以下文章來(lái)源于與新研究所 ，作者袁洲
在電影《黑客帝國(guó)》中，有一個(gè)令人印象深刻的場(chǎng)景：主角尼奧躺在椅子上，各種格斗技能程序通過(guò)數(shù)據(jù)線被直接 " 上傳 " 到他的大腦中。幾分鐘后，他睜開眼睛，自信地說(shuō)出那句經(jīng)典臺(tái)詞："I know Kung Fu。"
8 月 14 日，智元機(jī)器人發(fā)布首個(gè)機(jī)器人世界模型開源平臺(tái)—— Genie Envisioner（GE），讓電影 " 黑客帝國(guó) " 中的場(chǎng)景照進(jìn)了現(xiàn)實(shí)。
訓(xùn)練機(jī)器人掌握一項(xiàng)技能是一件復(fù)雜、漫長(zhǎng)且昂貴的事情。當(dāng)前機(jī)器人學(xué)習(xí)系統(tǒng)普遍采用分階段的開發(fā)模式，數(shù)據(jù)收集、模型訓(xùn)練和策略評(píng)估，每個(gè)環(huán)節(jié)都相互獨(dú)立，并需要專門的基礎(chǔ)設(shè)施和任務(wù)特定調(diào)優(yōu)。碎片化的架構(gòu)大幅增加了開發(fā)復(fù)雜度和迭代周期，同時(shí)還限制了系統(tǒng)的可擴(kuò)展性。
不同于傳統(tǒng)訓(xùn)練模式，智元的 GE 平臺(tái)將將策略學(xué)習(xí)、仿真和評(píng)估這三大核心環(huán)節(jié)，全部統(tǒng)一到一個(gè)視頻生成模型框架中。讓機(jī)器人在同一世界模型中完成從 " 看 " 到 " 想 " 再到 " 動(dòng) " 的端到端推理與執(zhí)行，不極大提高了訓(xùn)練效率，還顯著加強(qiáng)了泛化能力。
為了能夠便于理解 GE 平臺(tái)的功能，這里借用 " 黑客帝國(guó) " 的場(chǎng)景來(lái)做類比
GE-Base ( 世界基礎(chǔ)模型 ) ：虛擬世界架構(gòu)師
電影中：Morpheus 團(tuán)隊(duì)能構(gòu)建出一個(gè)名為 "The Construct" 的純白虛擬空間，并在其中加載任何需要的訓(xùn)練場(chǎng)景。
Genie 中：GE-Base 就是機(jī)器人的 " 虛擬世界架構(gòu)師 "。它通過(guò)深度學(xué)習(xí)超過(guò) 100 萬(wàn)個(gè)真實(shí)機(jī)器人工作視頻，掌握了我們世界的 " 物理規(guī)律 "。當(dāng)接到一個(gè)訓(xùn)練任務(wù)，例如 " 學(xué)會(huì)擦桌子 " —— GE-Base 能夠立刻構(gòu)建出一個(gè)高清、逼真的視頻訓(xùn)練場(chǎng)景，完整地展示機(jī)器人如何一步步完成這個(gè)任務(wù)。這個(gè)場(chǎng)景是自洽且符合物理邏輯的。
電影中：當(dāng)技能上傳完畢，尼奧的身體就能在虛擬或現(xiàn)實(shí)世界中，將腦海中的格斗知識(shí)轉(zhuǎn)化為精確的拳腳。
Genie 中：GE-Act 能瞬間理解 " 架構(gòu)師 " 構(gòu)建的宏大藍(lán)圖（那段預(yù)測(cè)視頻），并將其翻譯成機(jī)器人身體可以理解的、精確到毫秒的動(dòng)作指令。最神奇的是，這個(gè)過(guò)程效率極高，它無(wú)需真的把整個(gè)訓(xùn)練視頻播放一遍，而是直接從場(chǎng)景的潛在結(jié)構(gòu)中提取出關(guān)鍵動(dòng)作，實(shí)現(xiàn)了 " 知識(shí) " 到 " 行動(dòng) " 的無(wú)縫銜接。
電影中："The Construct" 是進(jìn)行技能訓(xùn)練和實(shí)戰(zhàn)模擬的核心場(chǎng)所。
