AI 大模型邁向多模態(tài)，助力具身智能與機器人實現(xiàn)創(chuàng)新

作者：Arm 物聯(lián)網(wǎng)事業(yè)部業(yè)務(wù)拓展副總裁 馬健

你聽過莫拉維克悖論 (Moravec's paradox) 嗎？該悖論指出，對于人工智能 (AI) 系統(tǒng)而言，高級推理只需非常少的計算能力，而實現(xiàn)人類習(xí)以為常的感知運動技能卻需要耗費巨大的計算資源。實質(zhì)上，與人類本能可以完成的基本感官任務(wù)相比，復(fù)雜的邏輯任務(wù)對 AI 而言更加容易。這一悖論凸顯了現(xiàn)階段的 AI 與人類認知能力之間的差異。

人本來就是多模態(tài)的。我們每個人就像一個智能終端，通常需要去學(xué)校上課接受學(xué)識熏陶（訓(xùn)練），但訓(xùn)練與學(xué)習(xí)的目的和結(jié)果是我們有能力自主工作和生活，而不需要總是依賴外部的指令和控制。

我們通過視覺、語言、聲音、觸覺、味覺和嗅覺等多種感官模式來了解周圍的世界，進而審時度勢，進行分析、推理、決斷并采取行動。

經(jīng)過多年的傳感器融合和 AI 演進，機器人現(xiàn)階段基本上都配備有多模態(tài)傳感器。隨著我們?yōu)闄C器人等邊緣設(shè)備帶來更多的計算能力，這些設(shè)備正變得愈加智能，它們能夠感知周圍環(huán)境，理解并以自然語言進行溝通，通過數(shù)字傳感界面獲得觸覺，以及通過加速計、陀螺儀與磁力計等的組合，來感知機器人的比力、角速度，甚至機器人周圍的磁場。

邁入機器人和機器認知的新時代

在 Transformer 和大語言模型 (LLM) 出現(xiàn)之前，要在 AI 中實現(xiàn)多模態(tài)，通常需要用到多個負責(zé)不同類型數(shù)據(jù)（文本、圖像、音頻）的單獨模型，并通過復(fù)雜的過程對不同模態(tài)進行集成。

而在 Transformer 模型和 LLM 出現(xiàn)后，多模態(tài)變得更加集成化，使得單個模型可以同時處理和理解多種數(shù)據(jù)類型，從而產(chǎn)生對環(huán)境綜合感知能力更強大的 AI 系統(tǒng)。這一轉(zhuǎn)變大大提高了多模態(tài) AI 應(yīng)用的效率和有效性。

雖然 GPT-3 等 LLM 主要以文本為基礎(chǔ)，但業(yè)界已朝著多模態(tài)取得了快速進展。從 OpenAI 的 CLIP 和 DALL·E，到現(xiàn)在的 Sora 和 GPT-4o，都是向多模態(tài)和更自然的人機交互邁進的模型范例。例如，CLIP 可理解與自然語言配對的圖像，從而在視覺和文本信息之間架起橋梁；DALL·E 旨在根據(jù)文本描述生成圖像。我們看到 Google Gemini 模型也經(jīng)歷了類似的演進。

2024 年，多模態(tài)演進加速發(fā)展。今年二月，OpenAI 發(fā)布了 Sora，它可以根據(jù)文本描述生成逼真或富有想象力的視頻。仔細想想，這可以為構(gòu)建通用世界模擬器提供一條頗有前景的道路，或成為訓(xùn)練機器人的重要工具。三個月后，GPT-4o 顯著提高了人機交互的性能，并且能夠在音頻、視覺和文本之間實時推理。綜合利用文本、視覺和音頻信息來端到端地訓(xùn)練一個新模型，消除從輸入模態(tài)到文本，再從文本到輸出模態(tài)的兩次模態(tài)轉(zhuǎn)換，進而大幅提升性能。

