Intern W0 將力覺觸覺感知帶入機器人

#robotics#tactile-sensing#lab-automationintern-w0shanghai-ai-labintern-w0intern-inkstones2

W0 瞄準具身 AI 與實驗室機器人長期缺少的觸覺層。

30 秒速覽

有什麼變化

W0 為機器人加入原生力覺與觸覺感知。

為什麼重要

力覺與觸覺輸入可提升超越純視覺控制的機器人操作能力。科學閉環工作流可能加速自動化實驗及材料或生物研究。

下一步行動

在只依賴相機觀測前，先為一項操作任務評估力矩感測器與觸覺資料管線。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 11 個來源。

•W0 採用非同步多速率雙工架構，低頻背景負責高層級語義規劃，高頻控制則持續吸收觸覺與力覺回饋以進行微秒級微校正，有效解決視覺盲區與遮擋問題。
•實體驗證已成功涵蓋基因編輯蛋白質定向進化、甲哌卡因（Mepivacaine）有機合成，以及脂質奈米粒（LNP）製備過程中的動態參數調整。
•研發重心明確聚焦於化學、生物與材料學的自動化實驗台（Bench Automation），而非消費級人形機器人，旨在打通理論推演到實體實驗操作的鏈條。
•上海人工智能實驗室明確區隔 W0 與其和上海交大 LUMIA 實驗室合作的 NCP-ArchPreview，後者著重潛空間概念預測，W0 則專注於原生力觸覺的物理操作。
•生數科技（GensPI）與清華團隊同日發布基於 13 萬小時第一視角數據訓練的 Motus2，反映出物理世界模型全面轉向接觸豐富型靈巧操作的競爭態勢。

核心架構

感知核心

數據基礎與特色

目標應用場景

對比維度	Intern W0 (上海人工智能實驗室)	Motus2 (生數科技 / 清華大學)
核心架構	原生視覺-力覺-觸覺融合、非同步雙工多速率架構	自進化世界動作與價值模型 (World-Action and Value Model)
感知核心	原生力覺與觸覺感知，專注接觸面微滑移與握力微調	第一視角視覺及動作預測
數據基礎與特色	與科學模型（S2）與科研平台閉環協作	基於約 130,000 小時第一視角操作數據訓練
目標應用場景	生化與材料濕實驗室台面自動化 (Bench Automation)	通用靈巧操作 (Dexterous Manipulation) 與通用物理互動

非同步多速率雙工機制：模型將控制解耦為不同頻率模組，高層級語義任務規劃於低頻背景運行，底層高頻運動模組則毫秒級實時吞吐原生力覺與觸覺數據，在視覺視角受阻或失真時即時進行反饋修正。
原生多模態並行融合架構：摒棄傳統「感知-規劃-執行」串行管線，底層神經網路原生融合視覺、本體感覺與力觸覺信號，實現環境感知、物理預測與運動補償的並行處理。
感測動作功能分工：以視覺模態建立遠端路徑與接近軌跡規劃，本體感覺即時反饋關節姿態，而原生力觸覺陣列則專門監控微滑移（Micro-slips）、接觸穩定性與握持動態負載。
乾濕閉環接口鏈接：原生集成 Intern InkStone 科學發現平台與 Intern S2 科學大模型接口，自動將乾實驗室的分子設計或反應推導直接編譯為濕實驗室的實體操作動作流。