Genie 中：GE-Sim 就是那臺(tái)強(qiáng)大的 " 虛擬訓(xùn)練空間 "。它是一個(gè)可控的神經(jīng)模擬器，允許工程師設(shè)定不同的初始條件和動(dòng)作腳本，然后生成無(wú)數(shù)個(gè)平行的 " 訓(xùn)練場(chǎng)景 " 來(lái)進(jìn)行測(cè)試和演練。這使得機(jī)器人的訓(xùn)練成本大大降低，迭代速度呈指數(shù)級(jí)提升，一小時(shí)內(nèi)就能完成數(shù)千次 " 虛擬排練 "。
電影中：虛擬訓(xùn)練必須盡可能模擬現(xiàn)實(shí)，否則學(xué)到的技能在實(shí)戰(zhàn)中就會(huì)失效。
Genie 中：EWMBench 就是 " 現(xiàn)實(shí)檢驗(yàn)程序 "。它是一套專業(yè)的評(píng)估標(biāo)準(zhǔn)，用來(lái)檢驗(yàn) " 訓(xùn)練場(chǎng)景 " 的質(zhì)量。它會(huì)嚴(yán)格審視：這個(gè)場(chǎng)景里的物理規(guī)則對(duì)嗎？機(jī)器人的行為和訓(xùn)練目標(biāo)一致嗎？場(chǎng)景穩(wěn)定、沒(méi)有出現(xiàn) Bug 嗎？這個(gè)程序確保了機(jī)器人的學(xué)習(xí)是在一個(gè)高質(zhì)量、貼近現(xiàn)實(shí)的虛擬環(huán)境中進(jìn)行的。
超強(qiáng)的 " 跨平臺(tái) " 上傳能力
GE 平臺(tái)不僅能為熟悉的 " 大腦 " 上傳技能，還能快速適配新的 " 身體 "。實(shí)驗(yàn)中，一個(gè)主要在智元自家機(jī)器人上訓(xùn)練的 Genie 模型，僅需 1 小時(shí)的新數(shù)據(jù)進(jìn)行微調(diào)，就能成功地為一款全新的機(jī)器人 " 上傳 " 技能，并指導(dǎo)它完成折疊衣物、打包紙箱等高難度任務(wù)。相比之下，其他頂尖模型在這些任務(wù)上幾乎完全失敗。
長(zhǎng)時(shí)序任務(wù)的精確執(zhí)行能力
由于 GE 平臺(tái)的訓(xùn)練場(chǎng)景是連貫且符合邏輯的，它能夠指導(dǎo)機(jī)器人完成需要長(zhǎng)時(shí)記憶和精細(xì)操作的復(fù)雜任務(wù)。比如，機(jī)器人需要先看到盒子里糖果的顏色，蓋上蓋子后，再根據(jù)記憶選擇正確的印章來(lái)蓋章。這種能力是傳統(tǒng) " 死記硬背 " 式模型難以企及的。
高效、低成本的 " 訓(xùn)練 "
整個(gè) " 技能上傳 " 流程的統(tǒng)一和自動(dòng)化，使得教會(huì)機(jī)器人一項(xiàng)新技能的成本和時(shí)間都大大降低，為通用機(jī)器人的大規(guī)模應(yīng)用掃清了關(guān)鍵障礙。
GE 平臺(tái)的能力邊界
目前，GE-Base 主要學(xué)習(xí)的是單一平臺(tái)的數(shù)據(jù)，未來(lái)需要讓它 " 周游世界 "，學(xué)習(xí)更多類型機(jī)器人和場(chǎng)景的數(shù)據(jù)。
技能的類型單一：當(dāng)前的訓(xùn)練主要集中于桌面級(jí)的雙臂操作，對(duì)于更精細(xì)的靈巧手交互或全身移動(dòng)（如奔跑、跳躍）等 " 高級(jí)技能 " 尚未涉足。
雖然 EWMBench 已經(jīng)非常先進(jìn)，但一個(gè)能夠全自動(dòng)、完美區(qū)分 " 有效訓(xùn)練 " 與 " 無(wú)效訓(xùn)練 " 的終極程序，仍是整個(gè)行業(yè)追求的目標(biāo)。
