智東西（公眾號(hào)：zhidxcom）
作者 | 許麗思
編輯 | 漠影
“AI教母”李飛飛的學(xué)生回國(guó)創(chuàng)業(yè)了，想聯(lián)合打造一雙更靈活的“手”，來(lái)回答具身智能商業(yè)化的終極命題。
靈初智能，由在黑莓、Sonos、云跡科技等全球知名企業(yè)有過(guò)20多年的產(chǎn)品成功操盤經(jīng)驗(yàn)的王啟斌創(chuàng)辦。他堅(jiān)定認(rèn)為，人形機(jī)器人在落地過(guò)程中，操作能力遠(yuǎn)比移動(dòng)能力重要，存在著巨大的尚未被滿足的需求。
而00后陳源培，是靈初智能的聯(lián)合創(chuàng)始人之一，也是斯坦福大學(xué)訪問(wèn)學(xué)者、師從李飛飛。在李飛飛的實(shí)驗(yàn)室里，他研究怎么讓靈巧手完成復(fù)雜長(zhǎng)程任務(wù)和類人操作，曾在全球首次實(shí)現(xiàn)利用強(qiáng)化學(xué)習(xí)在真實(shí)世界同時(shí)控制雙臂、雙手多技能操作。
這是一個(gè)跨越了70后、80后、90后和00后多個(gè)年齡梯度的核心團(tuán)隊(duì)，他們想要教會(huì)機(jī)器人能把多個(gè)技能串聯(lián)起來(lái)、執(zhí)行長(zhǎng)程任務(wù)，還要學(xué)會(huì)自主探索、自主進(jìn)階。
靈初智能是當(dāng)前最年輕的具身智能創(chuàng)企之一，今年9月剛剛成立，上個(gè)月宣布完成由高瓴、藍(lán)馳領(lǐng)投的天使輪融資，已發(fā)布首個(gè)基于強(qiáng)化學(xué)習(xí)的端到端具身模型，能支持機(jī)器人雙靈巧手協(xié)同做復(fù)雜操作、掌握推理能力。
值得一提的是，稚暉君創(chuàng)辦的人形機(jī)器人獨(dú)角獸智元機(jī)器人，也是靈初智能的股東之一。
初
智東西獲悉，靈初智能不久前還加入了英偉達(dá)Inception計(jì)劃，雙方會(huì)在具身智能的仿真訓(xùn)練層面展開(kāi)深度合作�！坝ミ_(dá)預(yù)判，具身智能是未來(lái)加速計(jì)算最重要的落地場(chǎng)景，對(duì)它的整個(gè)生態(tài)包括硬件布局、服務(wù)器端芯片、端測(cè)芯片到仿真環(huán)境應(yīng)用等都有很大影響，所以英偉達(dá)也一直在尋找具身智能賽道里非常有價(jià)值的公司。我們?cè)趪?guó)內(nèi)搭建完團(tuán)隊(duì)后，一些研究成果就被英偉達(dá)關(guān)注到了�！蓖鯁⒈笳f(shuō)。
最近，智東西來(lái)到靈初智能位于北京的辦公室，與創(chuàng)始人兼CEO王啟斌、聯(lián)合創(chuàng)始人陳源培進(jìn)行了一場(chǎng)面對(duì)面的獨(dú)家深度對(duì)話，這是創(chuàng)始團(tuán)隊(duì)首次接受外界專訪。在與智東西的對(duì)話中，王啟斌反復(fù)提及“閉環(huán)”。他篤信，操作能力的提升，正是實(shí)現(xiàn)具身智能商業(yè)閉環(huán)的關(guān)鍵。
目前，該公司已初步完成核心硬件研發(fā)，將于明年3月公布機(jī)器人整機(jī)解決方案，且只聚焦在雙手雙臂輪式機(jī)器人的操作能力上，不會(huì)涉及雙足機(jī)器人。
一、20年產(chǎn)品老兵聯(lián)手李飛飛學(xué)生，挑戰(zhàn)靈巧操作難題
在過(guò)去20年，王啟斌在多個(gè)領(lǐng)域積累了深厚的操盤經(jīng)驗(yàn)，多次實(shí)現(xiàn)了產(chǎn)品從定義、開(kāi)發(fā)、上市再到全球“0-1-N”的產(chǎn)業(yè)閉環(huán)。
