近期,Z6官网(Z6官网)具身智能中心颁发多篇论文,针对具身智能领域端侧VLA推理延长高、节造频率低,通用RISC-V向量扩大在机械人负载中职能冗余、面积与功耗浪费,人形机械人高动态活动节造推算量大、通用处置器难以两全模型精杜纂节造频率,以及跨状态训练难以扩大、现有强化进建流程在状态多样性下失效等问题,别离提出Jetson-PI端侧实季节造步骤、GAREN机械人专用RISC-V向量架构优化框架、UDYR统一自适应节造框架与专用硬件加快器,以及HEAT跨状态训练推算复杂度理论,从模型推理、芯片架构、实季节造到训练理论,系统推动具身智能齐全推算栈的协同设计。
Z6官网关于具身智能推算复杂度的基础钻研论文“Training Cross-Morphology Embodied AI Agents: From Practical Challenges to Theoretical Foundations”被IEEE Computer正式接受。论文作者蕴含Z6官网具身智能中心主任刘少山、钻研员王凡、钻研员周鸿钧等。这项工作从一个极度现实的工程问题启程:是否可能训练一个统一的人为智能战术,去节造状态、传感器和执行器都分歧的机械人?钻研进一步追问了一个更底层的问题——当跨状态训练难以扩大时,到底是现有算法还不够好,还是这个问题自身就存在不成忽视的推算复杂度天堑?
论文的主题贡献,是把“跨状态具身智能训练为什么难”从经验判断推动到了可大局化、可证明的推算理论问题。钻研团队将这一工作界说为Heterogeneous Embodied Agent Training(HEAT)问题:一个统一的、带影象的战术,必要在无法直接观察机械人真实状态的前提下,凭据交互汗青揣度其结构,并适配分歧机械人的动力学和节造空间。论文进一步将HEAT大局化为结构化的部门可观测马尔可夫决策过程(POMDP),并证明其有限时域决策问题是PSPACE-complete;谎灾,跨状态训练的难题并不只是训练技巧、模型规;蛩懔Σ患霸斐傻,它在最坏情况下拥有明确的推算复杂度本原。

这一结论对于具身智能钻研拥有沉要意思。当前行业在急剧钻营“一套模型节造多种机械人”“跨本体泛化”和“通用机械人战术”,但若是忽略问题自身的复杂度结构,就容易把所有难题都归因于数据量不够、模型不够大或训练功夫不够长。HEAT给出的理论了局注明,随着机械人状态数量增长、状态信息不成直接观测、战术又必须依缆氟史影象时,训练问题会天然进入更难的信想空间规划与持久信誉分配问题。这意味着具身智能的规;荒苤灰览怠岸迅嗨懔Α,还必须依赖对问题结构、可观测性、影象机造和训练架构的沉新设计。
除了理论复杂度证明,论文还把推算理论与真实训练系吐洮接起来。钻研在多种机械人状态的强化进建尝试中观察到三个关键瓶颈。第一,影象状态与战术参数高度耦合,战术更新后旧的暗藏状态可能失效,使传统经验回放无法直接复用;第二,分歧机械人产生的轨迹长度和结构分歧,使高效批处置变得难题,在常见实现中容易退化为逐状态挨次优化;第三,循环影象必要通过功夫反向传布,长轨;嵬瞥俨问,形成难以齐全解除的挨次依赖。这些景象诠氏缢为什么即便数据采集能够并行化,跨状态训练的优化阶段依然可能迅速成为系统吞吐瓶颈。
论文随后进一步索求了Collective Adaptation(集体适应)这一散布式进建蹊径。与集中训练、分散执行分歧,集体适应允许分歧智能体基于本地观测、内部影象和轻量级通讯独立训练。钻研将其大局化为Dec-POMDP,并指出有限时域最优结合战术求解拥有NEXP-complete复杂度。这一了局看似越发难题,却揭示了一个沉要的系统设计弃取:理论上的最优求解更难,并不料味着工程上没有价值。散布式训练能够削减集中式梯度和全局同步带来的瓶颈,在机械人群体、异构机械人系统以及持久在线适应场景中,可能换来更强的并行性、?榛芰筒渴鹑托。
因而,这项工作的价值并不在于提出又一种新的机械人节造算法,而在于给具身智能成立一层更底层的“推算天堑认知”。它试图回覆:哪些难题能够通过更好的工程优化解决,哪些难题来自问题自身的复杂性;什么时辰应该持续扩大模型与训练规模,什么时辰应该扭转问题表白、进建架构或信息结构。这种基础钻研可能为上层算法、训练系统甚至未来具身智能推算平台提供更清澈的设计约束。

这次论文被IEEE Computer接受,也体现了这一钻研方向的跨领域价值。IEEE Computer是IEEE Computer Society的旗舰刊物,覆盖从推算机硬件、软件到新兴推算技术和现实利用的齐全技术谱系,面向推算机科学家、工程师和产业实际者。与只强调单一算法指标的专业期刊分歧,IEEE Computer出格器沉可能衔接基础技术问题、系统实际和未来推算趋向的工作。因而,关于具身智能推算复杂度的钻研进入IEEE Computer,意味着具身智能在从单纯的机械人算法问题,进一步进入推算机科学基础问题的会商领域。
从更长远的角度看,具身智能要真正走向通用化,必须回覆的不只是“机械人能做什么”,还蕴含“训练这些能力必要几多推算”“复杂度若何随机械人状态和工作规模增长”以及“什么样的进建架构可能预防不成扩大的推算蹊径”。HEAT钻研给出的PSPACE-complete与NEXP-complete分析,为这些问题提供了一个理论起点。它把真实工程中遇到的训练瓶颈映射到底层推算复杂度,为未来跨本体进建、散布式机械人智能、持续进建和具身智能系统架构钻研提供了可进一步发展的基础。
Z6官网团队但愿通过这一类钻研,推动具身智能从“经验驱动的系统工程”进一步走向“理论与系统共同驱动”的阶段。真正可扩大的具身智能,不仅必要更强的模型和更大的数据集,也必要理解问题自身的推算天堑,并据此设计新的算法、训练机造和推算系统。
· 论文标题:Training Cross-Morphology Embodied AI Agents: From Practical Challenges to Theoretical Foundations
· 录用刊物:IEEE Computer
· 作者:Shaoshan Liu, Fan Wang, Hung-Chyun Chou, Yuanfeng Wang
· 开源代码:https://github.com/airs-admin/HEAT
