机遥操作的“模拟版”,降低了硬件门槛,能快速积累大规模轨迹。 但跟真实物理数据终究有差距,操作学习曲线依然存在,普通人要熟练掌握并不容易。Axis也在推进移动端的第一人称数据采集,尝试把仿真和真实Ego数据结合起来。 回过头看,如果未来可穿戴智能设备能更成熟地捕捉自然动作、力反馈和场景信息,数据采集或许会接近我们最初的想象,不需要复杂的遥操作,直接从日常行为里提取高质量物理数据。 到那时,训练机器人的门槛才能真正降下来,数据规模和多样性也才能跟上模型的进步。 每种方式都有取舍。真机遥操作求精度,UMI和动作捕捉重便携与自然,Ego主打规模。实际应用中,往往要多种方式互补,既保证数据质量,又覆盖足够多的场景。 #PhysicalAI# #Robotics# #EmbodiedAI#
顯示更多
0
95
47
0
轉發到社區
《AI 下半场:美股人形机器人产业链全梳理》 白毛股神 Serenity @aleabitoreddit 说:Robotics is next.🤖🤖🤖 过去两年,市场主要交易的是 AI 的大脑:GPU、CPU、存储、数据中心、大模型、推理算力。 但大脑建好之后,AI 不能永远只停留在屏幕里写代码、画图、聊天。 大模型是 AI 的大脑,机器人是 AI 的身体。大脑负责思考,身体负责行动。 只有当 AI 拥有了身体,它才能真正走进工厂、仓库、医院、家庭,去搬运、分拣、装配、护理、清洁,最终在真实世界里创造价值。 Biteye 按照人形机器人的组成部分,系统梳理了美股机器人及供应链核心标的👇 🔹 感知系统 这部分负责让机器人看到世界。它通过视觉、深度、触觉等传感器,把真实世界转化为数字信息,让机器人能够识别物体、理解环境并进行空间定位,是机器人理解外部世界的第一步。 $CGNX Cognex | ~$8B+ | 工业机器视觉龙头,工厂自动检测与识别系统 $KEYS Keysight | ~$30B+ | 测试测量系统,机器人电子系统验证基础设施 $TDY Teledyne Technologies | ~$25B+ | 高端工业相机+LiDAR+传感器系统 $ON onsemi | ~$25B+ | 自动驾驶+机器人图像传感器核心供应商 $NOVT Novanta | $5.61B | 做机器人力/力矩传感器,在人形机器人和工业机器人里很重要。 $AMBA Ambarella | ~$4B+ | AI视觉芯片,用于机器人/无人机/安防识别 $VPG Vishay Precision Group | ~$1.7B | 精密力学传感器公司,应变计和力传感器可用于人形机器人灵巧手、关节力控与高精度抓取,是 Optimus 供应链弹性标的之一。 $VLN Valens Semiconductor | ~$200M+ | 高速信号传输芯片公司,提供低延迟视觉数据传输方案,可用于机器人多摄像头、自动驾驶和端侧计算系统。 🔹 执行系统 执行系统相当于机器人的肌肉和关节,负责把计算系统发出的指令转化为真实动作。无论是行走、转身、抓取、搬运,还是保持平衡,都依赖电机、减速器、液压/气动系统和精密传动部件来完成。 $PH Parker Hannifin | ~$120B+ | 运动控制+液压系统,机器人核心驱动与执行器 $IR Ingersoll Rand | ~$32B+ | 工业压缩机+自动化气动系统 $FTV Fortive | ~$18B+ | 工业精密工具+自动化设备系统 $RRX Regal Rexnord | ~$14B+ | 电机+传动系统,工业机器人动力核心 🔹 计算与控制 计算与控制相当于机器人的“大脑 + 小脑”,负责处理感知数据、理解环境、规划路径,并把AI决策转化成稳定动作。它决定机器人反应快不快、动作准不准、能不能在复杂环境中自主运行。 $NVDA Nvidia | ~$3.0T+ | AI GPU + Jetson边缘计算平台,机器人算力绝对核心 $MSFT Microsoft | ~$3.2T+ | Azure + Copilot + AI基础设施,提供机器人云端大脑与开发平台 $GOOGL Alphabet | ~$2.0T+ | DeepMind + Waymo,布局自动驾驶与机器人AI系统 $AMD AMD | ~$880B+ | GPU/CPU替代方案,提供机器人边缘与训练算力 🔹 能源系统 能源系统决定机器人能运行多久、功率能有多强,包括电池技术、电源管理和充电系统,是机器人能否规模化落地的关键限制条件。 $ADI Analog Devices | $203.57B | 模拟芯片、电源管理、传感和工业控制巨头,机器人底层硬件核心。 $HON Honeywell | $144.11B | 电源管理+工业能源系统 $MPWR Monolithic Power Systems | $76.83B | 电源管理芯片龙头,广泛应用于机器人、AI服务器和汽车电子。 $VICR Vicor | $14.40B | 做高效率电源模块,将电池电压转换成不同部件用电,适合机器人能源系统。 $AMPX Amprius Technologies | $2.43B | 硅负极高能量密度锂电池,已切入无人机与机器人市场 $BLNK Blink Charging | $85.63M | EV充电基础设施公司,探索机器人与物流设备充电场景 🔹 基础软件 基础软件是人形机器人真正的“智能底座”,决定机器人不是简单重复动作,而是能够理解任务、学习环境并不断优化行为。 在人形机器人训练中,软件的重要性甚至高于单一硬件。机器人需要先在仿真环境中学习走路、抓取、避障和执行任务,再通过真实世界数据不断修正模型。 $MSFT Microsoft | ~$3.2T+ | Azure AI + Copilot 生态,机器人云端大脑与企业AI开发平台。 $NVDA Nvidia | ~$3.0T+ | Isaac Sim + Jetson + GPU 算力平台,机器人仿真训练和AI推理基础设施。 $TSLA Tesla | ~$1.3T+ | FSD + Optimus 数据闭环,端到端机器人策略模型代表。 🔹 人形机器人 在人形机器人方向,本体公司的目标是让机器人像人一样在复杂环境中完成通用任务;在工业和协作机器人方向,则更强调稳定性、效率和规模化部署。因此,这一层通常也是机器人产业链中最接近终端需求、最容易形成品牌和估值叙事的部分。 $TSLA Tesla | ~$1.3T+ | Optimus 人形机器人 + FSD 自动驾驶统一系统,代表“AI大脑 + 机器人本体 + 数据闭环”的一体化路线。 $HON Honeywell | ~$140B+ | 工业自动化、航空自动化与物流自动化解决方案商,更多偏机器人系统集成与场景落地。 $ABB ABB | ~$100B+ | 全球工业机器人和自动化龙头,产品覆盖机械臂、控制系统、产线自动化,是成熟工业机器人代表。 $TER Teradyne | ~$24B+ | 通过 Universal Robots 和 MiR 布局协作机器人与自主移动机器人,是工业协作机器人平台型公司。 $CCXI Churchill Capital Corp XI / Agility Robotics | 拟合并估值约 $2.5B | Agility 是美国人形机器人公司,核心产品 Digit 主攻物流、仓储和制造场景。 目前 Agility Robotics 正通过与 SPAC 公司 Churchill Capital Corp XI 合并上市,交易完成后预计更名为 Agility,并使用新 ticker $AGLT。 