他在黑莓手機(jī)擔(dān)任過(guò)產(chǎn)品經(jīng)理、投身Sonos開(kāi)展當(dāng)時(shí)新興的智能音箱業(yè)務(wù)，還曾去到了負(fù)責(zé)研發(fā)商用服務(wù)機(jī)器人的云跡科技，負(fù)責(zé)配送機(jī)器人相關(guān)的工作。云跡科技當(dāng)時(shí)還是一家初創(chuàng)企業(yè)，配送機(jī)器人在酒店的部署量不到500家且使用頻次也不高。
如何拓展配送機(jī)器人的市場(chǎng)、提升配送效率是一大難題。一般的配送機(jī)器人可能需要有專人放置貨物，王啟斌便帶著團(tuán)隊(duì)開(kāi)始探索無(wú)人貨柜和集成對(duì)接，打造一套無(wú)人的閉環(huán)系統(tǒng)，之后還成功在成都、西安、上海等地部署，讓機(jī)器人滲透到更多的酒店中。
過(guò)往的豐富經(jīng)歷讓他看到，在機(jī)器人真正的商業(yè)化落地中，仍存在巨大的需求沒(méi)有被滿足，尤其是操作能力提升方面。
王啟斌用坐標(biāo)軸形容機(jī)器人的兩種范式：橫向是移動(dòng)能力，縱向是操作能力。上一代機(jī)器人，主要都是在做移動(dòng)能力，移動(dòng)能力在技術(shù)上已經(jīng)出現(xiàn)了輪式、雙足等，移動(dòng)范圍不斷擴(kuò)展、移動(dòng)速度加快，但是操作能力是更復(fù)雜、更具有挑戰(zhàn)性的。
不管機(jī)器人移動(dòng)能力有多強(qiáng)，如果做不到操作能力的閉環(huán)的話，仍然是難以長(zhǎng)久生存下去的。
去年年底，他決定入局具身智能創(chuàng)業(yè)。從市場(chǎng)未被滿足的巨大需求出發(fā)，王啟斌強(qiáng)調(diào)要做到技術(shù)、產(chǎn)品與市場(chǎng)的契合�！坝袝r(shí)候大家容易更關(guān)注產(chǎn)品和市場(chǎng)匹配，但我覺(jué)得更重要的是技術(shù)和產(chǎn)品，只有技術(shù)的潛力才能支撐得起產(chǎn)品的勢(shì)能。”
▲靈初智能創(chuàng)始人兼CEO王啟斌
王啟斌開(kāi)始組建靈初智能的創(chuàng)始團(tuán)隊(duì)。他覺(jué)得，在這一輪具身智能熱潮中，硬件本體、算法和數(shù)據(jù)就是推動(dòng)具身智能前進(jìn)的“三個(gè)輪子”，這“三個(gè)輪子”耦合程度至關(guān)重要，而對(duì)團(tuán)隊(duì)來(lái)說(shuō)，每一個(gè)“輪子”都需要有足夠優(yōu)秀的技術(shù)人才儲(chǔ)備。
對(duì)具身智能賽道前景的信心，讓王啟斌找到了同樣滿懷創(chuàng)業(yè)激情的幾位聯(lián)合創(chuàng)始人，其中，有一位00后陳源培。
極客少年、斯坦福訪問(wèn)學(xué)者、師從李飛飛、癡迷機(jī)器人……陳源培身上有諸多標(biāo)簽，還曾在全球首次實(shí)現(xiàn)利用強(qiáng)化學(xué)習(xí)在真實(shí)世界同時(shí)控制雙臂、雙手多技能操作。
大二時(shí)，陳源培就投身機(jī)器人制造，和團(tuán)隊(duì)一起從底層機(jī)械機(jī)構(gòu)、中層電控到上層AI算法，全程自研搭建完整機(jī)器人。
他尤其專注于靈巧手操作研究，還以斯坦福訪問(wèn)學(xué)者身份跟隨李飛飛進(jìn)行研究，主要負(fù)責(zé)使靈巧手串聯(lián)多個(gè)操作以完成搭積木等長(zhǎng)程任務(wù)，以及研究雙臂機(jī)器人的類人操作，如拿取物體、制作咖啡等精細(xì)化動(dòng)作。
