打造中国版Skild AI：复旦教授赋予机器人自主进化通用大脑

type

status

date

slug

summary

突破VLA局限：寻找具身智能的“第三条路”

目前的具身智能领域，主流技术路线是以谷歌RT系列为代表的VLA（Vision-Language-Action）模型。VLA模型通过海量数据让机器人学习“场景-动作”的对应关系。然而，这种方式本质上是一种“死记硬背”。

以物流搬运为例，VLA模型可能通过学习几千次搬运特定纸箱的视频，学会了搬运那个特定的箱子。但如果箱子的形状、材质改变，或者周围的光线、环境布局发生微小变化，机器人往往就会束手无策。这是因为VLA模型并没有真正理解“搬运”这个任务背后的物理逻辑和空间关系。此外，不同构型的机器人之间数据难以复用，也极大地推高了训练成本。

眸深智能提出的“世界动作模型”，则是在VLA和纯粹的世界模型（World Model）之外，开辟了第三条道路。它不追求对整个世界进行泛泛的仿真建模，而是专注于“动作”与“物理规律”的结合。这使得机器人不仅能“看见”环境，还能理解自己在环境中的位置、任务的逻辑以及动作的后果，从而实现真正的举一反三。

核心技术：3D MotionGPT与通用的物理理解

眸深智能的技术底座源于陈涛教授在2D到3D视觉理解领域的深厚积累。其核心成果3D MotionGPT，让计算机能够像ChatGPT处理语言一样处理动作。

传统的机器人控制需要复杂的编程，而3D MotionGPT允许通过自然语言指令生成包含空间信息（XYZ坐标）的动作序列。这意味着，用户只需说一句“把桌子上的红色杯子递给我”，机器人就能在脑海中生成一个类似“火柴人”的3D运动轨迹，并将其映射到真实的机械臂上执行。

这种技术路径的优势在于： * 泛化性强：模型学习的是动作的原理（如抓取、推拉的力学规律），而非死记硬背特定的图像像素。 * 跨本体复用：作为通用的“大脑”，这套模型不绑定特定机型，可以部署在不同构型的机器人身上。 * 多模态交互：支持语音、视频、点云等多种输入方式，增强了机器人对环境的感知精度。

数据革新：利用开源视频训练“直觉”

在大模型训练中，高质量数据往往是最大的瓶颈。传统的机器人训练依赖昂贵的动捕数据或特定场景的真机采集数据。眸深智能在数据配方上进行了大胆创新，采用了“80%开源视频 + 10%动捕数据 + 10%真机数据”的混合模式。

通过从互联网海量的开源视频中提取人体关键点序列，并进行结构化处理，模型可以在大量通用运动数据上习得基础的“运动规律”——这就像是人类的“直觉”。随后，只需利用少量的真机数据进行微调（Fine-tuning），就能让机器人适应具体的任务。这种方法将真机数据的需求量降低到了传统方案的十分之一，极大地降低了落地门槛。

端侧部署：让大模型“瘦身”进场

具身智能要真正进场干活，还必须解决算力与延迟的矛盾。工厂和仓库的环境不允许机器人依赖不稳定的云端网络进行决策，毫秒级的延迟都可能导致严重的事故。因此，将LLM（大型语言模型）能力部署在端侧芯片上至关重要。

眸深智能研发了MADTP动态令牌剪枝算法，专门用于百亿参数模型的端侧轻量化。 1. 模型压缩：将庞大的模型体积压缩至端侧芯片可承载的范围。 2. 动态调用：在推理阶段，根据任务的难易程度动态分配算力。对于简单的搬运任务，使用较少的参数；对于复杂的精细操作，则调用更多资源。

测试数据显示，该方案在国产芯片（如昇腾、地平线）上实现了推理速度3.3倍的提升，关键响应延迟降至10毫秒级，真正做到了“软硬结合”。

商业化落地与未来展望

从实验室走向市场，眸深智能已经展现出强劲的商业化能力。依托复旦大学的科研背景和团队的产业经验，公司已在工业搬运、物流分拣以及康养护理等领域获得了头部投资人和产业客户的认可，完成了超3000万元的订单签署。

在人工智能通往AGI（通用人工智能）的道路上，具身智能是最后一块拼图。眸深智能通过“世界动作模型”赋予机器人理解物理世界的能力，不仅解决了当前VLA路线的泛化难题，也为未来机器人走进千家万户提供了可行的技术路径。

随着2026年标准化“机器人大脑”模组的计划推出，我们有理由相信，具备自主进化能力的机器人将在更多场景中成为人类的得力助手。想要获取更多关于大模型、AI资讯及行业深度分析，请访问专业的AI门户网站 AINEWS。