具身智能的GPT时刻：高德ABot基座模型深度解读，开启通用机器人底座时代

type

status

date

slug

summary

在自然语言处理（NLP）领域，GPT的出现标志着一个时代的转折。在此之前，NLP任务是碎片化的：翻译、摘要、问答各自拥有一套独立的模型和流水线。GPT之后，这种“一任务一模型”的范式被“预训练底座+任务微调”彻底取代。

今天的机器人行业，正处于类似2019年NLP领域的爆发前夜。不同厂商、不同形态的机器人使用着互不兼容的动作体系，数据无法复用，模型难以迁移。这种高度定制化的现状，使得机器人更像是在特定场景下的“精密表演者”，而非具备通用能力的智能体。

近日，高德发布的 ABot系列具身基座模型（ABot-M0 与 ABot-N0），通过在操作（手）和导航（腿）两大核心链路上建立统一底座，正式宣告了具身智能“GPT时刻”的到来。想要获取更多前沿 AI资讯 和 AI新闻，欢迎访问 AIGC门户。

语言模型之所以能实现通用化，核心在于统一的表示（Token）、统一的架构（Transformer）以及可规模化的预训练。相比之下，具身智能长期面临三大结构性瓶颈：

高德的ABot系列正是为了打破这些壁垒而生，通过系统性重构，将具身智能从“定制工程”推向“通用底座”时代。

具身操作的核心难题在于如何让同一套模型驾驭形态各异的机器人。ABot-M0的解法是 “动作语言统一”。

技术上，ABot-M0通过统一坐标系、控制频率和增量式动作建模，打通了来自不同平台的数据。它构建了一个包含600多万条轨迹、涉及20多种具身形态的混合训练集。其核心创新点包括：

AML（动作流形学习）算法：该算法假设有效的机器人动作集中在一个受物理规律约束的低维流形上。在流形上学习比在全空间搜索更高效，生成的动作更稳定、更符合物理规律。

在Libero-Plus基准测试中，ABot-M0的任务成功率达到80.5%，比此前最强方案提升了近30%。这种系统性的能力跃升，意味着开发者不再需要为每个新场景重做系统。

如果说操作是在受控环境下的精细活，导航则是面对动态开放世界的挑战。ABot-N0实现了五大核心导航任务的“大一统”：包括点位导航、目标物导航、指令跟随、POI导航以及行人跟随。

ABot-N0采用了层次化的 “大脑-动作” 设计哲学：

更重要的是，ABot-N0依托高德多年积累的时空数据资产，构建了包含8000个高保真3D场景和1700万条专家示例的导航数据引擎。这种规模的空间建模能力，是普通研究机构难以复现的护城河。在SocNav（社交导航）等七大权威基准测试中，ABot-N0全面刷新了SOTA纪录。

为什么是高德率先跑通了具身基座模型？这不仅是算法的胜利，更是数据与工程能力的集中体现。

卓越的工程化落地能力：ABot-N0已实现在真实四足机器人平台的部署。高德将亿级用户规模的系统稳定性经验迁移到具身领域，确保模型在算力受限的边缘设备上也能高效运行。

对于 人工智能 开发者而言，这意味着开发范式的转变：从“重写整套系统”转向“基于底座模型进行场景化微调（Fine-tune）”。

ABot系列的发布，预示着具身智能行业将进入一个降本增效的新阶段。过去需要数月、数百万成本的数据采集与开发，未来可能缩短至数周。机器人能力有望变成可调用的API，实现“帮我整理书架”或“去仓库盘点”等复杂物理任务。

虽然硬件成本和安全验证等挑战依然存在，但统一底座的出现，让具身智能的进化斜率陡然增加。关注 AGI 与 大模型 的最新动态，请持续锁定 AIGC.bar，获取第一手 AI日报 与 Prompt 技巧，共同见证AI改变物理世界的进程。