跳到正文

具身智慧與機器人

AI 走進物理世界:人形機器人、具身基礎模型與真實環境操作能力的進展追蹤。

47條精選相關主題NVIDIA 輝達多模態論文研究

最新精選

第 1–20 條 · 共 47 條
11月22日週日
  1. Dev.to Top Tech76

    從 ML/量化工作轉向機器人:作者實測第一週做了什麼

    想從機器學習或量化工作轉做機器人,第一週該從哪裡開始?作者用一臺沒有 GPU 的 Linux 電腦,先在 MuJoCo 跑控制實驗,記下每一步花多少時間,再訓練 HalfCheetah。跑完 1M 步約花 109 分鐘,最後評分是 9,180;作者也公開訓練紀錄、比較表和程式,讓讀者能自己查對。這份紀錄示範如何用可重做的實驗,說明自己做了什麼、花了多少成本。

    推薦理由:作者以實測資料拆解轉入機器人領域的第一週工作,從環境設定、訓練成本到可查核的實驗紀錄,提供一條具體的入門路徑。

11月21日週六
  1. Artificial Analysis60

    讓機器人完成工作時,模型需要發出多少手臂指令,會影響任務執行效率。Artificial Analysis 在 AA-Robotics v0.1 測試 11 個模型,GPT-6.2 Astra 完成六項任務共發出 668 條指令,是受測模型中最少的,得分也最高。整理箱子這項任務中,它用了 92 條手臂指令,比 Claude Fable 5.2 少約 75%。

    推薦理由:AA-Robotics v0.1 比較 11 個模型完成六項任務的表現,並列出 GPT-6.2 Astra 的指令數與得分結果。

  2. Rohan Paul68

    機器人模型通常得先配合特定手臂調整,才能照指令做事。Perceptron AI 在 Hugging Face 上推出 36B 引數的機器人模型版本,每個版本都已針對特定機械手臂微調。使用者下載符合自己手臂的版本後,就能用一般文字下指令,也可以再依自己的工作需求微調。

    推薦理由:這次發布把模型預先調整到不同機械手臂,使用者可下載相符版本,再依自己的任務繼續微調。

11月20日週五
  1. Hao AI Lab67

    AI 助理已能控制真實機器人,但操作速度還不夠快。UCSD Hao AI Lab 表示,他們讓 GPT-6 Astra 搭配 Codex 控制機器人,並比較操作時間與機器人移動的時間比例。拿杯子任務從 11.1 分鐘縮短到 3.4 分鐘,摺毛巾從約 18 分鐘縮短到約 6 分鐘;機器人移動的時間比例則從 24% 增加到 84%。

    推薦理由:這項實測比較杯子任務與摺毛巾所需時間,也記錄機器人實際移動的時間比例,呈現操作速度的變化。

11月19日週四
  1. Hao AI Lab65

    讓機器人在沒有事先示範的情況下操作,是 ORA 想處理的問題。Hao AI Lab 發布開源工具 ORA v0.1,並公佈它搭配 DeepSeek V4.1-Flash 的測試結果:RoboDojo 從 ORA October 預覽版的 5.2% 提升到 39.9%,RoboTwin 則從 71.5% 提升到 79.6%。這些數字呈現兩項測試的前後差異,原文沒有提供其他模型或測試條件的比較。

    推薦理由:ORA v0.1 在 RoboDojo 與 RoboTwin 的成績都高於 ORA October 預覽版,可看出這次更新在兩項測試中的變化。

  2. MIT News · AI73

    MIT研究團隊讓微型飛行機器人帶著感測器飛行

    微型飛行機器人太小,過去裝不下導航用的電子零件,只能靠實驗室的動作追蹤系統定位。MIT研究團隊加大驅動翅膀的人造肌肉,讓機器人能帶著感測器和迷你電腦,靠機身上的裝置估算位置並控制飛行。測試中,它能沿著指定路線飛行,最後降落在向日葵上;研究團隊也展示了它協助授粉和巡查作物的可能性。不過,這次飛行仍連線外部電源,研究團隊正設法把電池和電源零件裝上機器人。

    推薦理由:研究展示微型飛行機器人如何靠機載感測器和運算控制飛行,也點出它目前仍須連線外部電源。

11月18日週三
  1. Artificial Analysis76

    模型在機器人基準測試拿高分,不代表每項實際操作都能做好。Artificial Analysis 用 Codex 控制真實機械手臂,讓 GPT-6.2 Astra 執行八項實體任務:完成六項,倒液體的任務部分完成,只有測量盒子失敗。它在 AA-Robotics v0.1 得到 79 分,比 GPT-6 Astra 高 10 分,也領先 GPT-6.2 Sol、Claude Fable 5.2 和 Gemini 4 Hydrogen。

