https://www.communeify.com/tw/tag/robot/Communeify - Your Community PlatformHugohttps://www.communeify.com/tw/blog/nvidia-alpamayo-2-super/https://www.communeify.com/tw/blog/nvidia-alpamayo-2-super/Thu, 13 Aug 2026 16:39:17 +0800邁向自動駕駛新境界：NVIDIA Alpamayo 2 Super 具身智能模型深度解析對於自動駕駛系統，尤其是機器人計程車（Robotaxi），真正的挑戰往往不是日常平穩的路線，而是突發、罕見且難以預測的長尾路況（Long-tail events）。在這些關鍵時刻，車輛不能僅依賴傳統的物體檢測或單純的路徑預測，還必須具備強大的物理邏輯推理能力，理解環境中的因果關係，做出安全決策，並將其轉化為舒適的行駛路徑。 為了解決這個硬核痛點，NVIDIA 推出了 Alpamayo 2 Super。這是一款專為自駕 percetion、planning 和決策任務設計的開源具身智能基礎模型（VLA, Vision-Language-Action），現已全面開放商業使用。 圖片來源: NVIDIA Alpamayo 2 Super, the Frontier Open Model for Robotaxis and Autonomous Vehicles, Now Available for Commercial Use | NVIDIA Blog 技術架構：VLM 底座與擴散動作專家的融合Alpamayo 2 Super 並非普通的端到端模型，它基於全新的 NVIDIA Cosmos 3 Super Reasoner 進行建構，並在訓練後期經過了大規模的強化學習（Reinforcement Learning）優化。其總參數規模為 340 億（34B），架構設計極具特色： 32B 參數的 VLM 主幹網路（Backbone）： 負責進行全周圍視野的多模態場景理解、邏輯推理與視覺問答（VQA）。 2.3B 參數的擴散式動作專家（Diffusion-based Action Expert）： 專注於生成高精度的駕駛軌跡，能以 10 步擴散推論（Diffusion steps）生成平滑的規劃路線。 豐富的多模態輸入維度傳統自駕模型通常只接收圖像，而 Alpamayo 2 Super 支援極其豐富的異構資料輸入： 多相機/多時間步圖像（Image/Video）： 支援 360 度全方位相機覆蓋。標準測試中支援 6 到 7 顆相機，並且每顆相機輸入 4 幀同步歷史畫面，提供完整的環景時空上下文資訊。 文字指令（Text）： 用於指導特定場景任務或進行 VQA 互動。 自車運動歷史（Egomotion History）： 輸入包含 3 軸位移（x, y, z）與 9 維的 $3 \times 3$ 旋轉矩陣 $R_{\text{rot}}$，幫助模型結合自身慣性狀態做出精準決策。 5 大協同輸出：全透明的「因果決策鏈」當車輛做出某個決定（如急煞或讓車）時，黑盒模型往往無法給出原因，這給安全驗證帶來極大困難。Alpamayo 2 Super 每一次推理都會同時產生 5 種高度緊密耦合的輸出，讓開發者能全面「透視」AI 的決策大腦：https://www.communeify.com/tw/blog/xiaomi-xr-1-robot-foundation-model/https://www.communeify.com/tw/blog/xiaomi-xr-1-robot-foundation-model/Thu, 13 Aug 2026 16:14:59 +0800突破資料瓶頸：小米機器人模型 Xiaomi-Robotics-1 (XR-1)傳統工業機器人多半動作僵硬，僅能執行重複性的單一任務。相較之下，「具身智慧」（Embodied AI）的核心在於讓機器人理解環境並執行靈活操作。小米機器人團隊近期公開了 Xiaomi-Robotics-1 技術成果，這套擁有 50 億參數的通用視覺-語言-動作（Vision-Language-Action, VLA）模型，旨在為機器人在陌生環境中的移動操作建立一套通用的理解與控制邏輯。 圖片來源: GitHub - XiaomiRobotics/Xiaomi-Robotics-1: Code for Xiaomi-Robotics-1 · GitHub 兩階段訓練：預訓練與後訓練傳統訓練機器人，常需針對特定動作進行昂貴的人工標註，導致資料極度匱乏。小米團隊改採類似大型語言模型的兩階段訓練法：預訓練（Pre-training）建立廣度，隨後進行後訓練（Post-training）進行對齊。 1. 預訓練階段（Pre-training）小米團隊使用了超過 10 萬小時的真實世界操作軌跡資料。這些資料主要來自不限載體（Embodiment-free）的 UMI（Universal Manipulation Interface）軌跡，涵蓋家庭、商業、工業和戶外等 1,700 多個場景。由於資料不限載體，模型學習的是通用的物理與視覺操作邏輯，而非特定單一機器人的動作指令。