新智元报道
编辑：桃子好困
刚刚，OpenAI 重金押注的人形机器人初创 1X 终于揭秘了背后的「世界模型」——它能够根据真实数据，生成针对不同场景的中的行为预测！机器人领域的 ChatGPT 时刻，或许真的要来了。
月初，OpenAI 投下重注人形机器人初创 1X，终于放出了 NEO 官宣视频。
它的首次现身，就惊艳到所有人。
不仅外观上，被戏称为「穿着西装的人」，而且在能力上，帮女主拎包、一起下厨，妥妥的一个通用家庭机器人。
它专为人类设计，去完成我们不愿意做的各种家庭任务，比如清洁、整理等等。
时隔半个月，1X 终于发布了 NEO 背后的「世界模型」。
有了这个虚拟世界模拟器，NEO 可以预测有用的物体交互。
简言之，它们完全可以生成，各种环境中的视频画面。
比如，叠一件T恤、拉开窗帘这类可变性物体，家里随处可见，但却很难将其放入虚拟世界模拟器中。
有趣的是，1X AI 副总裁 Eric Jang 称，他们在办公室专门放了一个全身镜，这样「模型」可以在镜子中，认出自己。
NEO 现在有了自我反思的能力，不过，自我意识还没觉醒。
通过理解世界，并与之交互，1X「世界模型」可以生成高保真视频，并在神经网络中，重新规划、模拟和评估。
这也是世界模型，之于机器人的重要性。
1X 创始人兼 CEO Bernt Bornich 表示，首次证明了人形机器人数据，正显著地推进 Scaling Law。
谷歌 DeepMind 机器人高级研究员 Ted Xiao 表示，1X 的「学习型」世界模型能够随着惊艳、物理交互数据不断改进。
- 世界模型很可能是在多智能体环境中，实现可重复和可扩展评估的唯一前进的方向。（参加自动驾驶中世界模型评估成功案例）
- 基于 2024 年 AI 技术，比基于去年的技术更容易构建世界模型。
- 一旦世界模型足以用于评估，它们很可能已经至少完成了 90% 的训练工作。
机器人「世界模型」来了！
直白讲，世界模型就是一种计算机程序。
它能够想象出，世界如何随着智能体的行为而演变。
基于视频生成和自动驾驶汽车世界模型研究，1X 由此训练出自家的世界模型，作为 NEO 的虚拟模拟器。
从相同的起始图像序列出发，1X 世界模型可以根据不同机器人的动作，预测多种可能的未来场景。
左：去左侧的门；中：弹空气吉他；右：去右侧的门
那么，具身机器人的存在，最重要的是能够与物理世界交互。
而在万千繁杂的世界中，如何有效交互就成为了难题。
世界模型，能够帮助 NEO 完成精准地交互，比如刚体、物体掉落的效果、不完全可见物体（杯子）、可变形物体（窗帘、衣物）、铰接物体（门、抽屉、椅子）。
它能够将餐盘放入沥水架子中。
它还可以拉开窗帘。
从抽屉拿出东西等等。
具身机器人难题——评估
另外，世界模型解决了构建通用机器人时，一个非常实际但常被忽视的挑战：评估。
假设训练机器人执行 1000 个独特的任务，那么很难判断一个新模型是否真的在所有任务上，都比之前的模型有所改进。
更令人困扰的是，即便模型权重相同，但由于环境背景或环境光线的细微变化，性能可能在短短几天内下降。
研究人员训练了一个机器人叠T恤的模型，性能在 50 天内逐渐下降。
而且，如果环境不断持续变化，实验的可重复性便成为难题。
尤其是，在家庭、办公室这样的环境中，去评估多任务系统，这一问题就会变得更加棘手。
基于这些因素，使得在真实世界中，开启严谨的机器人研究变得异常困难。
当 scaling 数据、算力、模型规模时，AI 系统能力将如何扩展的问题，可以通过精准测量进行预测。
