量子位
·
对话原力灵机周而进：模型2.4B就够用，关键是“具身原生”；能闭环才是最高效方法
内容提要
原力灵机推出了具身原生模型DM0，参数仅2.4B，能够实时处理复杂任务。创始人周而进强调从零训练的重要性，模型通过多源数据和空间推理实现闭环智能，旨在提升机器人在物理世界中的操作能力。
关键要点
-
原力灵机推出了具身原生模型DM0，参数仅2.4B，能够实时处理复杂任务。
-
创始人周而进强调从零训练的重要性，模型通过多源数据和空间推理实现闭环智能。
-
DM0模型支持实时处理三视角的728×728画面，推理延迟仅60毫秒。
-
该公司认为2.4B参数足以支撑具身智能的需求，且模型在真机上不断试错进化。
-
周而进提到，当前行业主流模型多为VLM+Action Head方案，而原力灵机追求具身原生路线。
-
DM0模型通过多源、多任务、多机型训练实现具身智能，训练过程分为三个阶段。
-
DM0在RoboChallenge大规模真机评测中获得单任务和多任务双料第一。
-
原力灵机的目标是构建感知-决策-执行的闭环智能，强调物理世界的反馈。
-
数据采集方式包括互联网数据、智能辅助驾驶数据和具身智能数据，三者在模型中承担不同角色。
-
周而进认为，数据采集应以需定采，针对性补充高熵场景的数据。
-
全身全时全域的数据采集方式旨在应对物理世界的复杂性，确保模型的全面性。
-
原力灵机还发布了开源具身框架Dexbotic 2.0和具身应用量产工作流DFOL。
-
DM0模型的空间推理思维链确保每一步推理与物理现实对齐，提升精度。
-
周而进强调，机器人必须7×24小时运行，以获取真实数据和反馈。
-
具身智能的最终目标是实现机器人拥有广泛的社会身份，包括独立的支付能力。
-
原力灵机选择从物流场景入手，逐步拓展到家庭等复杂场景。
延伸解读
具身智能的闭环设计
原力灵机的DM0模型强调从零训练的重要性，构建了感知、决策和执行的闭环智能。这种设计使得机器人能够在真实环境中不断学习和适应，提升其在复杂任务中的表现。相比于传统的VLM+Action Head方案，DM0更注重物理世界的反馈，确保每一步推理与现实对齐。
数据采集的多样性
DM0模型的数据采集方式包括互联网数据、智能辅助驾驶数据和具身智能数据，三者在模型中承担不同角色。这种多样性确保了模型在面对复杂物理环境时的适应能力，尤其是在高熵场景中，真实交互产生的数据是不可替代的。
从物流场景入手的策略
原力灵机选择从物流场景开始，逐步拓展到家庭等复杂场景。这一策略不仅能确保技术的可复制性和商业模式的稳定性，还能在明确的应用场景中快速验证和优化模型的性能，为后续的市场扩展打下基础。
延伸问答
DM0模型的参数量是多少？
DM0模型的参数量为2.4B。
周而进为什么强调从零训练的重要性？
周而进认为从零训练可以让模型在一开始就充分理解物理世界，而不是依赖于已有的数据。
DM0模型如何实现闭环智能？
DM0模型通过多源数据和空间推理实现感知-决策-执行的闭环智能。
DM0模型在评测中表现如何？
DM0在RoboChallenge大规模真机评测中获得了单任务和多任务双料第一。
原力灵机的数据采集方式有什么特点？
原力灵机采用全身全时全域的数据采集方式，确保模型能够全面理解物理世界的复杂性。
具身智能的最终目标是什么？
具身智能的最终目标是实现机器人拥有广泛的社会身份，包括独立的支付能力。
