AIGC.BAR 首页
ARTICLE SIGNAL

全模态世界模型新突破：国内最年轻AI教授创业与具身智能未来 | AINEWS

深入解读破晓智能SeePhys Hub全模态数据采集系统与世界模型，剖析AI具身智能、触觉与全身姿态融合、大模型具身落地路线，提供最新前沿AI资讯与产业观察。

type
status
date
slug
summary
tags
category
icon
password
网址
随着以LLM为代表的生成式人工智能在文本和视觉领域日趋成熟，迈向通用人工智能（AGI）的下一波技术浪潮正全面转向“具身智能”（Embodied AI）与“物理世界模型”。无论是探索机器人操作的端到端学习，还是训练具备空间与物理直觉的AI系统，行业目前面临的最大瓶颈并非算力，而是高质量的物理交互数据。
近期，国内最年轻的人工智能长聘教授杨朔创立的具身智能企业“破晓智能（PHANES AI）”引起了行业广泛关注。他们没有遵循常规路径直接研发机器人硬件本体，而是选择发布了一套名为SeePhys Hub的“全身全模态数据采集系统”，旨在攻克具身数据采集的信息残缺问题。从感知升级到全身协调，这一探索为学术界与工业界提供了全新视角。如果想要实时掌握前沿的AI资讯与大模型产业动态，可以通过权威的 AI门户 深入了解行业前沿洞察与AI日报。

Ego数据的天花板：具身智能为何不能只靠“眼睛”？

过去几年，机器人学习领域流行一种思路：通过第一视角（Ego-centric，简称Ego）视频进行大规模人类行为学习。无论是数万小时的操作视频，还是数百万小时的预训练模型，都在试图从视频画面中解析人类是如何操控工具和环境的。第一视角采集的一大优势在于轻便，佩戴者无需被固定的动作捕捉棚限制，可以在真实世界中持续产生海量数据。
然而，仅仅记录视野以内的视觉画面，对于打造能够与物理环境交互的全身移动机器人而言，存在着致命的缺陷：
  1. 全身动力学信息的丢失：人在日常操作中，拿起一个重物、搬运箱子或者转身关门，往往依赖腰腹核心发力、下肢步态协调与重心的微调。第一视角相机记录了双手的操作，却无法感知躯干角度、手肘位置以及下肢的支撑动态。
  1. 严重的盲区与自遮挡：当人弯腰或产生大角度身体转动时，手部与操作对象常常离开相机视野，纯视觉估计在此类场景下的误差呈指数级上升。
  1. “手感”与触觉物理量的缺失：抓取一颗葡萄与抓取一个铁球，人在接触物体瞬间所施加的法向力、剪切力以及根据滑移反馈进行的毫秒级调整，在平面的视觉像素中是几乎无法精确还原的。
机器人如果仅凭视觉画面模仿动作，往往会出现“空有其表”而缺乏物理交互常识的问题。具身智能要真正跨越到精细操作与全身移动协同，必须将视野之外的身体运动与高精度的接触压力重新纳入训练流中。

