深圳商报·读创客户端记者 张郗郡
在人工智能的语境中，大模型依靠离散表征单元完成统一计算。正如大语言模型以Token（词元）作为最小文本语义处理单元，智能驾驶也已普遍采用多模态token的思路，把摄像头、激光雷达、道路、驾驶动作等转化为统一的离散特征单元。而具身智能则受机器人本体、任务类型和空间高度异构的制约，至今没有一套全行业公认、可通用的标准数据格式。
6月24日，通用具身智能企业RoboScience机器科学在深圳举行的发布会中，以物体第一性的原则重新定义了具身智能的“token”。会上，机器科学正式发布其自研通用具身大模型Visics，并完整披露模型的技术架构VLOA（Vision-Language-Object-Action），现场展示了模型在物品抓取、物流辅助、家具拼装等场景中的真实应用。
会上，RoboScience机器科学创始人兼CEO田野指出，当前机器人操作面临泛化能力差、精细操作难、长程任务误差累积三大核心瓶颈。而Visics大模型的突破在于首次通过自研技术架构VLOA，以物体移动的Object Trajectory（物体3D点云轨迹）作为中间接口，让机器的“认知”与“执行”分离。
在RoboScience机器科学联合创始人、执行总裁汪涛看来，传统的VLA架构本质上是模仿学习，即对硬件行动轨迹的刻板复制，这一行动逻辑所带来的问题之一就是模型和硬件强绑定。“一旦换一个场景或任务，训练好的模型便不再能复用。”汪涛表示，“而我们所定义的Object Trajectory，关注的是被操作物体在三维空间中的运动轨迹或状态变化，与行为主体或动作本身没有直接关系，由此实现能够跨本体、跨物体、跨任务的通用大模型。”
根据现场演示，以抓取操作为例，相比现有基于特定物体和机械臂的方法，搭载VLOA架构的装置在成功率、姿态多样性及计算速度上均有提升。
在内部架构上，Visics采用了“具身世界模型+通用操作模型”的双引擎结构。其中具身世界模型负责认知和预演物理轨迹，即通过感知物体的3D点云轨迹对未来进行预演，想象出物体的运动轨迹；通用操作模型负责将轨迹转化为不同机器人的物理控制信号，即根据物体的点云运动轨迹，把事情执行出来。两者通过Object Trajectory（物体3D点云轨迹）这一具身智能的“token”作为中间接口，以此来实现高层语义与底层物理规律的解耦。
在具身智能领域，数据是模型能力的根基。但面对传统数据路线在成本与产能上的双重天花板，机器科学放弃了真机预训练与人工数据标注等传统方式，选择自研仿真物理引擎RoboMirage，“以算力换时间”。据汪涛分享，Visics的具身世界模型使用互联网中的海量视频数据进行预训练，目前团队已积累数百万小时相关数据集；通用操作模型则通过RoboMirage进行仿真后训练，目前也已积累超百亿次高质量操作轨迹数据集。这样一来，公司单条数据的获取成本降至传统方案的1/20~1/200，同时还以每周数十万小时的增速持续扩展，有效突破了具身智能训练中数据规模与成本的双重瓶颈。
RoboScience机器科学成立于2024年12月，在北京、深圳、苏州、杭州均设有研发和生产中心，其中公司总部将于8月正式迁至深圳宝安。目前，公司已获得京东、商汤科技、达晨财智、招商局创投、零一创投、普华资本等多家CVC和财务机构的投资及产业支持，也与多家零售、物流、康养服务企业及机器人本体、灵巧手公司开展试点合作。
根据发布会上的消息，公司将于8月发布首个机器人本体。未来，机器科学将以具身通用大模型为核心，纵向打通自研本体、控制器与RobotOS，横向赋能模型泛化、便捷开发与多层级生态，构建软硬一体、闭环协同的商业模式。
（图片由受访对象提供）
举报/反馈