🌟写在最后 机器人产业链的投资逻辑,其实和半导体周期很像。 早期阶段,很难判断谁会成为最终赢家,但产业链上每一层都会先跑出阶段性机会:感知、执行、能源、控制、本体,都会随着行业关注度提升被重新定价。 今天优必选超仿生机器人刷屏,就是一个很明显的信号:机器人正在从实验室、发布会,开始走进大众视野。根据公开报道,优必选在 6 月 30 日发布会上表示,“优世界 U1”系列全渠道订单已突破 1 万台,并计划今年交付。 当然,这不代表机器人马上就会全面商业化。短期看,它更像一个从“概念展示”走向“真实订单”的拐点。真正值得关注的,是订单能不能持续、成本能不能下降、供应链能不能跟上。 对普通投资者来说,与其现在就押注谁是“人形机器人界的英伟达”,不如把机器人当成一条完整产业链来研究:感知、执行、能源、本体,每一层都选出核心公司,用组合方式分散单一标的不确定性。 Robotics is next 这句话大概率是对的。但节奏不会一蹴而就,真正的机会,可能藏在每一台机器人都绕不开的核心供应链里。
顯示更多
0
6
75
25
轉發到社區
成立两年,这家AI公司的估值都冲到200亿了。 下午在中关村和几个朋友聊天。大家都很感触,智谱转眼之间就成了一个万亿市值的公司,这谁能想到,前两年甚至还觉得人家要黄了。 这就是创业啊,探索逻辑,不是考试逻辑。 顺着 LLM,我们聊到了具身智能。有朋友说,现在国内这批具身智能公司中,谁有智谱或者Anthropic的潜力。 我毫不隐讳的抢答,我自己最看好自变量这家公司。过去一年,我写过很多次自变量的模型。 从我的视角,他们每次的新模型或者新论文还是都能给我不小冲击。 今天是上半年的最后一天,不是很忙,这会坐在电脑前,我想写写自变量这家创业公司。 如果你关注具身智能的话,无论从哪个方向看,自变量基本都绕不开。 而且自变量现在的发展节奏也非常猛。刚刚成立两年时间,最新一轮的估值就已经突破了 200 亿。 美团、阿里、字节、小米这四大互联网公司分别都领投过。 这事还是非常罕见,换个角度说,我们可以理解为这几家互联网公司都非常认可自变量的技术方向或者技术水平,要不然也不可能轮番下重注。 自变量这家创业公司有什么来头?我先说下具身智能模型的背景。 具身智能领域的模型,虽然大家嘴上都说在做大脑,但技术方向其实差别很大。 说白了,具身智能大脑要解决的核心问题就一个,让机器人能够和物理世界交互,像人一样去干活,擦桌子、洗衣服这些。 但具体怎么实现这件事,路线分歧还是比较大的。 从模型结构上看,有的侧重做 VLM,也就是视觉语言模型,核心能力是看图、看视频、回答问题、做推理,对世界的理解更多是语义层面的。 另一条路是世界模型,更关心的是给定一段历史状态和动作序列之后,能不能预测出下一帧世界会变成什么样,关注的是物理约束和因果关系。 而且要训练具体模型模型,数据是绕不开的核心问题。和大语言模型可以从互联网上抓取信息不一样,具身智能的数据得从物理世界采集,这件事本身就很难。 没有那么多现成的数据。 从数据来源看,有的公司会用真实世界的数据,采集成本高、场景杂、噪声多,但贴近真实部署。 有的用仿真环境的数据,在物理引擎里自动刷任务、生成轨迹。训练方式也很多样,有走强化学习的,有做模仿学习的,有先学状态转移再做规划的。 总的来说,这个领域现在还处在百花齐放的阶段,大家方向不同,评测标准也没有统一。 和 LLM 领域完全不一样。毕竟 LLM 领域,大家都在 Transformer 的基础上,做 Scaling Law,做 RL,大的方向是一致的。具身智能方向还没有什么标准答案。 自变量的探索特别有意思。今年 4 月份,他们发布了全球第一个世界统一模型 WALL-B。 之前整个行业做具身模型,主流思路是 VLA,也就是把视觉、语言、动作几个模块拼接起来。 