字号·· | 护眼
财新

面对面|熊友军:真机、仿真、互联网视频三类数据,人形机器人该怎么选?

【财新网】通用大模型的能力跃迁建立在海量文本数据之上,但具身智能面向动态、不确定的物理世界,对数据的属性、采集方式、标注范式提出了完全不同的要求。为了解决机器人的感知、理解与行动学习问题,行业逐步演化出三条差异化的数据来源路径:从公开互联网视频中学习世界常识,在仿真环境批量生成合成数据做高效预训练,以及在真实物理世界采集真机交互数据打磨落地能力。三条路线各有支持者,也衍生出关于技术路线取舍的讨论。

财新:目前行业中具身智能数据主要分为三类:真机交互数据、仿真合成数据与互联网视频数据。如何看待这三条数据路线的竞合关系及发展趋势?

熊友军:这三类数据并无优劣之分,彼此在功能上是互补关系。首先是互联网视频数据,这类数据体量充足、获取门槛较低,是机器人认知物理世界十分重要的支撑。机器人可以通过学习海量互联网视频,建立对物体、场景以及事物之间关联关系的认知。其次是虚拟仿真合成数据,它能够支撑机器人高效开展学习。仿真数据成本低、可规模化生成,我们可以在虚拟环境中快速做数据泛化与增强:针对同一个场景、同一个物体或是同一项任务,能够快速调整光照、背景以及各类环境参数,以此生成丰富多样的数据,非常适合用于机器人的预训练。

而真机交互数据,获取成本偏高、数据规模相对有限,但它源于真实物理场景,是保障机器人最终能够在现实环境中可靠执行任务的关键。整体来看,三者形成一个层层递进的体系,没有高下之分,缺一不可。

当前具身智能领域的数据层面还存在突出短板:和传统大模型训练所用的数据相比,具身数据不仅在总量上存在数量级的差距,同时在多样性、泛化性以及数据质量上都还有明显不足。因此,综合运用这三类不同来源的数据,能够很好地补齐这些短板。■

阅读媒体原文 ↗