在今年二月的同一周，谷歌發(fā)布了 Gemini 1.5，將上下文長度大幅擴展至 100 萬個詞元 (Token)。這意味著 1.5 Pro 可以一次性處理大量信息，包括一小時的視頻、11 小時的音頻、包含超過三萬多行代碼或 70 萬個單詞的代碼庫。Gemini 1.5 基于谷歌對 Transformer 和混合專家架構(gòu) (MoE) 的領(lǐng)先研究而構(gòu)建，并對可在邊緣側(cè)部署的 2B 和 7B 模型進行了開源。在五月舉行的 Google I/O 大會上，除了將上下文長度增加一倍，并發(fā)布一系列生成式 AI 工具和應(yīng)用，谷歌還探討了 Project Astra 的未來愿景，這是一款通用的 AI 助手，可以處理多模態(tài)信息，理解用戶所處的上下文，并在對話中非常自然地與人交互。

作為開源 LLM Llama 背后的公司，Meta 也加入了通用人工智能 (AGI) 的賽道。

這種真正的多模態(tài)性大大提高了機器智能水平，將為許多行業(yè)帶來新的范式。

例如，機器人的用途曾經(jīng)非常單一，它們具備一些傳感器和運動能力，但一般來說，它們沒有“大腦”來學(xué)習(xí)新事物，無法適應(yīng)非結(jié)構(gòu)化和陌生環(huán)境。

多模態(tài) LLM 有望改變機器人的分析、推理和學(xué)習(xí)能力，使機器人從專用轉(zhuǎn)向通用。PC、服務(wù)器和智能手機都是通用計算平臺中的佼佼者，它們可以運行許多不同種類的軟件應(yīng)用來實現(xiàn)豐富多彩的功能。通用化將有助于擴大規(guī)模，產(chǎn)生規(guī)?；慕?jīng)濟效應(yīng)，價格也能隨著規(guī)模擴大而大幅降低，進而被更多領(lǐng)域采用，從而形成一個良性循環(huán)。

Elon Musk 很早就注意到了通用技術(shù)的優(yōu)勢，特斯拉的機器人從 2022 年的 Bumblebee 發(fā)展到 2023 年三月宣布的 Optimus Gen 1 和 2023 年年底的 Gen 2，其通用型和學(xué)習(xí)能力不斷提高。在過去的 6 至 12 個月里，我們見證了機器人和人形機器人領(lǐng)域所取得的一系列突破。

下一代機器人和具身智能背后的新技術(shù)

毋庸置疑的是我們在具身智能達到量產(chǎn)方面還有很多工作要做。我們需要更輕便的設(shè)計、更長的運行時間，以及速度更快、功能更強大的邊緣計算平臺來處理和融合傳感器數(shù)據(jù)信息，從而做出及時決策和控制行動。

而且我們正朝著創(chuàng)造人形機器人的方向發(fā)展，人類文明數(shù)千年，產(chǎn)生出無處不在的專為人類設(shè)計的環(huán)境，而人形機器人系統(tǒng)由于形體與人們類似，有望能夠在人類生存的環(huán)境中駕輕就熟地與人類和環(huán)境互動并執(zhí)行所需的操作。這些系統(tǒng)將非常適合處理臟污、危險和枯燥的工作，例如患者護理和康復(fù)、酒店業(yè)的服務(wù)工作、教育領(lǐng)域的教具或?qū)W伴，以及進行災(zāi)難響應(yīng)和有害物質(zhì)處理等危險任務(wù)。此類應(yīng)用利用人形機器人類人的屬性來促進人機自然交互，在以人為中心的空間中行動，并執(zhí)行傳統(tǒng)機器人通常難以完成的任務(wù)。

許多 AI 和機器人企業(yè)圍繞如何訓(xùn)練機器人在非結(jié)構(gòu)化的新環(huán)境中更好地進行推理和規(guī)劃，展開了新的研究與協(xié)作。作為機器人的新“大腦”，預(yù)先經(jīng)過大量數(shù)據(jù)訓(xùn)練的模型具有出色的泛化能力，使得機器人能做到見怪不怪，更全面地理解環(huán)境，根據(jù)感官反饋調(diào)整動作和行動，在各種動態(tài)環(huán)境中優(yōu)化性能。

舉一個有趣的例子，Boston Dynamics 的機器狗 Spot 可以在博物館里當導(dǎo)游。Spot 能夠與參觀者互動，向他們介紹各種展品，并回答他們的問題。這可能有點難以置信，但在該用例中，比起確保事實正確，Spot 的娛樂性、互動性和細膩微妙的表演更加重要。

