今天的嘉宾是清华大学交叉信息研究院助理教授、星动纪元创始人陈建宇。他的研究和创业方向都是人形机器人。大语言模型浪潮爆发后,学界和工业界看见了机器人从专用走向通用的可能迹象,机器人革命随之而来。其中,本轮革命最重要的是,对机器人底层架构,也就是机器人“大脑”的探索。但通用机器人还在科学研究阶段,处于产业发展早期。这集节目,陈老师将带领大家,概览式阅读机器人基座模型和当下最前沿的架构VLA架构(Vision-Language-Action Model,视觉语言动作模型)的经典论文。希望我们的节目能直观地帮助更多人靠近科学前线,感受技术之美,并且能直观感知当前技术拐点。还是那句话:期待2025,我们和AI共同进步!(因为因为,陈老师真的分享了很多很多的动图和视频,本集结合视频服用效果更佳噢!可以前往:含投屏的视频版本。嘿嘿!预祝你学得开心!学得顺利啦!)我们的播客节目在腾讯新闻首发,大家可以前往关注哦,这样可以第一时间获取节目信息和更多新闻资讯:)02:30 陈建宇的研究和创业方向04:11 讲解开始前,先提问几个小问题17:36 当下最大变量:从专用模型到通用模型(robot foundation model)的可能性21:12 大模型浪潮爆发后,机器人领域经历了两个阶段:从利用基础模型进行机器人研究(leveraging foundation models in robotics)到为机器人预训练基础模型(pretraining foundation models for robotics)第一阶段:利用基础模型进行机器人研究(leveraging foundation models in robotics)21:59 机器人传统三板块:Planning+Perception+Actuation(规划+感知+执行)——第一步,用LLM(Large Language Model,大语言模型)替代Planning23:54 由Google Robotics团队提出的具身智能开创性论文Say Can《Do As I Can, Not As I Say: Grounding Language in Robotic Affordances》(中文名:我能做到,而不是我说到:将语言与机器人的可供性相结合)27:03 第二步,用VLM(Vision-Language Models,视觉语言模型)替代Perception27:52 来自Google的论文《Inner Monologue: Embodied Reasoning through Planning with Language Models》(中文名:内心独白:通过语言模型规划进行具身推理)29:51 由清华和上海姚期智研究院提出的《DoReMi: Grounding Language Model by Detecting and Recovering from Plan-Execution Misalignment》(中文名:DoReMi:通过检测和恢复规划-执行不一致来落地语言模型)32:47 第三步,想把Actuation进一步自动化,用Code LM(专门用于代码相关任务的大型语言模型)来替代Actuation32:24 由李飞飞团队提出的《VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models》(中文名:VoxPoser:使用语言模型进行机器人操作的可组合3D价值地图)第二阶段:为机器人预训练基础模型(pretraining foundation models for robotics)38:36 VLA端到端模型(Vision-Language-Action Model,视觉语言动作模型)——“人是很智能的VLA Agent”39:53 关于VLA的经典论文及分类:40:17 Aloha论文《Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware》(中文名:学习用低成本硬件进行精细双手操作)47:36 Mobile Aloha论文《Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost Whole-Body Teleoperation》(中文名:移动ALOHA:使用低成本全身远程操作学习双手移动操作)50:15 论文《A Generalist Agent》介绍了一个名为Gato的通用型人工智能代理(中文名:通用型代理)52:45 RT-1论文《RT-1: Robotics Transformer for Real-World Control at Scale》(中文名:RT-1:机器人Transformer用于大规模现实世界控制)59:02 Octo论文《Octo: An Open-Source Generalist Robot Policy》(中文名:Octo:一个开源的通用机器人策略)01:02:20 CrossFormer论文《Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation》(中文名:扩展跨具身学习:操控、导航、运动和飞行的统一策略)01:06:58 字节跳动AI Lab的两个工作GR-1和GR-2:《Unleashing Large-Scale