機器人端側模型的十字路口

大模型、機器人與芯片廠商的拉力賽。

原標題：機器人端側模型的十字路口
文章來源：AI科技評論
內容字數：14620字

大模型、機器人與芯片廠商的“不可能三角”：誰將破局？

近年來，大模型和具身智能機器人成為科技發展兩大驅動力，兩者結合提升機器人智能水平成為重要趨勢。然而，大模型在機器人終端的落地卻面臨“不可能三角”的困境：模型廠商依賴芯片廠商，芯片廠商依賴機器人廠商，機器人廠商又依賴模型廠商，形成負反饋循環。

1. 大模型賦能機器人：挑戰與機遇

大模型為機器人提供“大腦”，提升其泛化和規劃能力，但目前主要用于簡單任務理解和拆分。大模型的泛化、規劃、糾錯等能力在機器人領域的應用仍處于初步階段，主要原因在于：

1. 缺乏適合機器人的模型框架：目前缺乏像LLM一樣統一的架構，不同形態的機器人對大模型有不同要求。

2. 數據不足：模型廠商難以獲取大量、多元化的預訓練數據，導致模型泛化能力不足，尤其在精細動作控制方面。

3. 知識壁壘：大模型廠商和機器人廠商之間存在知識壁壘，難以有效融合。

2. “機器人大腦”的三角拉力賽

機器人廠商的量產不足是核心問題。目前機器人主要面向專業用戶，應用場景有限，導致數據積累不足，難以訓練出高性能的模型。這又反過來影響芯片廠商的研發投入，因為缺乏市場需求，適配機器人端側模型的芯片迭代緩慢。

1. 數據標注困難：機器人數據采集和標注成本高昂，需要真機采集多元化數據。

2. 算力瓶頸：云端大模型難以在機器人端部署，而端側小模型能力有限，需要在能力和算力之間尋求平衡。

3. 芯片適配難題：模型需要與不同芯片適配，且低功耗芯片的算力限制嚴重影響模型性能。

3. 如何打破“死循環”？

打破“不可能三角”需要三方合力：模型廠商、芯片廠商和機器人廠商需要共同努力。

1. 端云協作：在云端訓練大模型，再通過知識蒸餾等方式得到小模型部署在終端。

2. 非Transformer架構：探索非Transformer架構，降低算力要求和功耗。

3. 芯片適配優化：模型廠商和芯片廠商合作優化推理框架，充分利用芯片算力。

4. 機器人廠商提升量產：增加機器人出貨量，擴大應用場景，吸引更多資源投入。

最終，機器人大模型的發展需要模型、芯片和機器人廠商的共同努力，只有打破現有瓶頸，才能形成正向循環，實現機器人智能水平的快速提升。

聯系作者

文章來源：AI科技評論
作者微信：
作者簡介：雷峰網旗下AI新媒體。聚焦AI前沿研究，關注AI工程落地。