Robotics Transformer：機器人的新大腦

Robotics Transformer (RT) 正在快速發(fā)展，它可以將多模態(tài)輸入直接轉(zhuǎn)化為行動編碼。在執(zhí)行曾經(jīng)見過的任務(wù)時，谷歌 DeepMind 的 RT-2 較上一代的 RT-1 表現(xiàn)一樣出色，成功率接近 100%。但是，使用 PaLM-E（面向機器人的具身多模態(tài)語言模型）和 PaLI-X（大規(guī)模多語言視覺和語言模型，并非專為機器人設(shè)計）訓(xùn)練后，RT-2 具有更出色的泛化能力，在未曾見過的任務(wù)中的表現(xiàn)優(yōu)于 RT-1。

微軟推出了大語言和視覺助手 LLaVA。LLaVA 最初是為基于文本的任務(wù)設(shè)計的，它利用 GPT-4 的強大功能創(chuàng)建了多模態(tài)指令遵循數(shù)據(jù)的新范式，將文本和視覺組件無縫集成，這對機器人任務(wù)非常有用。LLaVA 一經(jīng)推出，就創(chuàng)下了多模態(tài)聊天和科學(xué)問答任務(wù)的新紀錄，已超出人類平均能力。

正如此前提到的，特斯拉進軍人形機器人和 AI 通用機器人領(lǐng)域的意義重大，不僅因為它是為實現(xiàn)規(guī)?；土慨a(chǎn)而設(shè)計的，而且因為特斯拉為汽車設(shè)計的 Autopilot 的強大完全自動駕駛 (FSD) 技術(shù)基礎(chǔ)可用于機器人。特斯拉也擁有智能制造用例，可以將 Optimus 應(yīng)用于其新能源汽車的生產(chǎn)過程。

Arm 是未來機器人技術(shù)的基石

Arm 認為機器人腦，包括“大腦”和“小腦”，應(yīng)該是異構(gòu) AI 計算系統(tǒng)，以提供出色的性能、實時響應(yīng)和高能效。

機器人技術(shù)涉及的任務(wù)范圍廣泛，包括基本的計算（比如向電機發(fā)送和接收信號）、先進的數(shù)據(jù)處理（比如圖像和傳感器數(shù)據(jù)解讀），以及運行前文提到的多模態(tài) LLM。CPU 非常適合執(zhí)行通用任務(wù)，而 AI 加速器和 GPU 可以更高效地處理并行處理任務(wù)，如機器學(xué)習(xí) (ML) 和圖形處理。還可以集成圖像信號處理器和視頻編解碼器等額外加速器，從而增強機器人的視覺能力和存儲/傳輸效率。此外，CPU 還應(yīng)該具備實時響應(yīng)能力，并且需要能夠運行 Linux 和 ROS 軟件包等操作系統(tǒng)。

當擴展到機器人軟件堆棧時，操作系統(tǒng)層可能還需要一個能夠可靠處理時間關(guān)鍵型任務(wù)的實時操作系統(tǒng) (RTOS)，以及針對機器人定制的 Linux 發(fā)行版，如 ROS，它可以提供專為異構(gòu)計算集群設(shè)計的服務(wù)。我們相信，SystemReady 和 PSA Certified 等由 Arm 發(fā)起的標準和認證計劃將幫助擴大機器人軟件的開發(fā)規(guī)模。SystemReady 旨在確保標準的 Rich OS 發(fā)行版能夠在各類基于 Arm 架構(gòu)的系統(tǒng)級芯片 (SoC) 上運行，而 PSA Certified 有助于簡化安全實現(xiàn)方案，以滿足區(qū)域安全和監(jiān)管法規(guī)對互聯(lián)設(shè)備的要求。

大型多模態(tài)模型和生成式 AI 的進步預(yù)示著 AI 機器人和人形機器人的發(fā)展進入了新紀元。在這個新時代，要使機器人技術(shù)成為主流，除了 AI 計算和生態(tài)系統(tǒng)，能效、安全性和功能安全必不可少。Arm 處理器已廣泛應(yīng)用于機器人領(lǐng)域，我們期待與生態(tài)系統(tǒng)密切合作，使 Arm 成為未來 AI 機器人的基石。