机器人上岗后还能继续学?智元GO-3把预训练到部署串成一条链

流云 2026-11-03 1533 0条评论
摘要: 机器人这行有个老问题:模型在实验室里练得再好,换到真实场景还是会翻车,而且翻车之后怎么改,往往得推倒重来。智元机器人10月底发布的GO-3 Preview,想解的就是“练完之后怎么...

机器人这行有个老问题:模型在实验室里练得再好,换到真实场景还是会翻车,而且翻车之后怎么改,往往得推倒重来。智元机器人10月底发布的GO-3 Preview,想解的就是“练完之后怎么继续长本事”这件事。它把预训练、后训练和部署后学习串成一条链路,官方称系列在三项评测中领先,计划2026年底全面开源,目前暂未开放权重下载。

先说预训练这头。约九成数据来自人类第一视角视频,覆盖范围比机器人示范广得多。WRAM架构用CoAE提取面向控制的视觉表征,SVP预测未来视觉状态,KASO筛选与动作相容的候选未来,再由逆动力学模型生成动作。说白了就是从人类视频里学物体交互和物理变化,再结合机器人自身轨迹建立状态到动作的映射。官方称数百种任务可开箱即用,复杂操作靠少量示范补精度。在AI模型库的具身分类里,这种“以人类视频为主粮”的预训练路线,和纯真机数据训练的模型形成了明确区隔。

后训练这头叫Genie Evolver,把真机、物理仿真与世界模型编成一套系统。百台级真机给物理反馈,靠群体经验学习汇聚成败,仿真扩大练习范围,世界模型从真实经历的关键决策点推演候选动作结果,再由真机反馈修正。官方给了一组数字:同等训练时间下,随参与学习的真机规模扩大,手机包装成功率从50.8%升到98.3%,120次测试的失败次数从25次降到2次。这组数据的意义不在绝对值,而在于它说明了一件事——真机规模本身就能换来成功率提升,不必等模型换代。

部署后学习是第三条链。Genie Master组织任务规划、执行检查、异常恢复与经验记忆,EEP协议负责把判断落成动作。官方披露,搭载Genie Master的精灵G2在真实便利店部署验证中,完整任务成功率从首日28.6%升到5天后85.7%,系统靠记录失败原因、调整执行策略持续改进。成败与恢复过程会回流成下一轮训练素材。对于关注AI工具导航的读者,这个闭环值得注意:它把“部署”从终点变成了下一轮训练的起点。

换本体也能迁移。模型在自有双足本体X2上完成双手持物开门、跪地取物等动作,说明动作策略没绑死在单一形态上。对比同赛道,UnifoLM-WLA-1.0权重代码全开源、约2500小时真机数据;Helix 2.5未公开权重、偏陌生家庭零样本家务;GO-3 Preview偏长程操作与部署后学习,开源承诺年底落地但暂未兑现。三者的开源情况和主要用途差异最大,选型时得先看自己是要开箱即用、要零样本泛化,还是要部署后持续进化。

适用人群上,它适合已有人形或轮式本体、手里有真机集群的机器人团队,也适合在仓储、零售场景做具身落地的集成方。只想做算法预研或仿真验证的团队,开放度更高的基座模型更合适。使用路径目前有三条:官网核对本体型号与版本口径;本地真机集群按Genie Evolver思路采集轨迹做混合环境后训练;具身Agent编排走EEP协议接业务系统,但普通开发者的调用接口还没开放,接入方式以官方后续发布为准。在AI办公软件推荐的语境里,这类模型还不是即插即用的工具,而是项目级投入——本体采购、真机集群场地运维、数据采集与训练人力,三块成本都得算进去。

几个坑提前说。Preview阶段的数字来自官方披露与媒体报道,评测集和本体配置都由智元指定,换到自己的产线需要重新标定。真机采集与复现的成本远高于仿真,先在小批量任务上验证再扩大规模。官方承诺年底开源,但开放范围以正式发布为准,别拿预告当承诺。

GO-3 Preview的价值不在于某一项分数登顶,而在于它把“部署后学习”做成了链路里的一环。预训练看人类视频、后训练靠真机集群加世界模型、部署后靠失败记录回流——三段串起来,机器人才有可能在真实业务里越干越熟。具身智能正在从“练好再上岗”走向“上岗后继续练”,GO-3是这条路线上的一个明确信号。


文章版权及转载声明:

作者:流云本文地址:https://sanwenge.com/post/1553.html发布于 2026-11-03
文章转载或复制请以超链接形式并注明出处三文阁