破晓智能的方案：稀疏传感器重构全身运动与物理触觉

面对轻量化采集与数据完整性之间的矛盾，破晓智能与天珑移动联合发布的 SeePhys Hub 给出了一个高度工程化的解法。
SeePhys Hub 并没有采用昂贵且笨重的光学动作捕捉棚方案，而是采用“稀疏节点融合算法”的轻量化穿戴设计：
  • 全景视觉与局部细节覆盖：系统搭载四目头环，提供 360° 环视视野，确保人在侧身、转身等动作时环境信息不丢失；双腕部相机则近距离聚焦双手精细交互。
  • 稀疏运动追踪：在腰部和双小腿仅布置三个轻量追踪器，配合双腕手环与头部设备，通过IMU（惯性测量单元）提供的运动姿态以及UWB（超宽带）提供的节点间测距，利用多模态算法精确反解恢复人体的全身姿态。
  • 高精度毫秒级时间对齐：为了让动作、视觉与物理受力产生因果关联，系统将相机、IMU与UWB的硬件同步精度控制在0.5毫秒以内。这意味着模型能够准确理解“手指接触到物体的第0毫秒发生了何种压力改变，随即躯干做出了怎样的重心后移”。
  • 可选配的柔性触觉手套：记录抓握、捏取时的接触压力，为视频赋予对应的物理信号，让AI模型不仅“看到”动作，更能“感知”力度。
这种软硬结合的设计思路，其核心目标是大幅提升“每小时人类操作数据中蕴含的有效物理信息密度”。对于关注人工智能底层算法演进的开发者而言，这代表了从单纯的视觉生成向具备物理规律的世界模型迈出的关键一步。更多技术趋势与前沿Prompt、微调与架构探讨，均可在 AI门户 获取专业报道。

数据金字塔战略：为什么世界模型团队先攻克采集工具？

很多人会对这样一家志在打造通用智能大脑的初创团队产生疑问：为何不直接研发参数巨大的世界模型，或者推出一款酷炫的人形机器人本体，而是“退而求其次”先做采集硬件与数据工程？
杨朔团队对具身智能的演进路径有着极其清晰的商业与技术判断，他们提出了三层“数据金字塔”架构：
  1. 底层（海量互联网视频）：规模最为庞大，成本最低，但缺乏深度交互数据。可以通过先进算法从中预测动作姿态与触觉分布，提供基础的视觉先验。
  1. 中层（全身全模态可穿戴采集）：以 SeePhys Hub 为代表，能够深入日常真实复杂场景，在保证穿戴者操作自由度与规模化采集能力的同时，保留全身运动学与接触动力学记录。
  1. 顶层（高精度动捕与真机摇操作）：精度最高，但部署成本高昂且数据多样性受限，主要用于真机基准对齐与算法验证。
在当前阶段，仓促锁定机器人本体硬件往往面临巨大的设计沉没成本。不同的垂直场景（如工业搬运、家庭服务、餐饮零售）对机器人的负载、自由度与抗冲击性有着截然不同的需求。过早固化本体，算法就会被具体的硬件构型所绑架。
相反，建立高质量的全模态物理数据集，训练能够理解“动作、接触力与环境变化”因果规律的通用世界模型，是更为底层的技术根基。只要世界模型掌握了物理交互法则，就可以通过动作重定向（Motion Retargeting）技术，将人类的能力高效迁移到不同的双足、双臂或轮足机器人本体上。

具身智能的下一程：从视觉交互迈向全模态物理仿真

从破晓智能团队过往的技术脉络可以看出，他们在触觉与多模态领域的积累是一脉相承的：从早期的 EgoTouch 数据集与 TouchAnything 视觉估算触觉算法，到 TouchWorld 触觉闭环控制真机执行插插头、擦桌子等任务，再到如今将触觉扩展至全身全模态的 SeePhys Hub，其终极目标均指向计划于2027年推出的“全模态世界模型”。
机器人如果只是依靠被动的数据模仿，在面对未见过的复杂物理场景时极易崩溃；而一个具备物理直觉的世界模型，可以在脑海中预演动作的物理后果——如果我以这个角度施力，杯子是否会滑落？如果我踩在湿滑地面上，身体应该如何维持平衡？
这种基于物理规律的心智模拟能力，正是通往真正具备泛化性AGI的必由之路。随着LLM逐步向物理环境延伸，AI在实体世界中的商业化落地也将迎来爆发期。
无论是专注于工业场景的柔性装配，还是面向商用零售场景的自主服务，谁能先掌握高质量、高密度的全模态真实数据，谁就占据了下一代世界模型的定义权。持续跟踪全球最新AI资讯、模型发布动态以及AI变现商业案例，欢迎访问 AI门户 探索前沿人工智能知识库与产业报告。
Loading...

没有找到文章