诺亚 发自 凹非寺

量子位 | 公众号 QbitAI

还记得上周具身圈流传的那个神秘10分钟一镜到底视频吗？

视频一出，网友们表示：这是机器人领域的“吓到瘫坐，宛如看见核爆”……

甚至给出了最高评价：是AI生成的吧？！

同行跑来打听到底是哪家的，听说有头部公司专门开会研究……我们的后台都被各路网友问爆了。

看完这个十分钟的一镜到底视频，大家说具身智能的ChatGPT时刻可能真来了，有人说这是具身智能的重要里程碑，也有人说这是创新的架构。因为它让人看到了：

• 机器人具有一定认知能力，而不是概率预测；

• 机器人理解人类行为逻辑，而非过拟合；

• 机器人拥有持续自进化的能力，有很多令人惊叹的瞬间。

当然，由于机器人表现得太过“科幻”，也有一些不相信的人质疑：这是不是遥操的？（虽然团队说这么小的空间真的不知道怎么遥操）

而这个神秘团队，回应质疑的方式也很特别：他们又一连甩出了另外几个demo，依旧粗糙，依旧一镜到底，仿佛想说：

“智能，不管你信或不信，它真的要来了。”

因为第一篇文章，我们得以联系到神秘的模型团队，也表达了疑问——为什么不直接出来认领？得到的回应是：模型也像人，让它自己说。

我们了解到，这个神秘模型的内部代号为“MVP”，它的意思是：模型能力像真人一样（Make Veritable People），他们说可以直译为：“做个人吧”（doge）。

“做个人吧”大模型。

而这次释出的几个Demo，从表现来看，机器人“真的做了个人”，它像人类一样思考，自我决策、动作丝滑、逻辑自洽。而且听团队说，他们马上要让机器人自己上街了，开放环境，直接给大家看。

视频1：手眼协调不分离，高超的动力学理解

如果你端着一瓶水，有人戳你的胳膊，你能不能瞬时反应、让水不洒？

机器人左手拿一个装着水的杯子，在人类（无礼的）木棍推搡下，它躲向另一侧，又平稳地归位，杯中的水没有洒半滴。

如果你端着一瓶水，有人戳你的胳膊，又同时推倒了你旁边的易拉罐，你能不能瞬时反应、让水不洒且保证易拉罐不倒？

人类又从右侧推了桌上的三个易拉罐，它的右手居然同时扶住了易拉罐。

机器人表现得就像一位太极宗师，既会化劲，将对手的撞击化解于无形，也知道分寸，将力道拿捏得刚刚合适。

而且仔细看，易拉罐被推动的时候，左臂端着水的动作还没有恢复，机器人又用右手扶住了易拉罐。

这一幕，别说机器人，其实已经超越许多人了，大家可以试试看能不能两只手同时完成这两个任务。（doge）

主流的VLA和WAM模型有个毛病：一旦面对遮挡、接触、形变等需要物理推理的任务场景时，就容易失效。因为它们只是在模仿动作的样子，并不理解背后的物理规律。

而“做个人吧”模型看起来给机器人装了一个“物理大脑”。正是动力学预测和长期状态的统一，才能让轨迹天然满足动力学可行性。

从动作反应速度跟丝滑程度来看，机器人的动作不再是靠死记硬背数据“猜”出来的，而是像人一样，靠着对物理规则的理解“学”出来的。

两者是“照葫芦画瓢”和“知其所以然”的区别吧。

视频2：对空间和物体属性的理解，以及对人类习惯的总结

第二个视频中，人形机器人正式接管家务。而且“做个人吧”模型的团队说这是机器人zero-shot完成这个任务时候的视频。（如果是真的，那这泛化性也太无敌了！）

他们说，模型的zero-shot成功率已经达到了80%。

我把这个视频命名为“强迫症机器人之客厅不能乱”（doge）

只见机器人先把手里的小玩偶放回玄关置物台，主打一个“从哪儿来回哪儿去”。接着，它又把装满杂物的收纳篮拖到身边，微微下蹲，从中先后掏出黑色帽子和紫色健身环，将其稳稳挂上衣帽架。

