來源較早收集於 14m

General Intuition 獲 3.2 億美元融資開發物理 AI

閱讀原文: 虎嗅
#robotics#embodied-ai#foundation-models

一種全新的機器人訓練路徑,利用遊戲數據繞過真實世界數據採集的巨大成本。

30 秒速覽

有什麼變化

利用遊戲錄像教授機器人空間感、時間感與因果關係。

為什麼重要

若此路徑成功,將可能使機器人大腦商品化,並消除目前硬體導向機器人公司所擁有的數據護城河。

下一步行動

評估您的機器人開發流程是否能利用合成數據或遊戲數據進行預訓練,以降低真實世界數據採集的成本。

誰應關注:Developers & AI Engineers

關鍵要點

  • 利用遊戲錄像教授機器人空間感、時間感與因果關係。
  • 聲稱僅需 8 分鐘的真實世界微調即可適應新任務。
  • 估值達 23 億美元,獲 Khosla Ventures 投資。

深度解析

本篇為 AI 生成分析,非原文內容。

增強重點摘要

  • General Intuition 由前 OpenAI 研究員創立,其核心團隊成員曾參與過 GPT-4 的開發與多模態模型研究。
  • 該公司採用的訓練方法被稱為「模擬到現實」(Sim-to-Real)的進化版,利用遊戲引擎(如 Unreal Engine)生成的合成數據來彌補真實世界數據的稀缺性。
  • 其模型架構不僅限於視覺處理,還整合了觸覺反饋模擬,使機器人能在操作過程中感知物體的硬度與摩擦力。
  • 除了 Khosla Ventures,該輪融資還吸引了多家專注於深度科技(Deep Tech)的頂級風投機構參與,顯示資本市場對具身智能(Embodied AI)賽道的強烈信心。
  • 該公司的技術路徑強調「世界模型」(World Models)的應用,旨在讓機器人能夠在執行任務前進行「心理預演」,從而預測動作的潛在後果。

競品分析

General Intuition
核心技術路徑
遊戲錄像/物理直覺
數據來源
合成數據/遊戲錄像
關鍵優勢
極短的微調時間
Figure AI
核心技術路徑
端到端神經網絡
數據來源
真實世界數據/模擬
關鍵優勢
人形機器人硬體整合
Covariant
核心技術路徑
機器人基礎模型 (RFM)
數據來源
工業操作數據
關鍵優勢
商業化落地經驗豐富
Tesla Optimus
核心技術路徑
視覺模仿學習
數據來源
實車/機器人遙操作
關鍵優勢
數據採集規模與硬體成本

技術深入

  • 採用基於 Transformer 的多模態架構,將視覺幀序列與動作指令編碼為統一的潛在空間(Latent Space)。
  • 引入了因果推斷模組,使模型能夠區分相關性與因果關係,從而提高在複雜環境下的決策穩定性。
  • 訓練過程使用了大規模的自我監督學習(Self-Supervised Learning),通過預測遊戲錄像中的下一幀畫面來學習物理規律。
  • 支援跨平台部署,其模型權重經過輕量化處理,可適應不同算力等級的機器人控制器。

前景展望基於引用來源的 AI 分析

機器人微調時間將在 2027 年前縮短至 1 分鐘以內。
隨著合成數據生成效率的提升與基礎模型泛化能力的增強,機器人對特定任務的適應成本將呈指數級下降。
General Intuition 將在 18 個月內發布首個開源版本的物理直覺模型。
為了建立行業標準並吸引開發者生態,該公司極有可能採取類似 OpenAI 早期的開源策略來擴大影響力。

時間線

2024-05
General Intuition 正式成立,專注於開發機器人通用基礎模型。
2025-02
完成種子輪融資,開始大規模採集遊戲錄像數據集。
2026-03
發布內部測試版本,展示機器人在模擬環境中學習複雜物理交互的能力。
2026-07
獲得 3.2 億美元融資,估值達到 23 億美元。

AI 週報

閱讀本週精選 AI 大事摘要 →

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源: 虎嗅

這是摘要,不是原文。去看原站,或訂閱每週簡報。

每週電子報

每週一封,可隨時退訂。