将深度信息作为VLM核心输入！视启未来×清华×IDEA帮机器人看懂物理世界
将深度信息作为VLM核心输入！视启未来×清华×IDEA帮机器人看懂物理世界机器人能认出杯子，却看不懂杯口朝哪、离自己多远、该抓哪里。
来自主题: AI技术研报
8355 点击 2026-03-30 15:03
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
机器人能认出杯子，却看不懂杯口朝哪、离自己多远、该抓哪里。
在具身智能领域，机器人操作的泛化能力一直是一个核心挑战。当前，视觉 - 语言 - 动作（VLA）模型主要分为两大范式：端到端模型与分层模型。端到端 VLA 模型（如 RT-2 [1], OpenVLA [2]）严重依赖海量的 “指令 - 视觉 - 动作” 成对数据，获取成本极高，导致其在面对新任务或新场景时零样本泛化能力受限。
就在行业仍为数据瓶颈焦虑时，一家名为深度机智（DeepCybo）的公司悄然浮出水面。投中网独家获悉，作为北京中关村学院与中关村人工智能研究院孵化的首家具身智能企业，它凭借独特的“人类第一视角”技术路线，在短短3周内吸引了超60家投资机构密集对接。
近期，利用视频生成模型为机器人构建 “世界模型”，已成为具身智能领域的热门技术路线。给定当前观测和自然语言指令，这类模型能够先 “想象” 出未来的视觉轨迹，再由逆动力学模型（IDM）将生成画面解码为机器人动作，从而形成 “先预测、后执行” 的解耦式规划范式。由于兼具较强的可解释性与开放场景泛化潜力，这一路线正在受到学术界和工业界的广泛关注。
「人形机器人如果有最终形态，那一定会是有头有脸，你觉得呢？」
想象一下这样的生活片段：你拿起手机 30 秒，屏幕立刻跳出提醒，“当前心率 78，压力中等，建议深呼吸”；家里的智能摄像头静静看着午睡的宝宝，突然通过 App 提醒你：“宝宝心率偏快，呼吸略显急促，建议进屋查看”；养老院里，巡检机器人通过一次擦身而过的对视，便能感知到老人今天情绪低落，且血氧饱和度略低于往常......
天使轮拿下2.42亿美元后，它石智航到底干啥去了？然而接下来的一年里，它石智航选择了一条截然不同的路：没有参加各种行业大会，没有频繁对外发声，没有出现在春晚或各类展示活动中，一直踏实干活。
实现具备人类水平的灵巧操作能力，是机器人学领域长期以来的核心挑战之一。尽管多指灵巧手在硬件上具备了类似人类的潜力，但由于接触丰富的物理特性和非理想的驱动机制，训练能够直接部署在真实硬件上的控制策略仍然非常困难。
人形机器人在春晚舞台上大放异彩！然而，人们在看惯了机器人跳舞、后空翻，乃至武术表演之后，不禁开始思考：机器人何时才能真正走进大众生活，解决日常生活中的琐碎任务，从而解放人类的双手？
宇树的毛利率，比苹果巅峰时期的数值还要高，很大程度上，源自创始人王兴兴对成本的极致管控。