机械行业一周解一惑系列：机器人x具身智能的再思考

主要内容总结

1. Transformer架构与具身智能

• 英伟达COSMOS平台：使用Transformer架构生成高度仿真的虚拟世界状态，包括自回归模型和扩散模型。
• 李飞飞团队：推出W.A.L.T模型，利用Transformer架构实现多模态生成与训练，以及ReKeP模型，通过视觉与语言模型结合实现复杂操作任务。

2. 多模态机器学习模型-VLA模型

• 基于Transformer架构的VLA模型：有效融合视觉、语言和行动指令，实现智能体对环境的理解与任务执行。
• 典型模型比较：TO模型和RT2模型均采用VLA架构，TO模型在泛化能力上表现更好，但实时性略逊于RT2模型。

3. 具身智能的后续进展

• 千寻智能：推出Pi0模型，通过训练机器人具身经验，实现端到端的通用趋势。
• 星海图：强调“一脑多形”，希望构建一体化的空间智能模型，实现对物体的三维理解和操作。

4. 灵巧手算法与触觉感知

• 上海交大团队：提出VITaM框架，通过视觉与触觉联合学习实现动态手-物交互的几何建模与形变追踪。
• 触觉手套设计：通过38个区块的力传感道和深度相机采集数据，实现高精度的动态交互感知。

5. 视觉与触觉融合技术

• 视觉-触觉联合算法：通过触觉与视觉数据融合，实现动态手-物体交互的几何建模与形变追踪，促进智能体在人机交互中的理解能力提升。

6. 投资建议

• 关注具备稀缺卡位优势的公司，如灵巧手环节的兆威机电、视觉领域的奥比中光、触觉电子皮肤的福莱新材等，以及机器人创业公司和总成代工企业。