Video Generative Pre-Training For Visual Robot Manipulation》(为视觉机器人操控释放大规模视频生成预训练模型)《A Generative Video-Language-Action Model with Web-Scale Knowledge for Robot Manipulation》(用于机器人操作的网络规模知识生成视频-语言-动作模型》)01:15:02 Palm-E论文《PaLM-E: An Embodied Multimodal Language Model》(中文名:PaLM-E:具身多模态语言模型)01:20:02 当前VLA最有名的开山工作:Google推出的RT-2论文《RT-2:Vision-Language-Action Models Transfer Web Knowledge to Robotic Control》(中文名:RT-2:视觉-语言-动作模型将网络知识迁移到机器人控制中)01:26:05 RT-X论文《Open X-Embodiment: Robotic Learning Datasets and RT-X Models》(中文名:开放X具身:机器人学习数据集与RT-X模型)01:31:16 《OpenVLA: An Open-Source Vision-Language-Action Model》(约等于开源版RT-2)(中文名:OpenVLA:一个开源的视觉-语言-动作模型)01:32:56 陈建宇课题组《HiRT: Enhancing Robotic Control with Hierarchical Robot Transformers》(中文名:HiRT:利用分层机器人Transformer增强机器人控制)01:38:40 Figure AI Helix,没发论文,但是今年Figure最新架构01:39:28 Pi0论文《π₀: A Vision-Language-Action Flow Model for General Robot Control》(中文名:π₀:一个视觉-语言-动作的流模型用于通用机器人控制)01:41:36 英伟达最近发布的GROOT N1模型《GR00T N1: An Open Foundation Model for Generalist Humanoid Robots》(中文名:GR00T N1:通用人形机器人的开放基础模型)01:42:32 《Diffusion Policy: Visuomotor Policy Learning via Action Diffusion》(中文名:扩散策略:通过动作扩散进行视觉运动策略学习)01:47:39 清华发布的《RDT-1B: A Diffusion Foundation Model for Bimanual Manipulation》(中文名:RDT-1B:双手操作机器人的扩散基础模型)01:51:04 《Prediction with Action: Visual Policy Learning via Joint Denoising Process》(动作预测:通过联合去噪过程进行视觉策略学习)和续作《Video Prediction Policy: A Generalist Robot Policy with Predictive Visual Representations》(视频预测策略:一个预测视觉表征的通才机器人策略)02:03:06 两个未来方向:《UP-VLA: A Unified Understanding and Prediction Model for Embodied Agent》(UP-VLA:具身智能体的统一理解与预测模型)《Improving Vision-Language-Action Model with Online Reinforcement Learning》(通过在线强化学习改进视觉-语言-动作模型)02:09:22 最后的提问【技术之美】系列:逐句讲解DeepSeek-R1、Kimi K1.5、OpenAI o1技术报告——“最优美的算法最干净”逐篇讲解DeepSeek关键9篇论文及创新点——“勇敢者的游戏”逐篇讲解DeepSeek、Kimi、MiniMax注意力机制新论文——“硬件上的暴力美学”【更多信息】联络我们:微博@张小珺-Benita,小红书@张小珺更多信息欢迎关注公众号:张小珺
--------
2:29:41
97. 25年Q1大模型季报:和广密聊当下最大非共识、AGI的主线与主峰
