OpenAI大模型加持的机器人，深夜来袭！
名曰Figure 01，它能听会说，动作灵活。
能和人类描述眼前看到的一切：
我在桌子上看到了一个红色的苹果，沥水架上面还有几个盘子和一个杯子；然后你站在附近，手放在桌子上。
图片
听到人类说“想吃东西”，就马上递过去苹果。
图片
而且对于自己做的事有清楚认知，给苹果是因为这是桌上唯一能吃的东西。
还顺便把东西整理，能同时搞定两种任务。
图片
最关键的是，这些展示都没有加速，机器人本来的动作就这么迅速。
（也没人在后面操纵）
这下网友坐不住了，立马@波士顿动力：
老伙计们，这家伙是真来劲儿了。咱得回实验室，让以前的机器人（波士顿动力）多跳点舞了。
图片
也有网友看在OpenAI卷完大语言模型、文生视频之后，又狙击机器人后感慨道：
这是一场激烈的竞争；与OpenAl合作，苹果可能会超越特斯拉。
但硬件方面，擎天柱看起来更美观，Figure 01仍然需要一些“整容手术”。（doge）
图片
接下来，我们继续来看下Figure 01的细节。
OpenAI视觉语言大模型加持
根据创始人的介绍，Figure 01通过端到端神经网络，可以和人类自如对话。
基于OpenAI提供的视觉理解和语言理解能力，它能完成快速、简单、灵巧的动作。
模型只说是一个视觉语言大模型，是否为GPT-4V不得而知。
图片
它还能规划动作、有短期记忆能力、用语言解释它的推理过程。
图片
比如对话里说“你能把它们放在那里吗？”
“它们”、“那里”这种模糊表述的理解，就体现了机器人的短期记忆能力。
它使用了OpenAI训练的视觉语言模型，机器人摄像头会以10Hz拍下画面，然后神经网络将以200Hz输出24自由度动作（手腕+手指关节角度）。
具体分工上，机器人的策略也很像人类。
复杂动作交给AI大模型，预训练模型会对图像和文本进行常识推理，给出动作计划；
简单动作如抓起塑料袋（抓哪里都可以），机器人基于已学习的视觉-动作执行策略，可以做出一些“下意识”的快速反应行动。
同时全身控制器会负责保持机身平衡、运动稳定。
图片
机器人的语音能力则基于一个文本-语音大模型微调而来。
图片
除了最先进的AI模型，Figure 01背后公司——Figure的创始人兼CEO还在推文中提到，Figure方面整合了机器人的所有关键组成。
包括电机、中间件操作系统、传感器、机械结构等，均由Figure工程师设计。
据了解，这家机器人初创公司在2周前才正式宣布和OpenAI的合作，但才13天后就带来如此重磅成果。不少人都开始期待后续合作了。
图片
由此，具身智能领域又有一颗新星走到了聚光灯下。
“将人形机器人带进生活”
说到Figure，这家公司创立于2022年，正如前文所言，再次引爆外界关注，就在十几天前——
官宣在新一轮融资中筹集6.75亿美元，估值冲到26亿美元，投资方几乎要集齐半个硅谷，包括微软、OpenAI、英伟达和亚马逊创始人贝佐斯等等。
更重要的是，OpenAI同时公开了与Figure更进一步合作的计划：将多模态大模型的能力扩展到机器人的感知、推理和交互上，“开发能够取代人类进行体力劳动的人形机器人”。
用现在最热的科技词汇来说，就是要一起搞具身智能。
图片
彼时，Figure 01的最新进展是酱婶的：
通过观看人类的示范视频，仅需10小时端到端训练，Figure 01就能学会用胶囊咖啡机泡咖啡。
图片
Figure与OpenAI的合作一公开，网友们就已经对未来的突破充满了期待。
图片
毕竟Brett Adcock，可是把“唯一的重点是以30年的视角建立Figure，以积极影响人类的未来”这样的话都写在个人主页上了。
但可能没人能想得到，仅仅两周左右的时间，新进展就来了。
如此之快，如此之远。并且还能持续泛化、扩展规模。
图片
值得一提的是，与炸场demo同时发布的，还有Figure的招聘信息：
我们正在将人形机器人带进生活。加入我们。
图片
参考链接：
[1]https://twitter.com/figure_robot/status/1767913661253984474?s=46&t=HBob6gxh8cOfZTIbieKeSA
[2]https://twitter.com/adcock_brett/status/1767913955295744449
[3]https://twitter.com/coreylynch/status/1767927194163331345