然而，盡管人形機(jī)器人在形態(tài)和操作上具有優(yōu)勢，但要實(shí)現(xiàn)真正的智能，還需解決軟件與硬件的耦合問題。為實(shí)現(xiàn)這一目標(biāo)，具身智能領(lǐng)域的不同團(tuán)隊采取了多樣化的技術(shù)路線，其中端到端架構(gòu)和分層決策模型是最為突出的兩種。
端到端架構(gòu)，作為一種將“大腦”和“小腦”合為一體的方法，通過單一的神經(jīng)網(wǎng)絡(luò)，直接將任務(wù)目標(biāo)轉(zhuǎn)化為控制信號。特斯拉的Optimus機(jī)器人和谷歌的RT-2項目便是這一架構(gòu)的典型代表。它們能夠通過視覺輸入直接生成動作輸出，完成復(fù)雜的任務(wù)。然而，端到端模型需要大量的數(shù)據(jù)和算力來驅(qū)動，這使得其在實(shí)際應(yīng)用中面臨挑戰(zhàn)。
相比之下，分層決策模型則通過將感知、規(guī)劃決策、控制和執(zhí)行各模塊分解為多個層級，分別進(jìn)行訓(xùn)練，最終再整合起來。這種方法在即時性、可解釋性和可控性方面具有優(yōu)勢，且由于可以逐一精準(zhǔn)突破，在訓(xùn)練單個模型中所需的數(shù)據(jù)量相對較少。Figure AI的Figure 02便是這一架構(gòu)的佼佼者，其高達(dá)200hz的輸出頻率意味著執(zhí)行動作的延時極低。
在國內(nèi)，分層決策模型也受到了廣泛的關(guān)注。智元機(jī)器人、穹徹智能和銀河通用等初創(chuàng)公司都選擇了這一技術(shù)路線，并根據(jù)自己的理解設(shè)計出各自的解決方案。他們致力于解決“大小腦”問題，實(shí)現(xiàn)從感知到執(zhí)行的閉環(huán)。
無論是端到端架構(gòu)還是分層決策模型，數(shù)據(jù)都是訓(xùn)練效果的關(guān)鍵因素。具身智能玩家們需要共同面臨數(shù)據(jù)質(zhì)量和數(shù)量的挑戰(zhàn)，以提高機(jī)器人的智能水平。模仿學(xué)習(xí)與強(qiáng)化學(xué)習(xí)、真實(shí)數(shù)據(jù)與仿真數(shù)據(jù)之間的優(yōu)劣也成為了研究的熱點(diǎn)。
在具身智能的較量中，不同的技術(shù)路線和解決方案層出不窮。從登月派到落地派，從端到端到分層決策，每一種方法都有其獨(dú)特的優(yōu)勢和挑戰(zhàn)。然而，無論選擇哪條道路，實(shí)現(xiàn)智能、攻克軟件與硬件的耦合都是最終的目標(biāo)。
