主要观点总结
OpenAI投资的人形机器人初创公司1X发布了NEO机器人和其背后的“世界模型”。这个世界模型是一个计算机程序，能够想象出世界如何随着智能体的行为而演变，帮助NEO机器人精准地与物理世界交互。该模型能够预测有用的物体交互，生成高保真视频，并在神经网络中重新规划、模拟和评估。然而，这个世界模型也存在一些问题，如物体一致性和物理学定律的理解，以及自我认知的表现。
关键观点总结
关键观点1: 1X发布了NEO机器人和“世界模型”。
NEO机器人具有通用家庭机器人的能力，专为人类设计去完成各种家庭任务。其背后的“世界模型”是一个计算机程序，能够帮助机器人理解并与物理世界交互。
关键观点2: 世界模型能够帮助机器人精准交互。
世界模型解决了具身机器人的评估难题，能够预测物体的交互，如刚体、物体掉落、不完全可见物体等。
关键观点3: 世界模型的优势。
世界模型能够一键获得真实世界的复杂数据，无需手动创建资产。此外，它能够从原生传感器数据中学习模拟，并在数百万情境中评估机器人策略。
关键观点4: 存在的问题和挑战。
世界模型在物体一致性和物理学定律的理解方面存在问题。此外，当前模型还没有自我意识的表现。
正文
月初，OpenAI投下重注人形机器人初创1X，终于放出了NEO官宣视频。
不仅外观上，被戏称为「穿着西装的人」，而且在能力上，帮女主拎包、一起下厨，妥妥的一个通用家庭机器人。
它专为人类设计，去完成我们不愿意做的各种家庭任务，比如清洁、整理等等。
时隔半个月，1X终于发布了NEO背后的「世界模型」。
有了这个虚拟世界模拟器，NEO可以预测有用的物体交互。
比如，叠一件T恤、拉开窗帘这类可变性物体，家里随处可见，但却很难将其放入虚拟世界模拟器中。
有趣的是，1X AI副总裁Eric Jang称，他们在办公室专门放了一个全身镜，这样「模型」可以在镜子中，认出自己。
NEO现在有了自我反思的能力，不过，自我意识还没觉醒。
通过理解世界，并与之交互，1X「世界模型」可以生成高保真视频，并在神经网络中，重新规划、模拟和评估。
1X创始人兼CEO Bernt Bornich表示，首次证明了人形机器人数据，正显著地推进Scaling Law。
谷歌DeepMind机器人高级研究员Ted Xiao表示，1X的「学习型」世界模型能够随着惊艳、物理交互数据不断改进。
- 世界模型很可能是在多智能体环境中，实现可重复和可扩展评估的唯一前进的方向。（参加自动驾驶中世界模型评估成功案例）
- 基于2024年AI技术，比基于去年的技术更容易构建世界模型。
- 一旦世界模型足以用于评估，它们很可能已经至少完成了90%的训练工作。
基于视频生成和自动驾驶汽车世界模型研究，1X由此训练出自家的世界模型，作为NEO的虚拟模拟器。
从相同的起始图像序列出发，1X世界模型可以根据不同机器人的动作，预测多种可能的未来场景。
那么，具身机器人的存在，最重要的是能够与物理世界交互。
世界模型，能够帮助NEO完成精准地交互，比如刚体、物体掉落的效果、不完全可见物体（杯子）、可变形物体（窗帘、衣物）、铰接物体（门、抽屉、椅子）。
具身机器人难题——评估
另外，世界模型解决了构建通用机器人时，一个非常实际但常被忽视的挑战：评估。
假设训练机器人执行1000个独特的任务，那么很难判断一个新模型是否真的在所有任务上，都比之前的模型有所改进。
更令人困扰的是，即便模型权重相同，但由于环境背景或环境光线的细微变化，性能可能在短短几天内下降。
研究人员训练了一个机器人叠T恤的模型，性能在50天内逐渐下降。
而且，如果环境不断持续变化，实验的可重复性便成为难题。
尤其是，在家庭、办公室这样的环境中，去评估多任务系统，这一问题就会变得更加棘手。
基于这些因素，使得在真实世界中，开启严谨的机器人研究变得异常困难。
当scaling数据、算力、模型规模时，AI系统能力将如何扩展的问题，可以通过精准测量进行预测。
Scaling Law已经成为ChatGPT这样的通用AI系统，性能提升的有力支撑。
因此，如果机器人领域想要迎来属于自己的「ChatGPT时刻」，必须首先建立起它的「Scaling Law」。
基于物理模拟的引擎，诸如Bullet、Mujoco、Isaac Sim、Drake，已成为快速测试机器人策略的合理方法。
而且，这些模拟器可以重置、重复使用，进而研究人员能够仔细比较不同控制算法。
然而，这些模拟器主要是为「刚体动力学」设计的，并且需要大量人工数据收集。
那么，如何让模拟机器人打开一盒咖啡滤纸、用刀切水果、拧开一罐果酱，或与人类、其他AI智能体互动呢？
家庭环境中，常见的日常物品、宠物很难模拟，训练机器人极度缺少真实世界的用例。
因此，在有限数量任务中，对机器人进行小规模真实/模拟评估，并不能准确预测其在真实世界中的表现。
也就是说，这样训练出的机器人，很难具备真实世界「通用泛化」能力。
直接从原生传感器数据中学习模拟，并利用它在数百万情境中，评估机器人策略。
这种「世界模型」方法的优势在于，可以一键获得真实世界所有复杂数据，而无需手动创建资产。
过去一年里，1X团队收集了超5000小时EVE人形机器人数据。
这些数据包括，机器人在家庭和办公室环境中，执行各种移动操作任务，以及与人互动的场景。
然后，他们将视频和动作数据结合，训出一个世界模型。
这个模型非常强大，不仅能够根据所观察到的情况，执行动作，还能生成视频，预测未来的场景画面。
1X世界模型能够根据不同的动作指令，生成多样化的输出。
如下图所示，展示了基于四种不同动作序列，生成的各种结果。这些动作序列，都是从相同的初始画面帧开始。
与之前一样，这些所展示的示例，都不包含在训练数据中。
在接下来的模拟生成中，研究人员为模型提供相同的初始场景，并设置了三组不同的抓取盒子的动作。
在每个模拟场景中，被抓取的盒子，会随机械手运动而被提起和移动，而其他未被抓取盒子纹丝不动，保持原位。
即便没有给出具体的动作指令，世界模型也能生成看起来合情合理的视频。
比如说，它能自己在前行时，避开行人和障碍物，这种行为是很符合常理的。
模拟叠T恤，长期任务也在行
正如开头所展示的例子，NEO模拟了一个完整的T恤折叠演示。
值得一提的是，T恤等可变形物体，往往在「刚体模拟器」中难以实现。