    推薦理由:AA-Robotics v0.1 的分數比較與真實機械手臂測試,呈現模型在基準表現和實際操作任務上的差異。

  2. Google Developers Blog89

    Google 推出 Gemini 4 Hydrogen,讓機器人控制更快也更省

    讓機器人完成日常工作,常得先處理硬體設定、模擬環境和控制程式,花上不少時間。Google 推出 Gemini 4 Hydrogen,開發者用一般語言描述目標並提供相機畫面後,它就能規劃工作、撰寫控制程式,並在執行時持續調整。在一項機器人基準測試中,它操作真實的六軸手臂完成八種桌面任務,分數是 58,與 Gemini 4 Argon 相近,但每個 token 的成本較低。Google 也推出 Antigravity Robotics 外掛,協助設定手臂、建立 MuJoCo 模擬場景,再把測試過的應用帶到真實機器人上。

    推薦理由:Gemini 4 Hydrogen 在機器人任務測試中取得與 Argon 相近的分數,文章也展示它如何搭配工具完成從模擬到實機的工作流程。

  3. Artificial Analysis83

    OpenAI 發布 GPT-6.2 Astra 和 GPT-6.2 Sol。Artificial Analysis 的評測顯示,Astra 在 Intelligence Index 排名第二,僅次於 Claude Fable 5.2;Sol 得分 57,和 GPT-6 Astra 相當,完成任務的成本約為其 15%。Astra 的價格是每百萬輸入與輸出 token $8/$40,比 GPT-6 Astra 低 20%,快取輸入則從 $1.00 降到 $0.40;Sol 的價格維持每百萬輸入與輸出 token $2/$10。兩款模型在科學、3D 和機器人評測表現突出,但編碼助理評分沒有提升:Astra 持平,Sol 比前代低 3 分。

    推薦理由:GPT-6.2 Astra 與 Sol 在多項評測的名次和價格效率各有表現,也出現編碼評分停滯或下滑,便於比較不同用途的取捨。

11月14日週六
  1. The Decoder79

    Runway 開放 Praxis-1,讓影片 AI 控制機器人

    機器人要學會拿取、移動物品,通常得先收集專門的機器人訓練資料。Runway 開放了 Praxis-1 的模型權重與程式碼;它先從影片學物體如何移動,再結合人類動作影片和機器人資料,根據相機畫面、文字指令與機器人位置持續調整動作。Runway 表示,Praxis-1 在 RoboLab-120 模擬測試的成功率是 46.2%,高於同類的 FLUX 3 Action;這些測試由 Runway 自行進行,尚未經獨立驗證。模型仍需要機器人資料來適應不同機型,也可能混淆外觀相似的物品,或難以自行安排長串複雜動作。

    推薦理由:Praxis-1把影片學到的物體動作規律用於機器人控制,文中測試呈現它在模擬與實機任務中的表現,也交代了資料需求與操作限制。

  2. Dev.to Top Tech76

    OpenAI 撤掉獨立機器人團隊,GPT-6 Astra 的模擬成績與成本如何影響這項決定

    GPT-6 Astra 在機器人模擬測試拿下 74.8% 成功率,OpenAI 同一週也撤掉獨立機器人團隊;但這不代表機器人問題已經解決。作者整理報導與 NVIDIA 研究指出,這套成績最好的做法,每成功完成一次任務要花 $36.40,模型每次推論平均還要 18.56 秒,而且測試是在模擬環境中進行,等待期間世界也會暫停。文章認為,OpenAI 是把研究人員和硬體團隊併入其他組織,轉而押注通用模型能用在機器人上。能否在真實環境中快速、低成本地完成工作,仍是這項押注要面對的考驗。

    推薦理由:文章把模擬成功率與每次任務成本、決策延遲放在一起比較,呈現 OpenAI 組織調整背後的取捨,也指出實際機器人仍要面對的限制。

  3. NVIDIA66

    教每種機器人做每件事,都得從頭示範,花費不少功夫。NVIDIA 發布 GR00T 2,這款開放模型是為機器人研究打造的;它能從人的示範中學習技能,也能預測自己的動作會怎麼改變周遭的實體世界。學到的技能還能用在不同機器人身上,減少每換一種機器人就得從頭教起的工作。

    推薦理由:GR00T 2 能從人的示範學習技能,並把學到的技能用在不同機器人上,可瞭解這種方法如何減少逐臺重新教學的需要。

  4. Hacker News (official RSS)78

    OpenAI 解散獨立機器人團隊,改由通用模型團隊接手

    OpenAI 把獨立的機器人研究團隊拆分,研究人員改加入通用研究與應用團隊。公司表示,這是為了加快打造通用機器人,因為 GPT-6 Astra 等通用模型已能直接用於部分機器人任務。研究人員也測試過讓 Astra 操控模擬機器人,在一項模擬操作測試中成功率為 74.8%;這不是實體機器人的測試結果。報導也提到,通用模型需要雲端連線,反應速度較慢,因此能在機器人本機運作的小型專用模型仍有用途;機器人在工廠等現場累積的經驗,也能幫助它適應特定工作。

