這演示讓我覺得具身智能的 GPT 時刻快到了

上週我去線下參加了一個具身智能模型的本地演示，看完以後相當震驚。

這是我第一次看到真實的、沒有遙控和預編程，能跟周圍環境、人物實時交互，而且是運行在本地、真正跑在機器人上的具身智能模型。

這家公司叫“一念Unisonmind”，是一個清華團隊，CEO是清華計算機博士耿威。他們在沒有拿太多融資的情況下，做出了非常了不起的成果。

我一直以爲具身智能或者機器人行業的 GPT-3.5 時刻還需要很久纔會到來，但現在看來，它可能很快就會到來。

他們在現場演示了三個機器人。這個模型是通用的，可以在任何機器人上運行：

1. 人形機器人
2. 四足狗形機器人，四足輪式機器狗
3. 甚至是你在市場上隨便買的電動輪椅，也可以適配。

更令我震驚的是它的識別和交互速度，非常迅速且準確。

比如當時演示了一個拍乒乓球的場景：隨便找一個人去拍球，讓機器人數數。

我們都知道多模態模型做這類任務非常困難，因爲注意力機制（Attention）的問題，它很難捕捉到所有的視頻幀，如果拍球速度極快，很可能就會漏掉。

但它一個都沒數錯，而且這是在線下隨機找人測試的，拍球數量和節奏無法作假。

更有意思的是，線下的機器人、機器狗和機器輪椅之間還能相互溝通交流。因爲他們暫時還沒跟機器人廠商深度合作，只是把本地顯卡綁在機器人後面，導致機器人走起來有點“難受”。

機器人甚至會嘗試叫那個機器輪椅過來接它。還有一個特別搞笑的細節：機器人休眠的時候是蹲着的，它竟然問周圍的人自己是不是在“拉shi”，需不需要給它一張紙。

它現在基本上可以完成一些正常的任務。比如有一個場景是機器狗跑到隔壁咖啡店找到老闆，點了一杯咖啡，然後領着老闆把咖啡送回來。我覺得這個場景非常有意義。

當有人拿着假的廣告牌演示對應的商店讓它去找時，它甚至知道那是假的，還會吐槽說：“你又拿那個假的牌子騙我，又在糊弄我。”這種“人味兒”是非常可貴的，非常厲害。

他們也分享了實現具身智能 AGI 的“3+1”個必要條件：

1. 一個腦子實現多模態的流式（Streaming）理解和生成
2. 需要端側部署

看完這個演示以後，我對具身智能“大腦”部分的發展變得樂觀了許多。如果後面他們有機會再舉行線下演示的時候，我覺得離得近的可以去試試，很有意思。