近期，，，，，，，优德官网（优德官网）具身智能中心揭晓多篇论文，，，，，，，针对具身智能领域端侧VLA推理延迟高、控制频率低，，，，，，，通用RISC-V向量扩展在机械人负载中功效冗余、面积与功耗铺张，，，，，，，人形机械人高动态运动控制盘算量大、通用处置惩罚器难以兼顾模子精度与控制频率，，，，，，，以及跨形态训练难以扩展、现有强化学习流程在形态多样性下失效等问题，，，，，，，划分提出Jetson-PI端侧实时控制要领、GAREN机械人专用RISC-V向量架构优化框架、UDYR统一自顺应控制框架与专用硬件加速器，，，，，，，以及HEAT跨形态训练盘算重漂后理论，，，，，，，从模子推理、芯片架构、实时控制到训练理论，，，，，，，系统推进具身智能完整盘算栈的协同设计。。。。。。

优德官网关于具身智能盘算重漂后的基础研究论文“Training Cross-Morphology Embodied AI Agents: From Practical Challenges to Theoretical Foundations”被IEEE Computer正式接受。。。。。。论文作者包括优德官网具身智能中心主任刘少山、研究员王凡、研究员周鸿钧等。。。。。。这项事情从一个很是现实的工程问题出发：是否能够训练一个统一的人工智能战略，，，，，，，去控制形态、传感器和执行器都差别的机械人？？？？？？？？研究进一步追问了一个更底层的问题——当跨形态训练难以扩展时，，，，，，，事实是现有算法还不敷好，，，，，，，照旧这个问题自己就保存不可忽视的盘算重漂后界线？？？？？？？？

论文的焦点孝顺，，，，，，，是把“跨形态具身智能训练为什么难”从履历判断推进到了可形式化、可证实的盘算理论问题。。。。。。研究团队将这一使命界说为Heterogeneous Embodied Agent Training（HEAT）问题：一个统一的、带影象的战略，，，，，，，需要在无法直接视察机械人真实形态的条件下，，，，，，，凭证交互历史推断其结构，，，，，，，并适配差别机械人的动力学和控制空间。。。。。。论文进一步将HEAT形式化为结构化的部分可视察马尔可夫决议历程（POMDP），，，，，，，并证实其有限时域决议问题是PSPACE-complete。。。。。。唬；；；；谎灾，，，，，，，跨形态训练的难题并不但是训练技巧、模子规模唬；；；；蛩懔θ狈υ斐傻，，，，，，，它在最坏情形下具有明确的盘算重漂后泉源。。。。。。

这一结论关于具身智能研究具有主要意义。。。。。。目今行业正在快速追求“一套模子控制多种机械人”“跨本体泛化”和“通用机械人战略”，，，，，，，但若是忽略问题自己的重漂后结构，，，，，，，就容易把所有难题都归因于数据量不敷、模子不敷大或训练时间不敷长。。。。。。HEAT给出的理论效果说明，，，，，，，随着机械人形态数目增添、形态信息不可直接视察、战略又必需依赖历史影象时，，，，，，，训练问题会自然进入更难的信心空间妄想与恒久信用分派问题。。。。。。这意味着具身智能的规模唬；；；；豢芍灰览怠岸迅嗨懔Α，，，，，，，还必需依赖对问题结构、可视察性、影象机制和训练架构的重新设计。。。。。。

除了理论重漂后证实，，，，，，，论文还把盘算理论与真实训练辖档同接起来。。。。。。研究在多种机械人形态的强化学习实验中视察到三个要害瓶颈。。。。。。第一，，，，，，，影象状态与战略参数高度耦合，，，，，，，战略更新后旧的隐藏状态可能失效，，，，，，，使古板履历回放无法直接复用；；；；；；第二，，，，，，，差别机械人爆发的轨迹长度和结构差别，，，，，，，使高效批处置惩罚变得难题，，，，，，，在常见实现中容易退化为逐形态顺序优化；；；；；；第三，，，，，，，循环影象需要通过时间反向撒播，，，，，，，长轨迹唬；；；；嵬瞥俨问，，，，，，，形成难以完全消除的顺序依赖。。。。。。这些征象诠释了为什么纵然数据收罗可以并行化，，，，，，，跨形态训练的优化阶段仍然可能迅速成为系统吞吐瓶颈。。。。。。