但 VLA 走到后面是有天花板的,因为它的核心范式是模仿,一旦环境发生迁移,就比较麻烦。 后来很多人就在讨论,是不是把世界模型和 VLA 结合起来,在 VLA 上面外挂一个世界模型,因为世界模型能够在脑海里做预演,可以解决任务迁移的问题。 但这种拼接方案,整个行业基本都认为是中间过渡方案。因为拼接就涉及到数据的搬运和迁移。 大模型领域已经印证过这件事了,这两年为什么一直在强调原生多模态?就是希望模型能够原生地去理解多模态信息,而不是非得外挂一个结构。VLA 和世界模型的关系也是同样的道理。 所以当他们在 4 月份发布 WALL-B 的时候,我非常震惊。 自变量做的其实是原生的世界模型,把视觉、语言和动作放到同一个模型里从零开始联合训练,统一的架构,各个能力在一个系统里头直接协同。这是全世界第一个朝这个方向尝试的模型。 WALL-B 是 4 月份发的。然后上个月自变量又在这个基础上发了另一个模型 WALL-WM。 在做完世界统一模型之后,他们又回过头去思考一个更底层的问题:具身智能模型基本单元到底是什么?因为用什么最小单元来建模,会极大影响模型学习什么。 这个在大模型领域已经印证了,视频模型也经历过。比如视觉领域,之前的最小单元是像素,后来大家慢慢发现,更合适的其实是语义。到了语义这个层面,视频模型才有了质的飞跃。 自变量团队沿着这个思路推演,判断具身智能领域也面临同样的问题。现在大部分具身系统,默认的基本单元还是时间序列,按时间均匀采样。 但他们尝试之后认为,这个基本单元应该是关键事件序列,就像人一样,人感知世界不是按固定帧率来的,而是按事件来的。 于是在之前世界统一模型的基础上,他们又提出了事件驱动的世界模型。 先是做了端到端的统一架构的原生世界模型,然后又在这基础上做了事件驱动。 总之我的感觉是,这些探索也许是在倒逼着整个行业去思考,什么才是难而正确的事。 有同学可能会问,是不是你说的这些还是纯概念? 哎,具身智能前两年确实被一些观点带歪了,觉得这行当泡沫很大。其实不是。 一个新技术的演进是涌现式的,用 Anthropic CEO 的话说,是指数级增长。很多人感知不到,是因为在指数曲线的前半段,变化看起来很慢。 但仔细看一看过去这半年,变化其实已经在发生了。好多人嘲笑机器人跑马拉松,觉得这能说明什么。 但隔几个月再去看同一件事,感受是不一样的,明显比之前跑得好太多了。这就是在变化,只是没到那个让所有人都惊掉下巴的时刻而已。 还有很多人可能没注意到,自变量的机器人前段时间已经和 58 到家合作,进入了不少家庭,直接做家务去了。 注意,不是在实验室里做演示,是真的去普通人家里擦桌子收拾东西。还有工业场景也已经在跑了,汽车产线、物流分拣,都在真实环境里干真实的活。 当然,这些都是很微小的开端。就像 GPT-3.5 刚出来的那个阶段,好多人没有看见,还蒙在鼓里,但其实产业渗透已经开始了。 如果对具身智能或者人形机器人感兴趣,推荐去看一看自变量发的一些技术报告和模型。 哪怕不是做这方面研发的,只是作为一个爱好者,看看也会觉得很有意思。 我自己经常去翻这些信息,看完之后大概就能理解目前这个行业遇到了什么问题,以及大家在怎么解决。 光是这个过程本身,就挺有趣的。
顯示更多
AMD 在 16 日宣布完成对 World Labs 的收购。这家公司由李飞飞联合创办,做的是可交互 3D 环境和机器人仿真。 她本人出任 AMD 执行副总裁兼首席科学家,直接向苏姿丰汇报。 苏姿丰定下了方向:打造下一代超级智能的基础设施,计算平台得和模型一起优化。团队继续做基础模型,再把成果用到 AMD 的硬件和系统里。 这是第三条路,跟英伟达自研 Cosmos、华为走昇腾原生都不同。芯片公司把模型团队买进来,具身智能的底座就不只是买卡了。
顯示更多