近期,具身智能创业公司“自变量机械人(X Square Robot)”实现数亿元Pre-A++轮融资。本轮融资由光速光合与君联资能力投、北京机械人产业基金、神骐本钱跟投。融资将用于下一代统一具身智能通用大模型的训练与场景落地。
据相识,这是光速光合首度投资具身智能大模型方向,而君联本钱同样在具身智能大模型领域积极布局,对这一赛路赐与了高度关注与投入。北京机械人产业基金和神骐本钱作为产业方投资人,将加快自变量机械人的场景落地过程。
自变量机械人成立于2023年12月,致力于通过研发具身智能通用大模型,实现通用机械人。2024年11月实现亿元级Pre-A与Pre-A+轮融资。
通用机械人的终极指标是像人一样通过交互、感知和行动自主执行工作,并具备高效的泛化和迁徙能力。而实现这一指标的主题,就在于机械人通用具身智能大模型。
在海表,蕴含Skild AI、谷歌DeepMind、Physical Intelligence(PI)等科技公司都在该领域进行积极布局。
具身智能可重要分为大脑(认知与决策)和幼脑(活动节造)。目前国内企业在索求分歧发展蹊径:部门专一于大脑,提升机械人说话理解与规划能力;部门聚焦幼脑,优化行走、抓取作为等活动节造;也有企业选择大幼脑统一的端到端路线,这一路线也是国表头部科技公司如Physical Intelligence(PI)、Skild AI等的选择。
统一端到端具身智能大模型是提升机械人泛化能力和适应能力的关键。传统的分层架构虽能在特定工作上实现优化,但难以适应复杂环境的动态变动。而端到端规划,使机械人可能从感知直接映射到活动,形成高效的反馈关环,从而在多工作、多场景中具备更强的自主进建与适应能力。
自变量从成立之初就选择了“大幼脑统一的端到端大模型”路线。公司首创人兼CEO王潜暗示,真正的具身智能大模型,该当由一个模型覆盖从感知信号输入到作为输出的齐全过程,而不进行报答地分层或�?榛�。这才是实现通用具身智能的真正解法。
而在国内,选择端到端模型的厂商中,技术路线也有所分化:部门厂商选择优先训练特定工作或单一场景的幼模型;自变量则从一路头选取多工作、大量场景训练,以提升模型的通用性和适应能力。
王潜暗示,目前业内对于显著超过单一操作的复杂工作,所有较好的实现了局险些都是由具身智能大模型实现的。幼模型为每个工作设计特定的模型结构,往往只能执行最根基的单一操作,无法实现泛化。与之相反,大模型则器沉若何通过工程化方式实现模型的scaling-up,直至达到齐全通用。二者技术栈齐全分歧,依赖幼模型的堆集并不能有效迁徙实现大模型。
通用性和泛化性是界说这一代具身智能技术最主题的身分。只有达到足够的通用性、泛化性和可迁徙性,才使得具身智能真正区别于传统自动化,能实此刻自由环境中,不受预设环境和预设物体限度的自由操作。
去年11月,自变量机械人颁发实现了全球目前最大参数规模的具身智能通用操作大模型——Great Wall系列(GW)的WALL-A模型。该模型在通用性、泛化性上能够做到用极少的样本,实现各类物理环境变量、作为模式的泛化和迁徙,同时在长序列复杂操作上拥有绝对优势。
王潜暗示,经过最近数月的迭代,WALL-A模型的能力已经与Skild AI、Physical Intelligence处于统一水平线上,部门能力甚至强于国表竞争敌手。从工作复杂度层面来看,可能实现例如拉拉链、整顿衣物等精密操作,展示出在随机环境中对复杂拓扑结构、复杂物理交互的壮大适应性。从复杂工作的正确率来看,在叠衣服、晾衣服等复杂柔性操作中阐发杰出,数分钟级此外工作成功率达到90%以上。
此表,自变量机械人的通用具身智能大模型,还可能实现无需地图和深度输入的语义导航,并能基于视频进行即时决策和实时指令追随,也具备自主环境索求能力。
团队方面,自变量机械人的主题团队成员位于丽江,软件算法团队拥有Robotics Learning(机械人进建)和大模型的双沉布景。硬件方面,公司汇集了一批来自头部硬件公司的主题技术骨干及高管,占有成熟的工程能力和量产经验。
首创人兼CEO王潜本硕毕业于清华大学,是全球最早在神经网络中提出把稳力机造的钻研人员之一,博士期间曾在美国顶级机械人尝试室参加了多项Robotics Learning的钻研,钻研经历涵盖机械人操作和家庭服务机械人有关的险些所有领域。结合首创人兼CTO王昊是北大推算物理博士,曾在粤港澳大湾区数字经济钻研院(IDEA钻研院)担任封神榜大模型团队算法掌管人,辅导了国内第一个百亿级大模型和最早一批千亿级大模型之一Ziya的研发。
-转载自“自变量机械人”公家号-

自变量机械人成立于2023年12月。公司致力于通过研发具身智能通用大模型的蹊径,实现通用机械人。2024年4月初,《智能涌现》曾报路过其实现数千万元天使轮及天使+轮融资。