與王啟斌一同創(chuàng)業(yè)后，陳源培也依舊保持著與李飛飛研究室的溝通聯(lián)絡(luò)，一同交流技術(shù)上的研發(fā)進(jìn)展。
▲靈初智能聯(lián)合創(chuàng)始人 陳源培
另外，靈初智能還有聯(lián)合創(chuàng)始人柴曉杰博士，他是王啟斌在京東工作時(shí)認(rèn)識(shí)的朋友，在機(jī)器人及無(wú)人駕駛領(lǐng)域從業(yè)15年，擅長(zhǎng)算法、仿真、工程、全棧技術(shù)，有L4產(chǎn)品落地的數(shù)據(jù)閉環(huán)經(jīng)驗(yàn)。
靈初智能也與北京大學(xué)成立了北大-靈初智能具身靈巧操作聯(lián)合實(shí)驗(yàn)室，由人工智能研究院楊耀東博士擔(dān)任聯(lián)合實(shí)驗(yàn)室項(xiàng)目負(fù)責(zé)人開(kāi)展橫向課題合作，該實(shí)驗(yàn)室首席科學(xué)家梁一韜博士則主要負(fù)責(zé)研究具身智能體長(zhǎng)程任務(wù)規(guī)劃。
至此，靈初智能不僅具有深諳產(chǎn)品操盤的業(yè)界資深人士，也搭建起了一個(gè)被稱為“科學(xué)家密度最高”的技術(shù)隊(duì)伍，努力實(shí)現(xiàn)團(tuán)隊(duì)在技術(shù)創(chuàng)新與商業(yè)落地上的平衡。
二、從搭積木到商品打包，教機(jī)器人串聯(lián)多技能
目前，靈初智能已初步構(gòu)建起一套較為完整的產(chǎn)品體系：在硬件維度，打造雙手雙臂輪式機(jī)器人，部分核心硬件系自主研發(fā)成果；在軟件層面，持續(xù)迭代機(jī)器人的技能級(jí)（指通過(guò)機(jī)器人能做多少種任務(wù)、完成任務(wù)的復(fù)雜程度和完成任務(wù)的質(zhì)量來(lái)劃分的一種技能等級(jí)），使其具備對(duì)上千種物體進(jìn)行泛化長(zhǎng)程操作的能力，能廣泛適配于柔性生產(chǎn)等多元場(chǎng)景。
特別是在機(jī)器人長(zhǎng)程操作方面，陳源培提出了Psi-C0模型，能夠讓機(jī)器人把多個(gè)技能串聯(lián)起來(lái)，這是世界首次利用強(qiáng)化學(xué)習(xí)在現(xiàn)實(shí)中控制雙臂雙手多技能操作。
例如，向機(jī)器人下達(dá)完成任意形狀樂(lè)高積木搭建任務(wù)，機(jī)器人可以把翻找、抓取、重定向和插入積木4個(gè)技能串聯(lián)起來(lái)，最后完成該形狀的搭建。
▲機(jī)器人正在完成翻找、抓取、重定向、插入的積木搭建流程
Psi-C0模型依托金字塔狀數(shù)據(jù)結(jié)構(gòu)，以人類操作及動(dòng)作捕捉數(shù)據(jù)為底層數(shù)據(jù)，于仿真環(huán)境進(jìn)行強(qiáng)化學(xué)習(xí)訓(xùn)練，其中仿真數(shù)據(jù)構(gòu)成關(guān)鍵中層。
待在仿真環(huán)境中訓(xùn)練出良好基礎(chǔ)后，便遷移至真實(shí)世界，此時(shí)僅需補(bǔ)充少量真實(shí)世界數(shù)據(jù)進(jìn)行微調(diào)，就能助力機(jī)器人跨越sim2real gap，從而提升機(jī)器人的操作能力與適應(yīng)性。
另外，還有梁一韜博士開(kāi)發(fā)的Psi-P0模型，可以實(shí)現(xiàn)開(kāi)放環(huán)境中復(fù)雜任務(wù)的任務(wù)拆解和規(guī)劃，借自身經(jīng)驗(yàn)實(shí)現(xiàn)自我進(jìn)階，所支持的任務(wù)復(fù)雜度和準(zhǔn)確度都超越同期OpenAI的VPT和英偉達(dá)的Minedojo。
