计算机行业专题研究：OpenAI助力Figure机器人取得长足进步.pdf

传统机器人泛化能力弱

莫拉维克悖论指出，对计算机而言，实现逻辑推理等人类高级智慧只需要相对很少的计算能力，而实现感知、运动等低等级智慧却需要大量的计算资源。机器人领域的传统深度学习模型是在针对特定任务定制的小型数据集上进行训练的。面对新任务，机器人需要再次收集数据训练、设定方案和测试，从而导致了大量的资源和人力损耗，这限制了机器人在不同应用程序中的适应性。

>大模型加持使任务级编程成为可能

大模型的出现，让高成本的垂直领域AI开发，变成“预训练大模型+特定任务微调”的形式，可以大幅提高模型的泛化能力，提高开发速度。尤其是在机器人相关领域，多模态基础模型可以将从不同传感器收集的多模态异构数据融合和对齐成紧凑的紧凑同质表征，提升感知、决策和控制等环节能力。大模型能够更好训练机器人、使任务级编程成为可能、有望降低机器人交互门槛、提升感知能力，或将解决传统机器人泛化能力弱、落地难度高等痛点，加速应用推广。

OpenAI加持机器人智能提升

2024年3月13日，美国机器人初创公司Figure发布了一段公司最新人形机器人Figure01展示视频，其智能大脑为OpenAI大模型。在该视频中，机器人Figure01不仅实现与人进行流畅对话，理解人类对其的指令，还可以在理解指令的同时对面前的物体进行抓取和摆放，从而模拟了人类在处理家务的场景。OpenAI加持下的Figure01机器人展现了优秀的智能反馈，显示了其较强的泛用能力，有望扩展机器人更广泛的应用场景。

>投资建议

大模型助力机器人有望提升应用广度和深度，成为重要的人工智能应用终端。相关产业环节包括：(1)算力：海光信息、中科曙光、紫光股份、浪潮信息、神州数码、高新发展、寒武纪-U、景嘉微等；(2)机器视觉：海康威视、大华股份、商汤-W、虹软科技、奥普特、天准科技、凌云光、大恒科技、奥比中光等；(3)智能操作系统：中科创达等；(4)硬件：芯动联科、赛微电子、苏州固锝、汇川技术、双环传动、鸣志电器、伟创电气、绿的谐波、拓普集团、蓝思科技、三花智控等；(5)整机：优必选、石头科技、科沃斯等。

风险提示：AI技术升级迭代不及预期；智能机器人产业化不及预期；下游需求不及预期；行业竞争加剧的风险等。

1.大模型有望提升机器人泛化能力

1.1传统机器人泛化能力弱

莫拉维克悖论(Moravec’s paradox)由汉斯·莫拉维克(Hans Moravec),罗德尼·布鲁克斯(Rodney Brooks),马文·闵斯基(Marvin Minsky)等人于20世纪80年代提出。莫拉维克悖论指出：和传统假设不同，对计算机而言，实现逻辑推理等人类高级智慧只需要相对很少的计算能力，而实现感知、运动等低等级智慧却需要大量的计算资源。如AlphaGo可以战胜世界围棋冠军李世石，但如果让机器人完成却并不简单。

机器人应用场景划分为封闭式和开放场景

封闭式场景指采用经典的定制化模式。预设机器人的任务执行边界，用户下发指令后，先收集现有数据进行训练，在限定范围内穷举出所有任务可能性，尽可能覆盖更多的解决路径，典型如工业场景的运输机器人。

开放场景则是指不受强封闭式规范和范围限制的长尾问题，如商超服务、居家养老等。当机器人与人、环境进行大量的交互，数据集或存在少样本、甚至零样本的突发情况，这对机器人理解、处理多种任务的泛化能力要求极高。如自动分拣领域中，机器人可以完成相对更标准化的物流分拣、仓库分拣，而种类、特性更多的商超分拣则较难实现。

机器人面临着泛化能力弱等痛点

机器人领域的传统深度学习模型是在针对特定任务定制的小型数据集上进行训练的，面对新任务，机器人需要再次收集数据训练、设定方案和测试，从而导致了大量的资源和人力损耗，这限制了机器人在不同应用程序中的适应性。

1.2大模型加持有望解决痛点

大模型是具有大量参数和较高计算资源需求，用于处理复杂任务并取得优异性能的机器学习模型。大模型的出现，让高成本的垂直领域AI开发，变成“预训练大模型+特定任务微调”的形式，可以大幅提高模型的泛化能力，提高开发速度。

尤其是在机器人相关领域，多模态基础模型可以将从不同传感器收集的多模态异构数据融合和对齐成紧凑的紧凑同质表征，而这正是机器人理解和推理所需的。其学习到的表征可望用于自动化技术栈的任何部分，包括感知、决策和控制。