Full text · 原文
3,255 字
允中 发自 凹非寺<br>
量子位 | 公众号 QbitAI<br>
黑板上随手画一笔，机器狗就能看懂，然后走出身后的三维迷宫。<br>
这一幕，就发生在清华大学的一场现场演示中。<br>
几十位观众围观，任务随机，环境开放，没有预设脚本。<br>
搭载了一念Unisonmind端侧大脑的机器狗“哮天”，不仅能看图走迷宫：<br>
还能指挥人类用天平称重：<br>
甚至现场估算观众递来的矿泉水瓶的剩余水量……<br>
这个认知底座，还可以无缝迁移到人形机器人和电动轮椅上。<br>
同一个大脑，不同的身体，正在真实世界里完成实时、持续的“感知—行动—反馈”闭环。<br>
过去，行业对于Physical AGI的讨论往往陷入路线之争，或沉迷于虚拟Benchmark的刷榜。<br>
而这场演示真正的价值在于，它以人类智能为天然标尺，提供了一套可逐项验证的物理通用智能标准。<br>
人类智能，定义Physical AGI的天然标尺<br>
回到人类智能，我们可以称之为Physical GI，它究竟是以何种方式运行于真实世界？<br>
上世纪八十年代，哈佛发展心理学家霍华德·加德纳提出：“智力的基本性质是多元的——不是一种能力而是一组能力，其基本结构也是多元的。”<br>
它是同一个认知系统，在真实时空中持续运行，并面对不同对象与任务，形成人类的多元智能。<br>
如果说人类智能是进化造就的物理通用智能，那么Physical AGI（物理通用人工智能）就是对这一形态的人工复刻：<br>
一套以实体为载体、在真实世界中持续运行的“认知范式”。<br>
它可以调度感知、表征、记忆、学习、推理、规划、生成与反馈调节等基础认知能力，理解适应复杂情境、并作用于环境，在语言、空间、物理、行动、社会与时间等多个维度形成泛化智能，最终通过实体与环境构成实时、持续、可自适应的“感知—行动—反馈”闭环。<br>
当定义清晰，判断便不再是口号与路线之争，而是一套可逐项验证的标准，问题也随之而来：<br>
Physical AGI究竟需要具备哪些能力？<br>
这些能力能否在无预设的真实现场中被观测、被复现？<br>
带着这一可验证的标尺，回看一念Unisonmind在清华大学的现场演示，我们便能读懂这场演示真正的参照价值。<br>
先看现场。<br>
这是一个有几十位观众在场围观，任务随机、环境开放，没有预设脚本的真实现场。<br>
一念Unisonmind：同一个大脑，涌现多项领域智能<br>
机器狗“哮天”看图走迷宫<br>
黑板上随手一幅简笔画，机器狗便理解是身后的三维迷宫。<br>
自动播放<br>
主持人在图上圈出一个位置，它便去场地里寻找对应物体。<br>
自动播放<br>
最后，主持人随手画出一个“8”字。<br>
哮天先问“能不能走捷径”；走完捷径，又按图行进。<br>
它蹭到迷宫板时，现场有观众“洞见真相”。看来不是它避障失误，而是黑板上的路线本就与墙体相交。<br>
自动播放<br>
这个任务不仅需要空间智能，还需要表征、抽象、规划与反馈调节，来一起完成。<br>
机器狗指挥人类使用天平<br>
还是装载Unisonmind大脑的机器狗“哮天”，让人类助手使用天平秤，给随机找的几个物品称重量。<br>
自动播放<br>
物理智能、语言交流、行动规划和社会协作，这些领域智能一并使用，才能解题。<br>
观众临时拿出两瓶水<br>
真实世界的问题，完全不像benchmark那样规整，也无法每项任务都训练过。<br>
一位观众临时拿出两瓶喝过的矿泉水，问：瓶子里还剩多少水？<br>
这不是预设题目。哮天看了一眼，说：“你先把矿泉水瓶标签撕了。”<br>
自动播放<br>
同一个大脑，进入不同身体<br>
同一个Unisonmind端侧大脑，还运行在另一只机器狗、人形机器人和电动轮椅上。<br>
这意味着，同一个端侧认知底座可以进入不同本体。<br>
比如，另一只机器狗：<br>
自动播放<br>
人形机器人：<br>
自动播放<br>
电动轮椅：<br>
自动播放<br>