▲Psi-P0模型能夠根據(jù)自身經(jīng)歷進(jìn)行自我提升
最近，靈初智能又發(fā)布了首個(gè)基于強(qiáng)化學(xué)習(xí)的端到端具身模型PsiR0，該模型支持雙靈巧手將多個(gè)技能串聯(lián)進(jìn)行復(fù)雜操作，還可以實(shí)現(xiàn)跨物品、跨場(chǎng)景級(jí)別的泛化。
以電商場(chǎng)景為例，商品打包是典型的長(zhǎng)程任務(wù)作業(yè)，需對(duì)上萬(wàn)件商品進(jìn)行抓取，掃碼，放置，塑料袋打結(jié)等多個(gè)操作。Psi R0能夠讓雙靈巧手流暢地完成這一系列動(dòng)作，可以取代一個(gè)完整的現(xiàn)場(chǎng)工位，成為首個(gè)基于強(qiáng)化學(xué)習(xí)訓(xùn)練完成長(zhǎng)程靈巧操作任務(wù)的具身機(jī)器人。
▲基于PsiR0模型，機(jī)器人能夠自主完成將桌面商品打包的全部操作
王啟斌透露，靈初智能目前已初步完成硬件研發(fā)，將于明年3月公布含數(shù)據(jù)采集設(shè)備、軟件算法等的整機(jī)解決方案；而技能級(jí)上，團(tuán)隊(duì)正在打磨樣本，預(yù)計(jì)明年年中會(huì)正式上線。
在落地場(chǎng)景方面，靈初智能預(yù)計(jì)率先在物流領(lǐng)域?qū)崿F(xiàn)應(yīng)用落地，后續(xù)逐步向生產(chǎn)制造領(lǐng)域探索拓展，重點(diǎn)針對(duì)傳統(tǒng)非標(biāo)自動(dòng)化設(shè)備及集成設(shè)備因技能單一而難以應(yīng)對(duì)的復(fù)雜生產(chǎn)環(huán)節(jié)，充分發(fā)揮機(jī)器人執(zhí)行多技能組合長(zhǎng)程任務(wù)的優(yōu)勢(shì)。
這一輪具身智能熱潮中，雙足的人形機(jī)器人備受關(guān)注。不過(guò)對(duì)王啟斌來(lái)說(shuō)，基于對(duì)目前行業(yè)生態(tài)的判斷，自己只聚焦在雙手雙臂輪式機(jī)器人的操作能力上，不會(huì)去涉及雙足機(jī)器人。
在他的預(yù)判里，人形機(jī)器人大概會(huì)有三個(gè)發(fā)展階段，第一階段是3到5年里，面向TO B場(chǎng)景的輪式機(jī)器人；第二階段是5到10年里，雙足機(jī)器人可能應(yīng)用場(chǎng)景會(huì)變得廣泛；第三階段是8到10年及以上，機(jī)器人形態(tài)會(huì)變得更多樣化，人形機(jī)器人不會(huì)是最終答案。
所以就目前階段而言，他認(rèn)為操作能力的迭代及實(shí)現(xiàn)產(chǎn)品閉環(huán)是最重要的，這種重要性遠(yuǎn)超過(guò)移動(dòng)能力的迭代發(fā)展。
三、強(qiáng)化學(xué)習(xí)，突破具身智能“不可達(dá)三角”
一直以來(lái)，高泛化性、高魯棒性和高泛化性都是具身智能領(lǐng)域的“不可達(dá)三角”。
高泛化性要求機(jī)器人在變化環(huán)境對(duì)不同物體執(zhí)行復(fù)雜任務(wù)，高魯棒性意味著機(jī)器人受干擾時(shí)穩(wěn)定正確執(zhí)行任務(wù)，高靈巧性指機(jī)器人能夠靈活精準(zhǔn)地執(zhí)行任務(wù)，同時(shí)兼顧這三者極有挑戰(zhàn)性的。
