>>直播和内容获取转到
点击按钮预约直播
内容分享
01
杨理欣：
《基于 3D 流的 4D 世界-动作模型学习》
本报告将探讨：“机器人如何理解动态世界的改变并予以动作生成”，以 3D Flow 为核心线索，梳理我们在时序流策略学习、追踪驱动的动作蒸馏、3DFlow+VLA/WAM架构上的系列探索；
02
汶川：
《Data Scaling on the Job》
本报告将探讨：“机器人如何在真实部署中实现持续、可扩展的策略改进”，以“部署即数据、数据形成闭环”为核心线索，梳理我们从大规模机器人数据与策略预训练，到 ARMADA 的多机器人在线失败检测与人机共享控制，再到 RoboPocket 基于手机的无机器人数据采集与即时策略迭代的一系列探索，展示如何将机器人学习从离线训练与一次性评测，推进为低成本、持续演化的数据飞轮。
03
圆桌talk：
汶川 杨理欣 陈文迪 李彦玮 吕峻
技术向：
VLA 和WAM是否需要 3D 中间表征
具身能实现在线自进化、部署闭环，应该具备哪些基本条件（模型够强？架构不断进化？各种组件完善？）（可以点评罗剑岚组的3篇作品、近期harness相关的一些工作）
最可规模化的反馈信号是人类接管、成功检测、稠密奖励，还是模型自评估？
如何看待光轮智能、苏度等仿真派？仿真数据及仿真基础设施建设是通往scalinglaw的可选项还是必选项
具身评测集相关（备选）
热点问题：
传感器的不断叠加和更精细化，对任务成功率的加成有多少？（结合最近喷涌的触觉相关工作：触觉世界模型、触觉世界模型、触觉任务模型等）
具身智能能不能只靠人类行为数据跨过机器人数据瓶颈？umi、ego数据贡献几何？（结合最近南洋理工大学的数据金字塔）
人类数据规模化之后，数据质量会不会比数据量更快成为瓶颈？怎么识别“看起来像完成任务、实际上不可迁移”的低质量数据？
商业化问题：
通用机器人和场景专用机器人，哪条路更先赚钱？
如果一家机器人公司拥有模型、硬件、数据采集系统和部署场景，学术合作最应该贡献哪一层？
04
令人惊艳的demo.REACTION
Generalist AI
Gemini Robotic2
更多精彩回顾
🚀 直播精华看不够？完整版深度内容已独家上线知识星球「」！涵盖所有技术细节、QA及未公开彩蛋。深度解析！
干货满满，快来加入