Scaling Law 已经成为 ChatGPT 这样的通用 AI 系统，性能提升的有力支撑。
因此，如果机器人领域想要迎来属于自己的「ChatGPT 时刻」，必须首先建立起它的「Scaling Law」。
从原生数据中学习，预测未来场景
基于物理模拟的引擎，诸如 Bullet、Mujoco、Isaac Sim、Drake，已成为快速测试机器人策略的合理方法。
而且，这些模拟器可以重置、重复使用，进而研究人员能够仔细比较不同控制算法。
然而，这些模拟器主要是为「刚体动力学」设计的，并且需要大量人工数据收集。
那么，如何让模拟机器人打开一盒咖啡滤纸、用刀切水果、拧开一罐果酱，或与人类、其他 AI 智能体互动呢？
家庭环境中，常见的日常物品、宠物很难模拟，训练机器人极度缺少真实世界的用例。
因此，在有限数量任务中，对机器人进行小规模真实/模拟评估，并不能准确预测其在真实世界中的表现。
也就是说，这样训练出的机器人，很难具备真实世界「通用泛化」能力。
1X 研究团队采取了全新的方法，来评估通过机器人：
直接从原生传感器数据中学习模拟，并利用它在数百万情境中，评估机器人策略。
这种「世界模型」方法的优势在于，可以一键获得真实世界所有复杂数据，而无需手动创建资产。
过去一年里，1X 团队收集了超 5000 小时 EVE 人形机器人数据。
这些数据包括，机器人在家庭和办公室环境中，执行各种移动操作任务，以及与人互动的场景。
然后，他们将视频和动作数据结合，训出一个世界模型。
这个模型非常强大，不仅能够根据所观察到的情况，执行动作，还能生成视频，预测未来的场景画面。
动作可控，「脑补」弹空气吉他
1X 世界模型能够根据不同的动作指令，生成多样化的输出。
如下图所示，展示了基于四种不同动作序列，生成的各种结果。这些动作序列，都是从相同的初始画面帧开始。
与之前一样，这些所展示的示例，都不包含在训练数据中。
世界模型的主要价值在于，能够模拟物体之间的交互。
在接下来的模拟生成中，研究人员为模型提供相同的初始场景，并设置了三组不同的抓取盒子的动作。
在每个模拟场景中，被抓取的盒子，会随机械手运动而被提起和移动，而其他未被抓取盒子纹丝不动，保持原位。
即便没有给出具体的动作指令，世界模型也能生成看起来合情合理的视频。
比如说，它能自己在前行时，避开行人和障碍物，这种行为是很符合常理的。
模拟叠T恤，长期任务也在行
此外，1X 还可以生成长视频。
正如开头所展示的例子，NEO 模拟了一个完整的T恤折叠演示。
值得一提的是，T恤等可变形物体，往往在「刚体模拟器」中难以实现。
当前存在的问题
不过，1X 的世界模型同样存在一些问题。
物体一致性
比如，模型在与物体交互的过程中，可能无法保持物体的形状的和颜色一致性。
尤其是当物体被遮挡，或者以不理想角度呈现时，世界模型在生成视频过程中，物体外观可能会出现变形。
有时，物体甚至完全消失不见。
比如，在执行拿起红色小球并放置在盘子上这一动作时，球在过程中莫名其妙地就消失了。
物理学定律
而且，它也不懂物理世界中的基本定律。
有时候，NEO 能够对物理属性有自然的理解，比如松开机械手之后，勺子会掉落到桌子上。
但在很多情况下，生成的结果并没有遵循物理法则，比如下面这个，盘子就直接悬在了空中。
这说明，世界模型并不理解所有物体，都受到竖直向下的重力作用。
自我认知
另外，研究人员让 AI 机器人 EVE 走到镜子前，观察其是否会生成与镜子中的相对应的行为。
没想到，它在抬起另一只手臂时，镜子中没有同步。
可见，现在 1X 模型没有自我意识的表现。
参考资料：