最后，它从篮子里拿出一只硕大的花朵坐垫，显然它是可以弯腰的，但这次，它选择随手一扔，坐垫落到了沙发上。

整个过程下来，机器人的动作虽然不算麻溜，但颇有一种尽在掌控之中的感觉。

机器人对空间和物体属性的理解，已经非常像人：它知道物体在光滑的地板上可以拖拽，环状的帽子和健身环可以挂，平整的坐垫会自己展开。

甚至还会“偷懒”，能直接扔就绝不再费劲弯腰。（真是懒人驱动科学发展，懒机器人驱动智能进化啊。）

主流的模型暂时还达不到像人一样的泛化能力。VLA靠“大力出奇迹”硬算，一碰到陌生场景就容易崩盘；WAM则像拼积木一样拼接动作，学得太死板，稍微变通一下就不灵了。

装配“做个人吧”模型的机器人则看起来很稳定，把对空间和物体属性的理解以及人类的习惯融为了一体，顺利完成了一个长程任务。

视频3：拉平床单、抖床单、放床单，机器人组队干活了

小时候，长辈会经常喊我们，把新洗出来的床单抖一抖。

这个视频中，出现了两台不同型号的机器人，听说他们全部的训练都是看的人类视频，所以他们再次上演了“一脑多形”的跨本体协作，并且真的组队干活了。

只见一条似乎刚从烘干机中取出来的床单，一头的两角被一台身高较高的机器人拽着，另外一头的两角被另一台较矮的机器人牵着。

较矮的机器人一跨步，再一弯腰，床单便被扯得平整。紧接着，身高较高的机器人两手轻轻抖动了几下床单。

虽然视频中的机器人姿势仍然有些呆板，但是它们的行为逻辑也太像人了！这跟我们把刚洗好的衣服甩两下、以免出现褶皱有什么区别？

要知道，主流的模型有个致命缺陷：它们不像人类，无法真正实现自进化。VLA只能小修小补，动不了“脑回路”；WAM干活太死板，换个环境就适应不了。

而MVP模型不同，它看起来把对物理世界的理解和对人类逻辑的理解统一了。

视频4：能量驱动，最优能量的行为解

当机器人学会思考，懂得一次把所有东西拿走归置，比来回一趟趟归置更省力，它会怎么样？

视频里，这台机器人收纳物品的操作仿佛人一样：东西再多，也尽量不跑第二趟。

它先从篮子里抽出一条黑色围巾，像店小二一样，往脖子上一搭。接着它又拎起紫色圆环，绕在小臂上，还知道抬手让其滑落到肘关节处，成功把自己改造成行走的衣架。

然后是拖鞋、耳机，一番操作下来，机器人身上已经挂满了物品，却淡定地转身离开，留下一个轻飘飘的背影。

1分钟的视频，机器人收纳了4件物品，不仅充分展现了处理长程任务的能力，还展现了对每个物品的深刻理解，并能为每件物品建立与自身能力的对应映射。

要知道，如今的主流模型做同样的任务，大概率会是一件一件单独搬运，因为模型本质上还是基于统计拟合的猜测，缺乏像人类一样对世界的理解，也没有自主意图。

如果视频中的机器人看到这一幕，它心里的OS可能是：不是吧哥们，来都来了，怎么就带这点走啊？多带点更省劲啊！

“做个人吧”模型的机器人做决策时，好像不需要刻意去“想”下一步该干嘛，只需要像水往低处流一样，顺着能量下降的方向自然滑动。

在这个“下坡”的过程中，思考、探索和行动是一气呵成的。

可能这才是真正理解世界、并有自主意图的智能吧。

总结

看完这4个demo，我终于理解了模型为什么叫“做个人吧”，机器人的一举一动，确实都太像一个人的决策过程，在长程任务、干扰环境、彼此协作中，表现出对于物理世界、人类行为逻辑、自身能力的不断学习跟进化。

机器人能像人一样理解空间和物体属性，干家务时的思维逻辑和操作习惯和人差不多，还能如同人类一般自我驱动、自主学习、持续自进化。

不仅如此，机器人还体现出这些特质：

• 动作一致性：机器人就像“成熟人类”——逻辑自洽、动作丝滑、懂物理、手眼协调。

• 思考持续性：机器人不“半途而废”且“越用越稳”，长时序环环相扣。

• 甚至还有个性：装载“做个人吧”大模型的机器人仿佛每个人都有自己“做事的独特调调”，好像有了性格。

其他特点，不一而足，但我现在真的开始相信，具身智能真正能为人所用的时刻已经快到来了。

智能，可能已经真的涌现了，在我们看不到的地方。

你对这几个新Demo怎么看？欢迎来评论区互动留言，咱们一起给点鼓励和压力，逼出技术团队现身说法，是回应也是交流～～