大咖觀點(diǎn) | AI 大模型邁向多模態(tài)，助力具身智能與機(jī)器人實(shí)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？它是指，對于人工智能 (AI) 系統(tǒng)而言，高級推理只需非常少的計(jì)算能力，而實(shí)現(xiàn)我們?nèi)祟惲?xí)以為常的感知運(yùn)動(dòng)技能卻需要耗費(fèi)巨大的計(jì)算資源。實(shí)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(rèn)知能力之間的差異。

人生來就是多模態(tài)的。我們每個(gè)人就像一個(gè)智能終端，我們通常需要去學(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我們周圍的世界，進(jìn)而審時(shí)度勢，進(jìn)行分析、推理、決斷并采取行動(dòng)。

經(jīng)過多年的傳感器融合和 AI 演進(jìn)，機(jī)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)?a class="contentlabel" href="http://www.butianyuan.cn/news/listbylabel/label/機(jī)器人">機(jī)器人等邊緣設(shè)備帶來更多的計(jì)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(jìn)行溝通，通過數(shù)字傳感界面獲得觸覺，以及通過加速計(jì)、陀螺儀與磁力計(jì)等的組合，來感知機(jī)器人的比力、角速度，甚至機(jī)器人周圍的磁場。

在 Transformer 和大語言模型 (LLM) 出現(xiàn)之前，要在 AI 中實(shí)現(xiàn)多模態(tài)，通常需要用到多個(gè)負(fù)責(zé)不同類型數(shù)據(jù)（文本、圖像、音頻）的單獨(dú)模型，并通過復(fù)雜的過程對不同模態(tài)進(jìn)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(gè)模型可以同時(shí)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(qiáng)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(jìn)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(jī)交互邁進(jìn)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(jìn)。

2024 年，多模態(tài)演進(jìn)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(xì)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(jī)器人的重要工具。三個(gè)月后，GPT-4o 顯著提高了人機(jī)交互的性能，并且能夠在音頻、視覺和文本之間實(shí)時(shí)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(gè)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(jìn)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(kuò)展至 100 萬個(gè)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(shí)的視頻、11 小時(shí)的音頻、包含超過三萬多行代碼或 70 萬個(gè)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(jìn)行了開源。在五月舉行的 Google I/O 大會(huì)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。我還希望它能幫助我做家務(wù)和完成工作任務(wù)，而不僅僅是跟我聊天！

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(jī)器智能水平，將為許多行業(yè)帶來新的范式。

例如，機(jī)器人的用途曾經(jīng)非常單一，它們具備一些傳感器和運(yùn)動(dòng)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(jī)器人的分析、推理和學(xué)習(xí)能力，使機(jī)器人從專用轉(zhuǎn)向通用。PC、服務(wù)器和智能手機(jī)都是通用計(jì)算平臺(tái)中的佼佼者，它們可以運(yùn)行許多不同種類的軟件應(yīng)用來實(shí)現(xiàn)豐富多彩的功能。通用化將有助于擴(kuò)大規(guī)模，產(chǎn)生規(guī)?；慕?jīng)濟(jì)效應(yīng)，價(jià)格也能隨著規(guī)模擴(kuò)大而大幅降低，進(jìn)而被更多領(lǐng)域采用，從而形成一個(gè)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(jī)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(gè)月里，我們見證了機(jī)器人和人形機(jī)器人領(lǐng)域所取得的一系列突破。

盡管如此，毋庸置疑的是我們在具身智能達(dá)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(jì)、更長的運(yùn)行時(shí)間，以及速度更快、功能更強(qiáng)大的邊緣計(jì)算平臺(tái)來處理和融合傳感器數(shù)據(jù)信息，從而做出及時(shí)決策和控制行動(dòng)。

而且我們正朝著創(chuàng)造人形機(jī)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(jì)的環(huán)境中，而人形機(jī)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(dòng)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(xiǎn)和枯燥的工作，例如患者護(hù)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(jìn)行災(zāi)難響應(yīng)和有害物質(zhì)處理等危險(xiǎn)任務(wù)。此類應(yīng)用利用人形機(jī)器人類人的屬性來促進(jìn)人機(jī)自然交互，在以人為中心的空間中行動(dòng)，并執(zhí)行傳統(tǒng)機(jī)器人通常難以完成的任務(wù)。

許多 AI 和機(jī)器人企業(yè)圍繞如何訓(xùn)練機(jī)器人在非結(jié)構(gòu)化的新環(huán)境中更好地進(jìn)行推理和規(guī)劃，展開了新的研究與協(xié)作。作為機(jī)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(jī)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(dòng)作和行動(dòng)，在各種動(dòng)態(tài)環(huán)境中優(yōu)化性能。

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

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(dòng)編碼。在執(zhí)行曾經(jīng)見過的任務(wù)時(shí)，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(jī)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(jī)器人設(shè)計(jì)）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(jì)的，它利用 GPT-4 的強(qiáng)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(jī)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(jì)錄，已超出人類平均能力。

正如此前提到的，特斯拉進(jìn)軍人形機(jī)器人和 AI 通用機(jī)器人領(lǐng)域的意義重大，不僅因?yàn)樗菫閷?shí)現(xiàn)規(guī)?；土慨a(chǎn)而設(shè)計(jì)的，而且因?yàn)樘厮估瓰槠囋O(shè)計(jì)的 Autopilot 的強(qiáng)大完全自動(dòng)駕駛 (FSD) 技術(shù)基礎(chǔ)可用于機(jī)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 認(rèn)為機(jī)器人腦，包括“大腦”和“小腦”，應(yīng)該是異構(gòu) AI 計(jì)算系統(tǒng)，以提供出色的性能、實(shí)時(shí)響應(yīng)和高能效。

機(jī)器人技術(shù)涉及的任務(wù)范圍廣泛，包括基本的計(jì)算（比如向電機(jī)發(fā)送和接收信號）、先進(jìn)的數(shù)據(jù)處理（比如圖像和傳感器數(shù)據(jù)解讀），以及運(yùn)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(jī)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(qiáng)機(jī)器人的視覺能力和存儲(chǔ)/傳輸效率。此外，CPU 還應(yīng)該具備實(shí)時(shí)響應(yīng)能力，并且需要能夠運(yùn)行 Linux 和 ROS 軟件包等操作系統(tǒng)。

當(dāng)擴(kuò)展到機(jī)器人軟件堆棧時(shí)，操作系統(tǒng)層可能還需要一個(gè)能夠可靠處理時(shí)間關(guān)鍵型任務(wù)的實(shí)時(shí)操作系統(tǒng) (RTOS)，以及針對機(jī)器人定制的 Linux 發(fā)行版，如 ROS，它可以提供專為異構(gòu)計(jì)算集群設(shè)計(jì)的服務(wù)。我們相信，SystemReady 和 PSA Certified 等由 Arm 發(fā)起的標(biāo)準(zhǔn)和認(rèn)證計(jì)劃將幫助擴(kuò)大機(jī)器人軟件的開發(fā)規(guī)模。SystemReady 旨在確保標(biāo)準(zhǔn)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(yùn)行，而 PSA Certified 有助于簡化安全實(shí)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(jìn)步預(yù)示著 AI 機(jī)器人和人形機(jī)器人的發(fā)展進(jìn)入了新紀(jì)元。在這個(gè)新時(shí)代，要使機(jī)器人技術(shù)成為主流，除了 AI 計(jì)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(jī)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(jī)器人的基石。