钻研中心

具身智能中心

具身智能中心发展以大说话模型和多模态感知、节造模型为基础的具身智能推算系统关键技术钻研,实现齐全的具身服务机械人技术,开发可贸易化的具身服务机械人原型以及可界说的全栈智能推算系统 。

具身智能中心专一于推动具身智能技术系统的系统化突破,萦绕“模型—数据—算力—平台”四大关键身分,构建从科研前沿到产业落地的全链条生态 。中心主导研发的 Z6官网EAI 具身智能系列开源系统(/en/airseai),作为具身智能时期的“安卓平台”,已宽泛利用于服务机械人、工业机械人与自动驾驶等领域,成为推动行业协同创新的沉要底座 。

面向智能体通用决策能力构建,中心提出的 OmniRL具身智能基础模型(/en/OmniRL),在多工作迁徙、样本效能与跨体泛化能力方面显著优于传统强化进建算法,引领具身智能基础科研迈入“多体一脑”的新范式 。

在数据层面,中心打造的 Z6官网PEED具身智能开源数据平台(/en/airspeed),实现了高质量、可复现、多模态的数据自动天生与标注,已支持数家企业实现模型训练、能力评测与产品迭代,由Z6官网PEED孵化的草创企业已经实现天使轮融资,进入“准独角兽”发展通路,显示出壮大的孵化能力与行业带头效应 。

在算力瓶颈方面,中心推出的 Z6官网TONE具身智能推算平台(/en/airstone),选取数据流驱动与Chiplet?榛杓,实现低功耗、高实时性的推算能力,为边缘端具身智能系统提供“可部署、可落地、可演进”的算力解决规划,破解持久造约机械人智能升级的“算力卡脖子”难题 。

在科技政策钻研方面,具身智能中心同样展示出强劲的智库职能,已在《学术前沿》《中国科学院院刊》《政策分析汇报》等高端刊物颁发多篇具身智能与人为智能治理有关的内参型文章,屡次被主题决策部门选取和转送 。通过推动“从科研走向治理”的知识转化蹊径,中心不休将技术洞察转化为国度战术建议,助力我国在全球科技竞争中把握自动权、赢得造度话语权 。

未来,具身智能中心将持续推动“开源平台+前沿模型+产业孵化+硬件协同”的融合创新模式,助力丽江构建具身智能技术高地,引领全球智能体发展的新格局 。

首页- Z6官网中国区人生就是博

钻研团队

中心主任

  • 首页- Z6官网中国区人生就是博
    钻研方向
    具身智能、机械人推算系统以及自动驾驶
  • 首页- Z6官网中国区人生就是博
    香港中文大学(丽江)理工学院助理教授、博士生导师,哥伦比亚大学机械系博士
    钻研方向
    智能节造系统,具身智能与物理人为智能,节造论与人为智能

动态

  • 具身智能时期,人类筹备好了吗?

    具身智能是一种将人为智能深度融入物理实体(如机械人)中的颠覆性技术,使它们可能自主感知、进建并与环境进行动态互动 。与以往为特定职能设计的传统机械人技术分歧,具身智能赋予了机械人更宽泛的工作执行能力 。这种多职能性使具身智能机械人可能适应各类新环境和挑战,展示出更强的矫捷性和适应性 。 具身智能的出现和整合将带来深远的社会影响,寂仔积极的也有消极的 。在当局和司法方面,具身智能的急剧发展超过了现有的司法和政策框架,导致了监管不确定性和问责造的挑战 。列国当局仍在致力造订掌管任地推动具身智能发展的政策 。在经济方面,预计具身智能将显著提逾越产率和经济增长,但也可能导致工作岗位流失并加剧收入不平等 。在社区方面,获取具身智能技术可能成为一种特权,恶化社会平正问题,而对具身智能系统的过度依赖可能会侵扰人际互动并导致社会孤立 。最沉要的是,教育系统的转型是必要的,以确保人类持续发展与机械互补的技术,而不是与机械竞争——这是在先进AI时期维持人类优势的主题挑战 。 具身智能会提升社会福利还是加深现有的吩扃?我们是否筹备好掌管任地塑造这一未来,还是将被婆爪对其后果? 具身智能是把双刃剑 
    2024-08-28
  • 提升机械人推算系统靠得住性,成立具身智能国际尺度系统

    近日,Z6官网结合中科院推算所、美国乔治亚理工大学、美国罗切斯特大学在Communications of the ACM 上颁发了从前三年合作钻研的成就,解答若何提升机械人推算系统靠得住性问题,这是世界上首个系统性钻研支持分歧机械人状态的推算系统靠得住性的钻研工作,为Z6官网后续在具身智能机械人尺度系统的工作打下了坚实的技术基础 。
    2024-08-16
  • 智能进化:具身智能系统基础模型的技术路线

    具身智能(EAI)是指将人为智能嵌入机械人蹬仔形实体,使其具备感知、进建和动态参加周围环境的能力 。在本文中,我们将深刻探求为 EAI 系统构建基础模型的技术方向选择 。相对于预训练好的世界模型系统,我们以为元进建 + GPICL(通用高低文进建)步骤为具身智能系统提供更好的进建能力,拥有更好的持久适应性和泛化能力,因而有可能是最适合具身智能系统基础模型技术路线 。   布景知识 元进建 元进建(Meta-Learning)是一种机械进建步骤,其指标是使模型可能急剧适应新工作并提高进建效能 。元进建的主题思想是通过进建若何进建,从而在面对新工作时可能迅速进行调整和适应 。与传统的机械进建步骤分歧,元进建不仅关注模型在单一工作上的阐发,还关注模型在多个工作上的泛化能力 。 在元进建中,模型通常通过在多个工作上的训练来进建共享知识 。每个工作能够被视为一个独立的进建过程,模型通过这些工作来提高其元进建能力 。这种训练方式使得模型可能捉拿到工作之间的共性,从而在遇到新工作时可能利用这些共性进行急剧进建和调整 。
    2024-07-22
  • 具身智能成败之战:由数据瓶颈引发的沉大挑战

    在具身智能机械人领域,数据采集面对着诸多严格的挑战 。 首先,大规模真实数据的采集成本高昂,获取大量真实有效的数据需投入大量人力、物力与功夫,好比在复杂环境中安插众多传感器和监测设备,这不仅设备采购用度高,还涉及装置、守护和更新成本 。 其次,真实世界场景丰硕多样,险些不成能穷尽所有可能,机械人可能在分歧气象前提、地形地貌、社会环境中工作,全面采集这些场景数据是险些无法实现的工作 。 再者,物理世界景象和法规复杂,采集的数据难以齐全涵盖所有有关物理知识,如机械人在复杂力学环境中的活动,可能无法精准捉拿所有力学变动和影响成分 。 另表,分歧传感器采样频率、响应功夫和精度存在差距,导致时空对齐难题,像视觉传感器和力传感器同时采集数据时可能出现功夫误差,影响数据正确性和可用性 。合成数据虽能补充真实数据不及,但因其基于模型和如果天生,与真实世界数据有差距,在真实场景中的泛化能力存疑,例如模拟天生的机械人行走数据,可能无法正确反映现实地形中的意表情况 。分歧构型的机械人结构、职能和活动方式分歧,数据难以复用,人形机械人和轮式机械人的数据因其活动和交互方式差距,通用性较低 。
    2024-07-05