机器人端侧模型的十字路口

大模型、机器人与芯片厂商的拉力赛。

原标题：机器人端侧模型的十字路口
文章来源：AI科技评论
内容字数：14620字

大模型、机器人与芯片厂商的“不可能三角”：谁将破局？

近年来，大模型和具身智能机器人成为科技发展两大驱动力，两者结合提升机器人智能水平成为重要趋势。然而，大模型在机器人终端的落地却面临“不可能三角”的困境：模型厂商依赖芯片厂商，芯片厂商依赖机器人厂商，机器人厂商又依赖模型厂商，形成负反馈循环。

1. 大模型赋能机器人：挑战与机遇

大模型为机器人提供“大脑”，提升其泛化和规划能力，但目前主要用于简单任务理解和拆分。大模型的泛化、规划、纠错等能力在机器人领域的应用仍处于初步阶段，主要原因在于：

1. 缺乏适合机器人的模型框架：目前缺乏像LLM一样统一的架构，不同形态的机器人对大模型有不同要求。

2. 数据不足：模型厂商难以获取大量、多元化的预训练数据，导致模型泛化能力不足，尤其在精细动作控制方面。

3. 知识壁垒：大模型厂商和机器人厂商之间存在知识壁垒，难以有效融合。

2. “机器人大脑”的三角拉力赛

机器人厂商的量产不足是核心问题。目前机器人主要面向专业用户，应用场景有限，导致数据积累不足，难以训练出高性能的模型。这又反过来影响芯片厂商的研发投入，因为缺乏市场需求，适配机器人端侧模型的芯片迭代缓慢。

1. 数据标注困难：机器人数据采集和标注成本高昂，需要真机采集多元化数据。

2. 算力瓶颈：云端大模型难以在机器人端部署，而端侧小模型能力有限，需要在能力和算力之间寻求平衡。

3. 芯片适配难题：模型需要与不同芯片适配，且低功耗芯片的算力限制严重影响模型性能。

3. 如何打破“死循环”？

打破“不可能三角”需要三方合力：模型厂商、芯片厂商和机器人厂商需要共同努力。

1. 端云协作：在云端训练大模型，再通过知识蒸馏等方式得到小模型部署在终端。

2. 非Transformer架构：探索非Transformer架构，降低算力要求和功耗。

3. 芯片适配优化：模型厂商和芯片厂商合作优化推理框架，充分利用芯片算力。

4. 机器人厂商提升量产：增加机器人出货量，扩大应用场景，吸引更多资源投入。

最终，机器人大模型的发展需要模型、芯片和机器人厂商的共同努力，只有打破现有瓶颈，才能形成正向循环，实现机器人智能水平的快速提升。

联系作者

文章来源：AI科技评论
作者微信：
作者简介：雷峰网旗下AI新媒体。聚焦AI前沿研究，关注AI工程落地。