陳源培解釋，靈初智能采用強(qiáng)化學(xué)習(xí)的復(fù)合路線，是實(shí)現(xiàn)接近或者是超越人類靈巧操作的必經(jīng)之路，也是攻克“不可達(dá)三角”的關(guān)鍵。“在模仿學(xué)習(xí)下，人類操作著機(jī)器人示教一遍，機(jī)器人的操作水平提升是有上限的；但是強(qiáng)化學(xué)習(xí)讓機(jī)器人進(jìn)行自主探索、通過(guò)自我糾錯(cuò)來(lái)提升能力，會(huì)具有非常高的動(dòng)態(tài)響應(yīng)能力�！�
具體來(lái)說(shuō)，在靈巧性上，機(jī)器人通過(guò)強(qiáng)化學(xué)習(xí)能夠超越過(guò)去人類預(yù)先編程的局限，能很好地完成如彈鋼琴、轉(zhuǎn)筆、轉(zhuǎn)魔方等甚至其他人類無(wú)法實(shí)現(xiàn)的靈活操作。
在泛化性上，靈初智能方案是讓機(jī)器人在仿真環(huán)境中學(xué)習(xí)訓(xùn)練，仿真環(huán)境可對(duì)物體的光照、紋理、大小等進(jìn)行隨機(jī)化處理，使訓(xùn)練數(shù)據(jù)的多樣性遠(yuǎn)超真實(shí)數(shù)據(jù)，從而讓機(jī)器人擁有高泛化能力。
而魯棒性方面，傳統(tǒng)的模仿學(xué)習(xí)僅基于專家數(shù)據(jù)，未涉及次優(yōu)數(shù)據(jù)及失敗后如何恢復(fù)等情況，而強(qiáng)化學(xué)習(xí)從無(wú)知識(shí)智能體起步，歷經(jīng)多次失敗及恢復(fù)過(guò)程，所以能夠?qū)崿F(xiàn)較高的魯棒性。
王啟斌談道，具身智能的“不可達(dá)三角”要關(guān)注技術(shù)起點(diǎn)和發(fā)展路徑。從起點(diǎn)看，基于強(qiáng)化學(xué)習(xí)，其機(jī)器人不僅能在在泛化性上有顯著優(yōu)勢(shì)，且在靈巧性上，不同于簡(jiǎn)單抓取，強(qiáng)調(diào)的是多技能COT（Chain-of-Thought）概念，也就是將多個(gè)單個(gè)技能串聯(lián)起來(lái)，團(tuán)隊(duì)在這方面時(shí)國(guó)內(nèi)最領(lǐng)先的。
在路徑上，先是在單個(gè)技能上實(shí)現(xiàn)物體和環(huán)境的泛化，接著利用操作上的多技能串聯(lián)實(shí)現(xiàn)靈巧性，最后通過(guò)征集強(qiáng)化數(shù)據(jù)提升成功率。靈初智能的整體技術(shù)架構(gòu)使得其在“不可達(dá)三角”上起點(diǎn)更高，以及通過(guò)合理路徑發(fā)展，最終有望實(shí)現(xiàn)更高水平的綜合性能表現(xiàn)。
四、世界模型與機(jī)器人行動(dòng)的耦合，仍是巨大挑戰(zhàn)
今年12月初，李飛飛創(chuàng)辦的空間智能創(chuàng)業(yè)公司W(wǎng)orld Labs宣布在空間智能領(lǐng)域取得重大進(jìn)展，發(fā)布了一個(gè)利用單張圖像就能生成逼真三維世界的模型。另外，谷歌也在差不多的時(shí)間發(fā)布了新一代世界模型Genie 2，同樣能夠根據(jù)一張圖生成可供人類或AI智能體游玩的無(wú)限3D世界。
“不管是李飛飛還是我們現(xiàn)在做的，有個(gè)底層邏輯，那就是都在解決要在什么樣的數(shù)據(jù)中進(jìn)行訓(xùn)練的問(wèn)題，以及仿真是必不可少的�！标愒磁嗾f(shuō)。以計(jì)算機(jī)視覺(jué)領(lǐng)域?yàn)槔�，盡管該領(lǐng)域的數(shù)據(jù)量相比機(jī)器人領(lǐng)域多可能幾萬(wàn)倍，且像圖像生成的難度低于機(jī)器人控制，但生成的視頻在細(xì)節(jié)等方面仍不夠理想。