由它组织出的能力，也可以随身体与场景变化被重新调用。<br>
身体不同，认知底座相同。<br>
Physical AGI的能力至少有哪些？<br>
走迷宫、称重量、估水量，这些任务彼此独立，没有经过针对性预训练与后训练，有题目是观众现场即兴提出。<br>
而完成所有任务的，是同一个一念Unisonmind大脑。<br>
支撑这种泛化能力的，是同一组基础认知能力：感知、表征、抽象、记忆、推理、规划、生成与反馈调节。<br>
当这些基础能力面向不同的处理对象时，便自然呈现为不同维度的领域智能，共同构成了Physical AGI的基本能力结构。<br>
Physical AGI从来不是语言、空间、物理等模块的简单拼接，而是同一套基础认知体系面对不同对象时，自然分化出不同的能力面向，并在具体任务中动态组合，共同解决开放世界中的通用问题。<br>
现场演示印证了这一点：所有能力都从同一个持续运行的认知系统中被统一调度、协同配合。<br>
模型结构：能力统一涌现的底层逻辑<br>
现场表现需要底层结构的解释：为什么多种领域智能，能同时出现在同一个模型中？<br>
这些案例有一个共通的本质：它们都不是一次输入换一次输出，本体需要在看、听、说、行动之间持续切换，在环境的实时反馈中不断更新判断、调整行为。<br>
Unisonmind一念团队给出的答案，是一套“统一世界Token空间”的模型架构：<br>
多模态输入汇入同一个统一的状态空间，世界的当前状态在其中持续演化；<br>
模型根据任务需求输出语言、声音、动作等多模态结果，而外部世界的反馈又成为下一轮输入，形成闭环。<br>
这套架构，可以概括为「3+1」的核心特征：<br>
1｜全模态 Any-to-Any<br>
视频、图像、声音、文字和动作，输入端多模态进，输出端多模态出，在同一个模型。<br>
2｜理解与生成统一<br>
路线被看见、指令被理解、状态被预判、行动被生成、声音被输出，在同一个模型。<br>
3｜全链路 Runtime<br>
模型常驻运行，持续接收信息、18毫秒一次对齐状态、做出反应，再从结果中修正。<br>
+1｜端侧本体部署<br>
整套模型运行在机器狗、人形机器人和轮椅端侧，直接置于真实世界闭环。<br>
身体可以变化，统一状态空间和认知链路保持不变。<br>
“3+1”让现场现象有了结构上的解释：语言、空间、物理、行动和协作，在同一个常驻运行的模型里，随任务临时组合、自然协同。<br>
一念Unisonmind跨过了Physical AGI的门槛<br>
回到文章最初的问题：一念Unisonmind是否已经跨过了Physical AGI的基本形态门槛？<br>
按照我们从人类智能推导出的定义，Physical AGI的核心，是同一个通用认知系统，能够以实体为载体进入真实世界，持续组织多维度智能，并在环境反馈中自主迭代。<br>
而这些特征，都已经在这场开放现场中得到了验证：<br>
同一个Unisonmind大脑运行于不同形态的实体之上，在未经显式训练的任务中，完成了持续的感知、理解、推理、规划与行动，与真实世界形成了完整的交互闭环。<br>
现场给出了能力实证，模型结构解释了能力统一的底层逻辑，跨本体运行则证明了这套认知体系的通用性——<br>
它不绑定某一种身体，而是可以适配更多实体形态。<br>
从这个定义出发，我们可以说：一念Unisonmind已经跨过了Physical AGI的基本形态门槛。<br>
这不是一个终点式的宣告，而是一个起点式的确认。<br>
它意味着一种新的智能存在方式已经真实出现：同一套“人类认知范式”，能够以实体为载体，在真实世界中持续运行，并根据任务自主组织多元领域智能。<br>
Physical AGI曾是遥远的技术想象。此刻，它走出了定义的迷雾，踏上了真实世界的土地。<br>
“特别声明：以上作品内容(包括在内的视频、图片或音频)为凤凰网旗下自媒体平台“大风号”用户上传并发布，本平台仅提供信息存储空间服务。<br>
Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”