研究表明，預訓練的縮放行為（Scaling behavior）能非常可靠地經由後訓練轉移至真實世界的機器人性能，且未出現飽和跡象。 2. 後訓練與對齊階段（Post-training）後訓練階段使用了超過 1 萬小時的跨實體資料（Cross-embodiment data），包括小米內部的真實機器人資料、經過篩選的開源機器人資料，以及高質量的手動標註 UMI 資料。此階段沿著兩大主軸進行對齊： 實體對齊（Embodiment alignment）：透過跨實體數據將通用的動作生成能力映射到具體的機器人實體上。 指令對齊（Instruction alignment）：將模型的行為從僅能依據「場景轉換描述」做出反應，轉變為能真正理解「自然語言指令」並直接執行動作。 技術架構：Qwen3-VL 與 Mixture-of-Transformers (MoT)Xiaomi-Robotics-1（簡稱 XR-1）在架構設計上實現了高效與強大泛化的結合： VLM 底座：模型將預訓練的視覺語言模型 Qwen3-VL 與擴散式 Transformer（Diffusion-Transformer, DiT）相耦合。 Mixture-of-Transformers (MoT) 架構：DiT 與 VLM 的層數（Layer count）完全匹配，但 DiT 採用了較小的隱藏維度（Hidden size），藉此實現更快的推理速度並降低計算延遲。 非同步執行（Asynchronous execution）：優化了動作與計算的非同步執行機制，將推理延遲降到最低，確保機器人能即時（Real-time）做出反應。 靈活部署：構建於 Hugging Face transformers 生態系之上（將依賴版本固定在 4.57.1），並針對消費級 GPU 進行了部署優化。 評測表現小米團隊在多個主流機器人模擬器上對 XR-1 進行了評測，均取得 State-of-the-Art (SOTA) 的頂尖成績。截至 2026 年 7 月 15 日，XR-1 在 RoboCasa365 和 RoboDojo 的排行榜上均榮登榜首。https://www.communeify.com/tw/blog/alibaba-qwen-robot-suite-embodied-ai-framework-breakthrough/https://www.communeify.com/tw/blog/alibaba-qwen-robot-suite-embodied-ai-framework-breakthrough/Wed, 17 Jun 2026 08:54:46 +0800打破機器人硬體隔閡：阿里雲 Qwen-Robot Suite 帶領實體 AI 邁向新階段大家有沒有想過一個問題？現在的 AI 可以寫程式、寫詩，甚至能通過律師考試，但為什麼連幫忙倒一杯水、摺一件衣服這麼簡單的物理動作都做不好？ 其實原因很簡單，看到並不等於能做到 (Seeing is not acting)。大型多模態模型 (像是 Qwen-VL) 已經擁有了非常驚人的視覺與空間推理能力，它們能看懂畫面裡有一個紅色的杯子。要把這個「看懂」的過程轉化為機器人手臂的物理控制信號，往往才是當前具身智能 (Embodied AI) 最難跨越的鴻溝。 說實話，這正是阿里巴巴通義實驗室 (Tongyi Lab) 決定推出 Qwen-Robot Suite 的核心原因。作為該公司首個專為機器人設計的基礎模型套件，它的出現標誌著 AI 的發展軌跡已經從純粹的螢幕對話，正式踏入了「物理 AI」(Physical AI) 的實體世界。 今天就來仔細拆解這套系統，看看它到底解決了哪些長久以來的業界痛點。 機器人界的通用翻譯機：Qwen-RobotManip要讓機器人動起來，最直接的難題就是「硬體不相容」。 想像一下，世界上有成千上萬種機器人硬體。有些是單臂，有些是雙臂，有些配備了極度複雜的靈巧手。過去如果要訓練 AI 控制這些機器人，開發者必須為每一種硬體量身打造專屬的數據庫。這不但耗時，而且根本無法擴展。 Qwen-RobotManip 的定位，正是為了解決這個「操作與互動」的根本問題。它是一個基於 Qwen3.5-4B VL 的視覺語言動作模型 (VLA)。 這裡有個非常聰明的設計。為了解決數據不相容的問題，研發團隊為它建立了一個 80 維度的標準化狀態與動作表示法 (Canonical state-action representation)。你可以把它想像成機器人界的通用語言翻譯機。它使用了相機座標系的末端執行器 (End-effector) 增量位姿。這意味著無論今天是機械狗還是雙臂機器人，它們的動作指令都能在這個標準化空間中互相轉換與共用模型。 更有趣的是數據量。這個模型在超過 38,100 小時的開源互動數據中進行了訓練，其中大量運用了「人到機器人 (Human-to-Robot)」的數據合成技術。也就是說，AI 從人類的動作中提取精華，並完美移植到了機器的肢體上。 讓自然語言成為物理法則：Qwen-RobotWorld如果說 Manip 是解決了手腳的問題，那麼 Qwen-RobotWorld 就是解決了「預測與模擬」的問題。 這是一個由語言條件驅動的影片世界模型 (Video World Model)。它結合了 60 層的雙流 MMDiT 架構，加上凍結的 Qwen2.5-VL 編碼器。聽起來有點複雜，對吧？讓我換個方式說明。