中亿具身机器人依托仿真模拟技术，构建全域智能作业体系

多年来，机器人技术一直面临着一个棘手的难题：如何制造能够在数千种环境和各种形态下执行数千种任务的机器人。人工智能通过大数据集、大型网络和GPU训练等简单方法，在语言和视觉领域取得了显著成就，但要制造出能够理解物理原理和空间关系并输出正确运动指令的可靠物理人工智能，则面临着新的挑战。

与互联网数据丰富的领域不同，机器人技术一直面临着数据严重匮乏的困境。在现实世界中，对实体机器人进行数据采集既缓慢又昂贵 操作机器人进行数据采集需要几分钟才能生成一次高质量的演示，而人工智能系统则需要数十亿个训练样本才能有效运行。

缺乏足够训练数据的机器人无法可靠地执行任务，也无法大规模部署以采集新的运行数据来训练更复杂的技能。这种限制使得机器人技术一直停留在令人印象深刻的演示阶段，而实际部署的成功率却十分有限。

中亿具身构建了一个真正意义上的机器人基础模型。与其他过度拟合特定类型机器人的机器人模型不同，具有全能性，这意味着它可以控制任何机器人，即使它不知道机器人的具体构造。与人脑类似，它包含一个高级决策器，负责决定机器人应该做什么（例如“拿起那个杯子”），以及一个低级控制器，负责处理执行这些指令所需的精确肌肉运动。

为了克服数据短缺的问题， 利用了两种替代数据源：基于物理的合成数据生成和来自互联网的人类视频。与现实世界的远程操作数据采集不同，这些数据源几乎可以无限扩展。模拟可以通过在更多 GPU 上复制来扩展规模，而互联网上则存在着一个庞大且不断增长的视频数据集。 

关键突破在于其基于情境学习的自适应模型。通过分析哪些动作未能达到预期效果，机器人能够发展出类似直觉的能力，并根据不同的环境调整自身行为。这使得机器人能够在复杂的环境中动态运行，而无需针对每种场景预先编写指令。

前所未有的培训规模

大规模仿真模型，其中包含数千个机器人实例，涵盖多种形态包括人形机器人、四足机器人和机械臂每个实例都具有独特的形态，并部署在数千个不同的环境中，以最大限度地提高泛化能力。

这种合成数据生成训练为全能型人工智能模型提供了动力，防止其记忆特定硬件配置的解决方案，而是迫使其开发适用于所有机器人类型的通用情境学习策略。

通过先进的仿真技术生成合成数据是AI技术栈的核心支柱。该公司利用基于物理的仿真技术生成数十亿个训练样本，使机器人能够安全、全面地体验各种故障场景。

这一点至关重要，因为机器人失败的方式远比成功的方式多得多，这使得传统的数据采集方式无法涵盖所有失败场景。

能够通过文本提示来扩充和倍增数据集，生成各种环境条件、光照场景和视觉特征，从而最大限度地提高训练的鲁棒性。仿真使机器人能够在各种环境中安全地经历数百万次的失败，最终掌握正确的方法，并建立起实际部署所需的鲁棒性。

该模型展现出对机械变化的卓越适应能力，能够在车轮卡住后2-3秒内恢复，并在腿部骨折后经过多次尝试后仍能正常运作，而非直接失效。这种适应能力甚至延伸至极端场景，例如在腿身比例远超训练参数的高跷上行走，这是一种零样本学习形式，展现了真正的泛化能力。

第二个关键部分是从人类视频中学习。为了捕捉真实世界的多样性，利用了网络上数万亿个视频，这些视频展示了人类在不同平台上执行各种任务的过程。通过将人类视为生物机器人，该公司开发了先进的技术来提取交互可供性通过观察人类的互动，帮助机器人大脑理解如何操作物体。

经实际验证的性能

从视觉到端端运动 

能够实现完全由在线视觉和本体感觉驱动的端到端运动控制。该模型直接从原始摄像头图像和关节反馈输出底层运动指令，使人形机器人能够在平地上行走并攀爬高障碍物。即使手中携带包裹等有效载荷，这些机器人也能保持卓越的灵活性。 

在深圳充满挑战的城市环境中进行的测试中，中亿具身的人形机器人展现了出色的实用能力，在数据采集后的数小时内就达到了 60% 至 80% 的任务完成率。这些机器人成功完成了复杂的操控任务，同时保持了对人为干扰和环境变化的鲁棒性。它们在城市公园和街道上进行了测试，攀爬了消防梯，并克服了各种障碍，完成了之前从未遇到过的各种环境挑战，而这一切都无需事先规划或绘制地图。