论文随后进一步探索了Collective Adaptation（整体顺应）这一漫衍式学习路径。。。。。。与集中训练、疏散执行差别，，，，，，，整体顺应允许差别智能体基于外地视察、内部影象和轻量级通讯自力训练。。。。。。研究将其形式化为Dec-POMDP，，，，，，，并指出有限时域最优团结战略求解具有NEXP-complete重漂后。。。。。。这一效果看似越发难题，，，，，，，却展现了一个主要的系统设计取舍：理论上的最优求解更难，，，，，，，并不料味着工程上没有价值。。。。。。漫衍式训练可以镌汰集中式梯度和全局同步带来的瓶颈，，，，，，，在机械人群体、异构机械人系统以及恒久在线顺应场景中，，，，，，，可能换来更强的并行性、？？？？？？？？榛芰桶才湃托浴！！！！。

因此，，，，，，，这项事情的价值并不在于提出又一种新的机械人控制算法，，，，，，，而在于给具身智能建设一层更底层的“盘算界线认知”。。。。。。它试图回覆：哪些难题可以通过更好的工程优化解决，，，，，，，哪些难题来自问题自身的重大性；；；；；；什么时间应该继续扩大模子与训练规模，，，，，，，什么时间应该改变问题表达、学习架构或信息结构。。。。。。这种基础研究能够为上层算法、训练系统以致未来具身智能盘算平台提供更清晰的设计约束。。。。。。

此次论文被IEEE Computer接受，，，，，，，也体现了这一研究偏向的跨领域价值。。。。。。IEEE Computer是IEEE Computer Society的旗舰刊物，，，，，，，笼罩从盘算机硬件、软件到新兴盘算手艺和现实应用的完整手艺谱系，，，，，，，面向盘算机科学家、工程师和工业实践者。。。。。。与只强调简单算法指标的专业期刊差别，，，，，，，IEEE Computer特殊重视能够毗连基础手艺问题、系统实践和未来盘算趋势的事情。。。。。。因此，，，，，，，关于具身智能盘算重漂后的研究进入IEEE Computer，，，，，，，意味着具身智能正在从纯粹的机械人算法问题，，，，，，，进一步进入盘算机科学基础问题的讨论规模。。。。。。

从更久远的角度看，，，，，，，具身智能要真正走向通用化，，，，，，，必需回覆的不但是“机械人能做什么”，，，，，，，还包括“训练这些能力需要几多盘算”“重漂后怎样随机械人形态和使命规模增添”以及“什么样的学习架构能够阻止不可扩展的盘算路径”。。。。。。HEAT研究给出的PSPACE-complete与NEXP-complete剖析，，，，，，，为这些问题提供了一个理论起点。。。。。。它把真实工程中遇到的训练瓶颈映射究竟层盘算重漂后，，，，，，，为未来跨本体学习、漫衍式机械人智能、一连学习和具身智能系统架构研究提供了可进一步生长的基础。。。。。。

优德官网团队希望通过这一类研究，，，，，，，推动具身智能从“履历驱动的系统工程”进一步走向“理论与系统配合驱动”的阶段。。。。。。真正可扩展的具身智能，，，，，，，不但需要更强的模子和更大的数据集，，，，，，，也需要明确问题自己的盘算界线，，，，，，，并据此设计新的算法、训练机制和盘算系统。。。。。。

· 论文问题：Training Cross-Morphology Embodied AI Agents: From Practical Challenges to Theoretical Foundations

· 任命刊物：IEEE Computer

· 作者：Shaoshan Liu, Fan Wang, Hung-Chyun Chou, Yuanfeng Wang

· 开源代码：https://github.com/airs-admin/HEAT