    推薦理由:OpenAI 將機器人研究人員併入通用 AI 團隊,反映公司押注通用模型能直接控制機器人,也呈現專用模型與現場經驗的不同價值。

  5. Hugging Face Blog61

    Hugging Face 示範用 SimReady 資產在 Isaac Sim 模擬機械手臂夾取飲料罐

    機械手臂在畫面上看起來正常,不代表它在模擬中一定抓得住物品。Hugging Face 示範如何把 UR17G 手臂、Robotiq 2F-140 夾爪和飲料罐放進 Isaac Sim,先檢查關節設定、移動和接觸情況,再用 AI 助理協助組裝機器人並執行夾取、搬運和放下。範例使用固定起點和預先排好的動作,沒有使用視覺,也沒有測試不同位置或真實硬體,因此結果只適用於這套模擬設定。

    推薦理由:文章把模擬資產檢查、機械手臂組裝與夾取測試串成一套流程,也交代固定起點等假設,方便理解成果適用範圍。

11月13日週五
  1. Silicon Republic77

    德國 Agile Robots 融資 $500m,估值達 $8.5bn

    工廠和倉庫有些工作需要靈巧的手部動作與判斷,Agile Robots 開發機器人和相關軟體,協助工業客戶自動處理這些工作。這家慕尼黑新創完成 $500m 的 F 輪募資,估值達 $8.5bn,投資方包括 SoftBank Group、Nvidia 和 Hitachi Group。Agile Robots 計畫用這筆資金擴大產能、拓展美國等市場,並加快開發新的機器人應用;公司也表示,會繼續擴建德國的生產能力。

    推薦理由:Agile Robots 計畫用這筆融資擴大產能並進軍美國等市場,可從中瞭解機器人新創如何把資金投入工業應用與海外擴張。

  2. Dev.to Top Tech78

    ASPIRE 如何讓機器人透過自我探索累積技能

    NVIDIA 的 ASPIRE 讓機器人撰寫控制程式、分析執行失敗並儲存已驗證的修正,逐步建立可重用的技能庫。 - 方法:系統結合執行追蹤、技能庫與演化搜尋,讓多個代理程式平行探索,並將整理後的技能分享至共用資料庫。

    推薦理由:ASPIRE 將除錯後的修正整理成可重用技能,並以多組基準與消融結果呈現這種累積式學習架構的表現。

  3. Hacker News (official RSS)81

    Cerulion 推出 ROS 2 相容機器人執行環境,支援多程式重播驗證

    Cerulion 推出開源、零複製的機器人執行環境,可記錄機器人執行資料,並以錄製輸入重播新程式,檢查輸出是否發生變化。 - ROS 2 整合:可透過 rmw_cerulion 執行既有 ROS 2 堆疊、連線執行中的堆疊,或將 ROS 2 程式與原生節點放入同一張圖;支援多程式執行。

    推薦理由:Cerulion 將多程式執行、錄製與重播驗證整合進 ROS 2 相容的機器人執行環境,並提供基準資料與既有堆疊接入方式。

  4. Dev.to Top Tech78

    UFORCE 完成 7 億美元 A 輪融資,估值達 60 億美元

    UFORCE 宣佈完成 7 億美元 A 輪融資,估值為 60 億美元,資金將用於擴大無人平臺生產並佈局多區域製造。 - 投資方:本輪由 Valor Equity Partners 與英國 National Wealth Fund 共同領投,美國與烏克蘭重建投資基金參與。

    推薦理由:UFORCE 計畫把已投入戰場的無人平臺分散至多個區域生產,這筆融資呈現國防供應鏈擴產與佈局的方向。

11月12日週四
  1. Dev.to Top Tech78

    NVIDIA 發布 GR00T 2 開放式機器人模型與 Isaac Lab 3.0

    NVIDIA 發布 GR00T 2 開放式機器人模型與 Isaac Lab 3.0,聚焦以模擬訓練機器人執行精細操作任務。 - GR00T 2:NVIDIA 表示,模型在 50 項評估任務中,有 40 項至少成功完成一次;每項任務提供 1 次示範時,平均成功率為 71%,提供 5 次時升至 95%。

    推薦理由:報導列出模擬基準、訓練效率與早期測試案例,並交代資料來自 NVIDIA 或合作方的模擬評估,可據此辨認成果的適用範圍。