靈初智能陳源培：騰訊云強大算力助力快速完成VLA模型訓(xùn)練

發(fā)布時間：2025-11-29 05:05:13 來源：企業(yè)錄(www.qy6.com)-公司信息發(fā)布,網(wǎng)上買賣交易門戶 作者：休閑

11月21日，靈初練騰訊全球數(shù)字生態(tài)大會城市峰會落地無錫，智能助力靈初智能聯(lián)合創(chuàng)始人陳源培發(fā)表主題演講，陳源分享了具身智能在靈巧操作領(lǐng)域的培騰技術(shù)突破與應(yīng)用前景，并重點介紹了與騰訊云在模型訓(xùn)練、訊云型訓(xùn)遠程遙操作等方面的算力深度合作成果。

陳源培指出，快速具身智能在靈巧操作領(lǐng)域的完成發(fā)展面臨模型、數(shù)據(jù)與場景三大核心挑戰(zhàn)。靈初練模型層面，智能助力需攻克復(fù)雜指令理解與實體運動控制的陳源融合問題；數(shù)據(jù)層面，存在訓(xùn)練樣本規(guī)模不足導(dǎo)致訓(xùn)練效率低下的培騰瓶頸；場景層面，則需克服真實環(huán)境中的訊云型訓(xùn)不確定性，以實現(xiàn)技術(shù)的算力穩(wěn)定部署與規(guī)?；瘧?yīng)用。

在模型構(gòu)建方面，快速靈初智能采用“分層端到端”VLA架構(gòu)作為核心技術(shù)路線。陳源培表示，這一架構(gòu)對云端算力的性能與穩(wěn)定性提出了極高要求。在模型訓(xùn)練過程中，騰訊云提供了強大的異構(gòu)計算資源和全鏈路優(yōu)化支持，顯著加速了模型迭代進程，為技術(shù)從構(gòu)想走向原型提供了關(guān)鍵保障。

針對數(shù)據(jù)獲取與場景落地難題，雙方基于騰訊云的音視頻技術(shù)，構(gòu)建了端到端的低時延遠程控制系統(tǒng)。“該方案不僅為復(fù)雜場景提供可靠的人工干預(yù)通道，更重要的是構(gòu)建了高質(zhì)量示范數(shù)據(jù)的采集通路，為模型的持續(xù)優(yōu)化與強化學(xué)習奠定堅實基礎(chǔ)。”陳源培強調(diào)。

展望未來，陳源培表示靈初智能將繼續(xù)深化與騰訊云的戰(zhàn)略合作，共同推進具身智能技術(shù)在物流、零售等場景的規(guī)?；涞?，加速智能機器人技術(shù)在產(chǎn)業(yè)端的應(yīng)用進程。

以下為陳源培講話全文：

各位領(lǐng)導(dǎo)大家好，我是靈初的聯(lián)創(chuàng)陳源培。今天我給大家?guī)淼姆窒硎恰毒呱碇悄莒`巧操作的發(fā)展》。

我會從四個方面來介紹，第一個是具身智能的挑戰(zhàn)。在靈初看來具身智能主要由三個方面構(gòu)成，第一個場景，第二個數(shù)據(jù)，第三個模型。

我先從場景說起，我們公司是專注于做雙臂雙手靈巧操作的公司，我們選的是輪式底盤，具身智能最大的價值代替人們勞動，提高生產(chǎn)力，最關(guān)鍵的是雙手操作，所以我們選擇了一雙手，這跟數(shù)據(jù)強相關(guān)。

對于具身來說，大概率還是用人類的數(shù)據(jù)，現(xiàn)有的幾種數(shù)據(jù)模式，包括數(shù)據(jù)工廠和仿真數(shù)據(jù)，都有各自的缺陷，仿真會有一些很難仿真的東西，比如軟體、流體，數(shù)據(jù)工廠雖然可以高質(zhì)量的采集數(shù)據(jù)，但并不能采集世界上所有的數(shù)據(jù)，我們走的是直接采集人類數(shù)據(jù)，直接采集人手數(shù)據(jù)，再用到機器人上，這個我后面會詳細介紹。

還有就是模型，我們公司是國內(nèi)最早提出分層端到端的公司，甚至早于國外的公司，這是源于我們團隊一開始的背景就是從大模型和強化學(xué)習來的，我們認為純粹的端到端是比較早期的，現(xiàn)在比較務(wù)實的方法是分層的做法，也逐漸成為了行業(yè)共識。這里面最難的點是什么？主要有兩個，第一個是在分層的時候，上層的大腦和小腦要怎么銜接，第二個就是如何通過強化學(xué)習，提高它的整體操作成功率和泛化性，這兩點我們公司都有自己的思考。

公司當時在仿真里面做靈巧手的訓(xùn)練，這是非常雜亂的樂高堆，然后抓起來再放下來，包括各種各樣形狀的樂高，包括人工的打斷，都可以做的比較好。右邊也是從仿真到真機里面，具有六十多個靈巧操作的展示，這些都是我們公司很早的積累，就形成了現(xiàn)在這么一個分層端到端的VLA架構(gòu)，上層有一個Planner，是大模型微調(diào)形成的，主要輸入的是圖片和語音，通過上層的COT自適應(yīng)的輸出最適合下沉模型的Token，然后給到下層，下層的小腦模型再通過這些輸入，來輸出機器人具體的關(guān)節(jié)角度，整個過程中，它會有幾段，一開始先用預(yù)訓(xùn)練數(shù)據(jù)來做訓(xùn)練，后面會用真機強化的方式做最后成功率的提升。

