>> 國泰君安-產(chǎn)業(yè)研究：人形機(jī)器人產(chǎn)業(yè)熱點(diǎn)，端到端架構(gòu)-240307
| 上傳日期： |
2024/3/8 |
大?。?/td>
| 798KB |
| 格式： |
pdf 共2頁 |
來源： |
國泰君安 |
| 評級： |
-- |
作者： |
鮑雁辛,肖群稀 |
| 下載權(quán)限： |
此報告為加密報告，僅限高級會員查看 |
|
|
彭博社報道：微軟、OpenAI、英偉達(dá)、亞馬遜、英特爾、三星、LG等科技巨頭投資了人形機(jī)器人初創(chuàng)企業(yè)Figure AI，本輪融資約6.75億美元，投后估值超過26億美元。為什么Figure AI的估值高達(dá)26億美元？機(jī)器人是AI落地的重要場景，F(xiàn)igure AI的優(yōu)勢不僅在硬件技術(shù)上，更體現(xiàn)在AI能力上。
Figure AI的人形機(jī)器人Figure 01采用端到端的AI系統(tǒng)，特斯拉Optimus基于FSD控制系統(tǒng)和Dojo算力也可以實現(xiàn)端到端。24年1月，F(xiàn)igure AI發(fā)布了Figure 01通過10小時學(xué)習(xí)學(xué)會煮咖啡的視頻，如果咖啡膠囊沒放正，他還可以自主調(diào)整，無需人為遙控，這意味著只要獲得某個應(yīng)用的人類數(shù)據(jù)（如煮咖啡、疊衣服、倉庫工作等），就可以在Figure 01的基礎(chǔ)上對AI系統(tǒng)進(jìn)行端到端的訓(xùn)練。2023年9月25日特斯拉展示了Optimus自動分類不同顏色的積木的視頻，它同樣具備自主糾正能力，積木倒了，可以自主拿起來再擺正。Optimus這套基于神經(jīng)網(wǎng)絡(luò)的AI系統(tǒng)來自于AI自動駕駛系統(tǒng)FSDBeta V12，可以實現(xiàn)輸入圖像，輸出轉(zhuǎn)向、剎車、加速等車輛控制信號的能力。
端到端架構(gòu)的優(yōu)勢：可以克服傳統(tǒng)方式依賴先驗環(huán)境建模的問題，直接實現(xiàn)通過從感知到控制功能的映射。傳統(tǒng)的AI/機(jī)器人的決策邏輯是輸入（視頻/圖片/文本）→判斷→輸出（決策），每個子系統(tǒng)之間常常會有部分Rule-based的后處理流程。端到端是輸入（視頻/圖片/文本）→模型（神經(jīng)網(wǎng)絡(luò)）→輸出（決策）：通過篩選輸入，把“大師級”的能力賦予模型（神經(jīng)網(wǎng)絡(luò)），模型在某些場景下就具備了“大師級”。端到端的優(yōu)勢是全流程可微，系統(tǒng)變得相當(dāng)簡潔，效率大幅提升，減少了很多后處理模塊例如傳感器后融合的的維護(hù)成本，還能避免編寫大量規(guī)則引入的人為偏見。理想情況下，可以去采集類似的數(shù)據(jù)加入訓(xùn)練集來解決泛化問題。
端到端架構(gòu)存在的關(guān)鍵問題：1)端到端深度神經(jīng)網(wǎng)絡(luò)模型是個黑盒子，出了差錯，也不知道它為什么出差錯，哪里出了問題，該如何避免。只能通過不斷訓(xùn)練、調(diào)參、增加參數(shù)量，盡可能提高模型的準(zhǔn)確率；2)閉環(huán)訓(xùn)練不充分：AI沒有完成控制，那就沒有完成閉環(huán)，在NLP+CV+世界模型突破的情況下，如果AI找到了很好的控制訓(xùn)練方法，機(jī)器人領(lǐng)域才能突破奇點(diǎn)。傳統(tǒng)的感知模型訓(xùn)練時，需要的是經(jīng)過標(biāo)注的圖片和視頻，比較容易獲得。端到端的神經(jīng)網(wǎng)絡(luò)模型需要學(xué)習(xí)的是智能體的行為，需要大量標(biāo)注有智能體行為的數(shù)據(jù)才能進(jìn)行訓(xùn)練，素材采集和標(biāo)注都很困難。特斯拉23Q2財報電話會議上，馬斯克介紹了端到端FSD的訓(xùn)練規(guī)模：“特斯拉花了約一個季度完成了1000萬個視頻片段的訓(xùn)練，勉強(qiáng)可以工作；200萬個，稍好一些；1000萬個，它的表現(xiàn)就變得難以置信?！?br> 端到端的實現(xiàn)需要海量數(shù)據(jù)和強(qiáng)大的算力做支撐，Sora覆蓋了傳感器仿真和交通流仿真兩個任務(wù)，能夠大幅提升數(shù)據(jù)生產(chǎn)效率。1）海量數(shù)據(jù)（可以是圖形/文字/視頻/語音）需要涵蓋在應(yīng)用場景中可能會發(fā)生的所有情形（例如咖啡膠囊放歪了，積木倒了），這樣才能讓機(jī)器人在遇到相似的情況下不需要依靠程序規(guī)則，直接模仿已有的相似的視頻做出決策。Sora的視頻編輯和操縱功能，可以作為自動駕駛系統(tǒng)中的場景重構(gòu)和仿真工具，也能為機(jī)器人生成多樣化的訓(xùn)練場景，減輕現(xiàn)實世界數(shù)據(jù)稀缺所帶來的限制，使機(jī)器人能夠與環(huán)境互動，理解任務(wù)并以前所未有的復(fù)雜性和精確度執(zhí)行任務(wù)。2）強(qiáng)大的算力是支撐運(yùn)行海量數(shù)據(jù)的基礎(chǔ)設(shè)施。TESLA在其官網(wǎng)平臺TESLAAI上預(yù)計：2024年10月特斯拉的算力將達(dá)到100ExaFlods，相當(dāng)于30萬塊英偉達(dá)A100顯卡的算力總和。
風(fēng)險提示：1）新技術(shù)出現(xiàn)；2）投資過度。
|
|