很多人在催更《全球大模型季报》的2025年第一集,在Q1的最后一天,终于和大家见面了!这一集广密依然带来了信息满满的有关于全球大模型最新的的前沿认知。经历了最近几个月的全球AI格局巨变,他最大的变化是,重新坚信了Pre-training(预训练)——认为只有Pre-training才能决定模型内在的上限,涌现新能力,而Post-training+RL(后训练+强化学习)是加强。在这一集季报中,我们对于Q1的全球明星DeepSeek、作为模型“盗火者”的Manus、OpenAI的烟雾弹、硅谷的认知分歧与价值观、未来的范式级新路线,都进行了一一讨论。更重要的是,他更新了在一位AGI原教旨主义者的眼中,AGI的主线、珠峰与路途。希望《全球大模型季报》能持续陪伴你,2025,我们和AI共同进步!我们的播客节目在腾讯新闻首发,大家可以前往关注哦,这样可以第一时间获取节目信息和更多新闻资讯:)04:22 Pre-training叙事卷土重来今天最大非共识是Pre-training空间还非常大,Pre-training决定了模型内在的上限还是要再喊一下,大家还是要重视Pre-training了,这个最本质OpenAI现在不那么重视Pre-training,为什么?OpenAI的Pre-train核心团队一直挺动荡11:56 Coding是最通用赛博世界的环境,是模型的手我对两年内实现AGI有前所未有的信心Coding意义不在于编程本身,而在于Coding是数字经济GDP活动最重要的环境,是最通用的赛博世界的环境Coding是比搜索引擎和推荐引擎重要的东西19:55 OpenAI vs Anthropic:战略是不同组织能力的表达OpenAI和Anthropic同宗同源,最开始路线一样,但走着走着,核心战略bet或路线已经发生了分化OpenAI是frontier team做出了O系列,frontier team的老大Mark Chen现在成为了仅次于Sam/Greg的三号人物硅谷的认知分歧?这个问题本质是:智能重要,还是流量重要?我有点担心OpenAI过早的走向一家消费互联网公司30:18 一位AGI原教旨主义眼中的AGI roadmap(路线图)智能提升是唯一主线,智能本身就是最大应用今天回头看,ChatGPT只是这座高山山脚的第一站,后面还有很多个山头:Coding、Coding Agent、General Agent、AI for Science、RoboticsChatGPT只是前菜,接下来Agent才是正餐今天还是围绕智能主线,最重要的是push智能能力往上走,做应用的要构建一个环境或容器,承接研究溢出的智能红利文生图有可能是OpenAI烟雾弹今天做Robotics Foundation model/Research的做法不够本质26/27年可能是AI for Science爆发的时间点43:00 智能的本质是什么?这是个极好的问题——大家有想法可以打在评论区:)人类进化就3个关键词:1. 生存,2. 探索,3. 自动化智能进步的衡量标志是什么?一个Chatbot对话可能消耗几千个Token,一个Perplexity搜索大概几十K Token,但一个Manus平均可能要70-80万个Token48:03 Agent是新物种“智能水平离AGI越近,可能就越像宇宙大爆炸”Agent落地最关键的3个能力:1. Long Context reasoning, 2. Tool use, 3. Instruction following指令遵循AGI接下来的milestone是long-term memory,这个会取代long context55:49 未来范式级的路线,可能Online Learning是一个如果说未来还有范式级的路线,可能Online Learning是一个,让模型可以在线自主探索并学习对GPU或者英伟达叙事影响有多大?怎么看待贾扬清的公司(Lepton AI)被卖掉?英伟达在下一盘什么大棋?01:02:45 模型与产品的关系、壁垒和商业模式今天定价为什么20美元,是copy SaaS的定价吗?但SaaS不会消耗大量token裸模型发布的时代即将结束?形成壁垒主要是两个:一是成为Cloud,OpenAI自己变成微软的Azure Cloud;二是成为OS,要有生态,后面打造新的Operating System投资人怎么投AI应用?模型长期会把产品吃掉吗?本质是,feature system vs Learning system哪个更快Perplexity/Cursor/Manus都是“模型的盗火者”01:15:11 全球大模型公司竞争格局和全球AI产品公司GPT-4.5算不算领先?GPT-5为什么一直在跳票?OpenAI有没有失败的风险?怎么看待OpenAI支持了Anthropic的MCP协议?OpenAI和微软为什么会有裂痕?分家对微软影响多大?Manus vs Perplexity,都是执行力很强的团队,被称作“套壳之王”理想的投资组合:25% Anthropic, 25% Bytedance, 10% OpenAI, 10% Mira Thinking Machine Lab, 5% SSI, 5% Cursor, 5% Manus, 另外15%还没想好如果DeepSeek融资,我会放基金的25%01:54:32中美格局:如何跨越地缘封锁科技投资不是靠“混”能混出结果的,很多VC investor到处混圈子,其实没意义,还是得靠“创造”【全球大模型季报】系列2023年:口述全球大模型这一年:人类千亿科学豪赌与参差的中美景观2024年Q1:和广密聊AGI大基建时代:电+芯片=产出智能2024年Q2:口述全球大模型这半年:Perplexity突然火爆和尚未爆发的AI应用生态2024年Q3:AGI范式大转移:和广密预言草莓、OpenAI o1和self-play RL2024年Q4:大模型季报年终特辑:和广密预言LLM产品超越Google之路【免责声明】单纯内容分享,不作为投资建议。【更多信息】联络我们:微博@张小珺-Benita,小红书@张小珺更多信息欢迎关注公众号:张小珺