剛剛說到了數(shù)據(jù)，我們在數(shù)據(jù)的思考，可以看左邊這個數(shù)據(jù)金字塔，從最底層的互聯(lián)網(wǎng)仿真數(shù)據(jù)，在冷啟動的時候會使用，真機數(shù)據(jù)是質(zhì)量最高的，但它的泛化能力有問題，所以我們更多采用中間的真實數(shù)據(jù)，就是人可以戴著手套去采集。有兩個重要的點，第一個是現(xiàn)在硬件發(fā)展非?？欤F(xiàn)在硬件采集的數(shù)據(jù)三年后大概率不是這個硬件，所以數(shù)據(jù)怎么遷移是比較難的問題。第二個是必須有可移動式的數(shù)采方案。最右邊數(shù)據(jù)生成方式，我們怎么把人手數(shù)據(jù)真正在機器人上用起來，所以我們有一套相關(guān)的技術(shù)棧。

還有數(shù)采手套的采集方式，它無需機器人就可以做數(shù)采，它的好處有三點，一個是成本，不用機器人在旁邊做遙操，只需要手套的成本，是傳統(tǒng)遙操的1/10，第二是支持戶外的大規(guī)模數(shù)采，第三是有非常高的自由度。這是模型在物流場景的采集過程，最左邊是在人采集數(shù)據(jù)的基礎(chǔ)上加上一套遙操數(shù)據(jù)，這是我們自研的一套遙操方案，右邊就可以通過真機強化學(xué)習來做最后的微調(diào)，直到最右邊真實部署的時候，就可以達到比較高的成功率和節(jié)拍，這里展示了物流分揀場景的作業(yè)。

我們公司做的所有的動作，都是通過一個VLA模型，結(jié)合預(yù)訓(xùn)練、后訓(xùn)練、強化學(xué)習的技術(shù)來做的，這是當時在世界人工智能大會上的現(xiàn)場展示錄制，包含了商超打包的產(chǎn)品，有抓、掃碼、放置，最后有一個比較靈巧的對塑料袋進行打結(jié)。這里面最難的是最后一步掃碼，因為它需要識別出碼在哪里，在抓取的時候不抓到這個碼，以及最后掃的時候要定位的非常準確，必須通過大模型才能做到。這個打結(jié)也是一個比較全程的靈巧操作，需要比較精確的抓取，包括視覺和反饋，才能夠做的比較好。

這是一些難以操作的，像手機這類物品，需要把它撥到桌邊再抓取，然后再遞給別人，這一套傳統(tǒng)的方法都比較難做，也是通過我們的大腦模型來完成的。這是麻將機器人，可以自主發(fā)牌、抓牌、打牌，在展會上有很多觀眾朋友一起體驗了。所有的這些技術(shù)都是通過強學(xué)習后訓(xùn)練做的，然后我們自己收集數(shù)據(jù)，再通過大模型的后訓(xùn)練技術(shù)，把整個麻將的策略、識別和具身聯(lián)動，全部訓(xùn)練到了一個模型里面，才能完成這么一件事。整個操作也是非常長程的操作，因為要打完一整局需要很多次的抓、放、抽牌，以及雙手之間的交換，包括碰牌和杠牌，這都是不能被預(yù)設(shè)好的。

然后是行業(yè)應(yīng)用，剛剛說到了模型，我們更希望的不是純粹上來就收集一個仿真學(xué)，那樣難度太大，并且太陡峭，像自動駕駛的經(jīng)驗，上來就做L4并不是一個好選擇，所以我們更傾向的是在場景中做整個閉環(huán)，我們雖然是一個細分場景，但非常有價值，我們把整個模型構(gòu)建起來之后，再拿這些數(shù)據(jù)回流回來，最后慢慢擴大這個模型，所以我們一個比較看好的場景就是物流，因為物流的場景碰到的物體會比較多，衣服倉、化妝品倉，物體是比較泛化的，包括零售，現(xiàn)在碰到的物體以后大概率是在家庭中也能碰到的物體，還有很重要的一點是可以出海。這是我們的兩個場景，一個是眾包，一個是貨到人揀選，都是有希望能夠做出來的。

商業(yè)主要有兩方面，第一個是數(shù)據(jù)，數(shù)據(jù)這個東西除了國內(nèi)，國外的需求也是非常多的，據(jù)我們了解的一些市場價格，包括國外的大廠也在頻繁的收數(shù)據(jù)，我們認為數(shù)據(jù)的缺口非常大，但和他們交流下來，他們也不會要純粹數(shù)據(jù)中間商的數(shù)據(jù)，按他們的說法，必須要懂模型，必須要證明這個數(shù)據(jù)可以訓(xùn)練出來模型，包括我們自己，因為我們自己也做訓(xùn)仿真學(xué)所以我們有自己的數(shù)據(jù)，會有一部分的數(shù)據(jù)出海。第二個是物流，是我們比較看好也是短期能夠完成的場景，在海外也有非常多類似的客戶，像GXO、UPS等等，我們也是積極的在做。

然后就是和騰訊云的合作，非常感謝騰訊云跟我們整個模型團隊一直長期的支持，對于VLA模型訓(xùn)練來說，第一點最離不開的就是整套云的算力，騰訊云在這個過程中不僅給我們算法團隊非常多的支持，而且還跟我們做深入的技術(shù)交流，構(gòu)建出一套對雙方都有用的技術(shù)積累和沉淀，為之后的具身或者整個智能體都有比較好的積累。

第二個合作空間就是遙操作，對我們公司來說，長期的落地，具身是一個從0到1的東西，最后落地的時候，大概率會像智駕一樣，早期的時候會有安全員在后面接管，這時候遠程遙操接管方案非常重要，因為騰訊云的音視頻流技術(shù)非常先進，所以遙操的延時會非常低，我們會跟騰訊云有非常多的合作，希望后面能夠繼續(xù)合作，共同把具身智能這個賽道推向一個新的高度。

謝謝大家。

相關(guān)文章