⚛️量子位•最新收集於 18m
自進化 WAM 實現具身因果學習
#embodied-ai#causal-learning#in-context-learning#parameter-efficientself-evolving-wamtsinghua airdomain transformationwam
💡了解參數凍結的 WAM 如何據稱透過具身因果學習提升能力。
⚡ 30-Second TL;DR
有什麼變化
提出用於具身智慧的自進化 WAM。
為什麼重要
若經過驗證，這種方法可能降低具身模型適應新環境的成本與複雜度。它也可能讓機器人在不持續進行完整模型重訓的情況下獲得更強能力。
下一步行動
閱讀即將發布的 WAM 論文，並在模擬具身學習任務上重現其參數凍結評估。
誰應關注：Researchers & Academics
關鍵要點
- •提出用於具身智慧的自進化 WAM。
- •將具身學習與 In-Context Causal Learning 結合。
- •宣稱無需更新模型參數即可大幅提升能力。
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 8 個來源。
🔑 增強重點摘要
- •自進化 WAM 由「未來不遠」（Futuring Robot）開發，旨在將家用機器人從被動執行轉向主動決策。
- •該系統採用 AVLA（Action-Vision-Language-Action）與世界模型（World Model）的雙引擎架構，實現心理模擬與技能執行的結合。
- •模型透過捕捉家庭環境中的「近成功」與「近失敗」案例進行持續優化，無需重新訓練參數即可提升決策品質。
- •截至 2026 年中，該技術已部署於超過 500 個上海家庭，累積服務時數達 5 萬小時，滿意度達 97%。
- •未來不遠於 2026 年 7 月完成近 10 億元人民幣融資，投資方包括字節跳動與匯川產投。
📊 競品分析▸ Show
| 競爭對手 | 產品 | 特色 | 備註 |
|---|---|---|---|
| 優必選 (UBTECH) | U1 機器人 | 強調人形結構與運動控制 | 2026 年發布 |
| 樂享 (LeXiang) | M1 機器人 | 專注於家庭服務場景 | 2026 年發布 |
| 戴納機器人 (Dyna Robotics) | 大規模世界行動模型 | 對標主流 VLA 架構 | 研發階段 |
🛠️ 技術深入
- 雙引擎架構：結合 AVLA 確保執行可靠性，並利用世界模型進行任務預測與評估。
- 數據閉環機制：系統自動記錄實際結果與預測的偏差，將失敗案例轉化為優化決策的訓練數據。
- 具身因果學習：透過 In-Context 學習機制，使模型在凍結參數的情況下，根據當前環境上下文調整行動策略。
- 應用整合：該技術於 2026 年 5 月正式導入第二代家用管家機器人 F2。
🔮 前景展望AI analysis grounded in cited sources
家用機器人將在 2027 年前實現 99% 以上的任務自主決策率。
隨著自進化 WAM 對「近失敗」案例的累積與學習，模型在非結構化家庭環境中的適應性將呈現指數級增長。
具身智慧領域將出現「數據飛輪」效應，導致市場集中度大幅提升。
擁有大量真實家庭部署數據的企業，能更快速地優化世界模型，從而建立難以逾越的技術壁壘。
⏳ 時間線
2022-01
未來不遠（Futuring Robot）正式成立，專注於全端具身智慧研發。
2026-05
自進化 WAM 技術正式整合至第二代家用管家機器人 F2。
2026-07
完成近 10 億元人民幣融資，由字節跳動與匯川產投領投。
📎 來源 (8)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
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： 量子位 ↗
每週 AI 簡報
每週一封，可隨時退訂。