[Table_Summary] [Table_Summary] 當前人形機器人產品落地的主要瓶頸在于模型側。模型側對機器人多模態對齊數據有較高的 需求。數據驅動的大模型需要大量機器人多模態對齊數據投喂,對機器人數據的數量和質量 都有較高的需求。機器人廠商解決機器人數據短缺主要靠兩種途徑:1)通過為數眾多的機器人在物理世界中收集數據;2)通過 AIGC、數字孿生等方式合成仿真數據。因此建議關注模擬仿真相關標的。
機器人軟件:越過 L2,直接從具身智能開始
AI 模型的發展已經接近關鍵節點,多模態模型具備了一定的成熟度,為人形機器人系統的發 展鋪平了道路。復盤特斯拉智能駕駛的發展路徑可以發現,人形機器人模型可以采用自上而 下的形式,直接從 L3 級開始構建模型系統。在機器人時代,主流軟件廠商都選擇了數據驅動 的開發范式。數據驅動的機器人模型具備較高的泛化能力,不僅可用于高復雜性場景,還能 在環境溝通中自主學習。受限于算力不足以及數據集短缺,模型控制層暫時只能以規則驅 動。特斯拉正在以數據驅動快速迭代機器人系統。目前特斯拉已將為數眾多的 Optimus 放進 汽車生產工廠,安排其協助完成工廠內的電池分揀工作,形成了數據飛輪。
機器人硬件:性能優化與云邊端協同
機器人從汽車感知系統上繼承了攝像頭、超聲波雷達、激光雷達等傳感器,并且提高了傳感 器數量和性能。此外,為了實現更精準的操控,機器人新增加了一維力和一維力矩傳感器、 關節電機內部的位置傳感器、IMU、用于腕關節和腳部的六維力傳感器、觸覺傳感器(指尖、 手掌、高碰撞風險區)等部件。
當前條件下,如何平衡云端的計算延遲與端側的算力不足是機器人 AI 大腦的核心矛盾之一。 放眼未來,機器人大腦在一段時間內或采用云端大腦與端側模型并行的技術路徑。在云端, 特斯拉自研 DOJO 超算平臺支撐人形機器人的底層算力。DOJO 芯片架構平臺由 D1 芯片組 成 , D1 芯 片 采 用 了 臺 積 電 的 7 納 米 制 程 工 藝 , 計 算 能 力 在 BF16/CFP8 上達到 362TFLOPS,FP32 峰值算力為 22.6 TFLOPS,TDP(熱設計功耗)為 400W。預計到 2024 年 10 月,Dojo 超算平臺的有望匹配 30 萬塊英偉達 A100 芯片的算力。特斯拉自研的 Dojo 超 算平臺有望為公司節省超過 65 億美元的算力投入。
商業模式:從制造到運營,機器人有望復刻路徑
具身智能將帶來產業鏈的重構,其中軟件將在產業鏈中具備最高價值量。未來隨著大模型的 滲透率提升,機器人智能化程度有望大幅度提高。參考智能汽車領域的“軟件定義汽車”邏 輯,軟件算法或成為人形機器人廠商的技術護城河,是機器人主機廠實現產品差異化的關鍵 因素。
資料獲取 | |
服務機器人在展館迎賓講解 |
|
新聞資訊 | |
== 資訊 == | |
» 計算機行業淺析AI大模型訓練數據來源與版 | |
» 2024年中國企業數據治理白皮書-數字化 | |
» 2024網絡安全執法案例集-七大行業的典 | |
» 2024年AI應用市場洞察報告-下載量同 | |
» 智能化軟件開發落地實踐指南2024-發展 | |
» 2024年智能PPT行業市場研究報告-用 | |
» 2024年全球資產管理報告:AI與下一輪 | |
» 2024年具身智能產業發展研究報告-人形 | |
» 人形機器人執行系統之靈巧手-空心杯電機 | |
» 人形機器人執行系統之旋轉執行器-減速器 | |
» 人形機器人執行系統之線性執行器-行星滾柱 | |
» 人形機器人整體構造及成本拆解:執行系統較 | |
» 人形機器人BOM拆解分析-三大核心部分 | |
» AI機器人產業報告-產業現狀,趨勢和展望 | |
» 2024年中國AI基礎數據服務研究報告- | |
== 機器人推薦 == | |
服務機器人(迎賓、講解、導診...) |
|
智能消毒機器人 |
|
機器人底盤 |