如果机器人可以在不忘记已有知识的情况下更换身体，会怎样？Feagine 的 Fi0 正是围绕这一理念设计的。
大多数机器人 AI 系统都存在一种尴尬的依赖性。更换机器人，控制它的大部分智能可能也得随之改变。Feagine Robotics 正在采取不同的方法。该公司推出了 Fi0，一种跨具身基础模型，旨在让任务知识在不同物理结构的机器人之间得以保留。
与此同时，Feagine 还推出了三款腱驱软体机械臂 A01、A02 和 A03，它们具有不同的长度、节段数和自由度，用于测试这一理念。随着机器人技术超越标准化工业机械臂，这一根本问题正变得越来越重要。跨具身学习的研究已经表明，让模型接触更多样化的机器人身体，可以提高其泛化到陌生机器上的能力。
身体是问题的一部分
机器人的物理结构决定了它实际能做什么。两节段的机械臂与三节段的机械臂，其可达工作空间不同。较长的机械臂可以从较短机械臂无法实现的角度接近物体。而柔软、连续弯曲的机械臂则带来了另一层复杂性，因为它的形状在操作过程中会发生变化。
Feagine 的三款机械臂旨在让这些差异系统化。A01 有一个柔性节段和两个自由度，重 750 克，可承载 200 克有效载荷。A02 有两个节段、四个自由度，有效载荷为 400 克；而 A03 有三个节段、6+1 个自由度、臂长 50 厘米，有效载荷为 600 克。
Fi0 并没有将每个机器人视为完全独立的机器，而是将其物理结构和当前状态表示为用于生成动作的信息的一部分。
这正是“跨具身”智能背后的核心理念。即使完成任务的物理方式发生变化，任务本身可以保持不变。
一次演示，不同机器人
Feagine 还希望 Fi0 能够减少机器人在遇到陌生任务时所需的重新训练量。据该公司称，如果 Fi0 遇到超出其现有能力的任务，人类可以提供一次演示。该模型会在推理时将该演示作为上下文使用，而不是通过另一轮训练来更新参数。
例如，一个人可以演示如何将一个物体从一个位置移动到另一个位置。重要的信息不一定是人手精确的运动轨迹。模型会尝试提取任务中的物体、顺序、重要接触事件以及期望的最终状态。然后，机器人需要自己想办法用自身身体完成同样的任务。
这种方法反映了机器人研究的一个更广泛方向：基础模型越来越多地被开发用于在不同机器人具身之间共享知识，而不是为每台机器学习孤立的策略。
为什么软体机器人是一个有趣的测试
Feagine 特意使用软体腱驱机械臂来探索这一概念。传统机械臂在机械上相对容易描述：其关节有确定的位置和运动范围。而软体机械臂可以连续弯曲、改变形状，并顺应性地与周围环境互动。
这意味着机器人的物理构型成为 AI 必须理解的问题的一部分。因此，Fi0 的架构融合了有关机器人形态、传感、驱动和当前状态的信息。Feagine 将这种表示称为“具身图”（Embodiment Graph）。该模型还包含用于理解物理环境、解读演示以及预测不同动作后可能发生情况的组件。
该公司将这种组合称为“软体具身智能”。更广泛的意义在于，机器人技术最终可能不会收敛到一种通用机器上。不同的环境可能青睐截然不同的身体：用于精密制造的刚性机械臂、用于精细交互的软体机械臂、用于狭小空间的专用机器，以及用于危险环境的完全不同的平台。如果智能层能够在它们之间迁移，硬件就不必独自承担通用性的全部负担。
超越人形机器人的另一条路径
人形机器人之所以吸引大量关注，是因为人类环境本来就是围绕人类的尺寸和能力设计的。但通用智能并不一定需要人形身体。Feagine 的方法颠覆了这一假设。它没有问“哪种单一身体能做所有事情？”，而是问：一种智能能否操控许多专用身体。
Fi0 仍然是早期系统，该公司的说法最终需要在更广泛的硬件、任务和现实环境中得到验证。但这一概念解决了具身 AI 中一个真正的瓶颈：确保通过一个机器人积累的智能不会在硬件改变后变得无用。如果这个问题能够解决，机器人技术的未来可能不是一台通用机器人，而是一个不断壮大的专用机器家族，共享一个越来越强大的智能层。
如果朋友们喜欢，敬请关注“知新了了”！
热门跟贴