而在機(jī)器人領(lǐng)域，僅依靠真實(shí)性數(shù)據(jù)大概率無(wú)法實(shí)現(xiàn)良好的控制效果。因此，需要借助無(wú)窮無(wú)盡的仿真數(shù)據(jù)。比如，可以通過(guò)將一張真實(shí)世界場(chǎng)景的照片，放到模型中進(jìn)行隨機(jī)化增強(qiáng)，生成比圖片原本包含信息更多的數(shù)據(jù)，然后讓機(jī)器人進(jìn)行訓(xùn)練。
對(duì)于世界模型與具身智能模型之間的關(guān)聯(lián)，陳源培談道：“具身智能領(lǐng)域同樣需要世界模型，就像人類在行動(dòng)時(shí)依靠大腦中的世界模型進(jìn)行決策一樣，只不過(guò)其數(shù)據(jù)模型的構(gòu)建難度遠(yuǎn)超想象�！北M管當(dāng)前世界模型在視覺(jué)方面的預(yù)測(cè)已取得較大進(jìn)展，能生成比較符合物理世界的視頻，但對(duì)具身智能來(lái)說(shuō)，直接采用的話可解釋性太低，里面也不存在對(duì)“行動(dòng)”的認(rèn)知，所以要與機(jī)器人行動(dòng)層面實(shí)現(xiàn)耦合還是很困難。
而王啟斌覺(jué)得，李飛飛的模型可能會(huì)先在虛擬游戲之類的領(lǐng)域進(jìn)行應(yīng)用，也會(huì)借此來(lái)提升訓(xùn)練機(jī)器人的仿真環(huán)境。不過(guò)，怎么把這種仿真的三維時(shí)間空間關(guān)系結(jié)合到機(jī)器人的行動(dòng)上，依舊有漫長(zhǎng)的路要走，物體所具有的復(fù)雜物理屬性仍然會(huì)給機(jī)器人訓(xùn)練帶來(lái)很大挑戰(zhàn)。
“世界模型在未來(lái)當(dāng)然會(huì)對(duì)具身智能模型的發(fā)展產(chǎn)生重大影響，特別是在環(huán)境這一層面”王啟斌說(shuō)，“不過(guò)，Agent（智能體）的本身的能力是從哪里來(lái)的呢？像人一樣，人是一種Super Agent，有時(shí)候一些能力可能是遺傳的先驗(yàn)知識(shí)積累、是潛意識(shí)且不可解釋的。所以，我們現(xiàn)在還是很難簡(jiǎn)單快速地直接從世界模型過(guò)渡到復(fù)雜的物理世界交互，這還是一個(gè)需要慢慢探索的過(guò)程�！�
結(jié)語(yǔ)：具身智能跨越現(xiàn)階段的浮躁是必然
回顧創(chuàng)業(yè)以來(lái)的這一年，王啟斌坦言，還沒(méi)有遇到過(guò)讓自己覺(jué)得很有成就感的瞬間。
“具身智能是一個(gè)長(zhǎng)線賽道，團(tuán)隊(duì)每個(gè)人都很拼，就像源培經(jīng)常晚上不回家就住在公司，就了盡快把demo做出來(lái)，”王啟斌說(shuō)道，“但是面對(duì)取得的成果，我們通�？雌饋�(lái)很高興，不過(guò)也明白這其實(shí)只是在這個(gè)長(zhǎng)線賽道上的滄海一粟，并不是真正的significance，還需要跟著節(jié)奏一步一步走下去�！�
面對(duì)現(xiàn)在火熱的這波具身智能浪潮，大眾對(duì)此或許有過(guò)高的期待、行業(yè)發(fā)展會(huì)存在一部分泡沫，但他相信，就算熱潮回落，具身智能進(jìn)入低谷期，低谷也會(huì)遠(yuǎn)高于今天的發(fā)展起點(diǎn)。
長(zhǎng)遠(yuǎn)來(lái)看，隨著技術(shù)瓶頸的突破和應(yīng)用場(chǎng)景的拓展，具身智能跨越現(xiàn)階段的浮躁是必然，會(huì)逐漸走向更成熟更具價(jià)值的發(fā)展方向、走向千家萬(wàn)戶，只是，還需要多給它一些時(shí)間。
