科技日报记者 崔爽
具身模型的感知、决策与操作能力正在快速提升，但进入真实物理世界后，却仍可能因为未曾见过的物体位姿、环境扰动等出现动作偏差，导致分布外（OOD）任务成功率降低。
近日，具身智能公司极智嘉发布Gravity Control因果干预模型，该模型无需训练原始策略模型和新增示教数据，通过机制可解释性挖掘模型内部的动作调控机制，可实现具身策略的运行时纠偏。
据了解，Gravity Control从揭示端到端模型内部的因果表征机制入手，建立“概念可解释+行为可控制”的双向闭环。操作人员仅凭一句自然语言提示，便能精确激活与微调模型深层的运动特征，将分布外（OOD）复杂操作任务的成功率从17.5%提升至87.5%。
同时，Gravity Control模型不绑定某一种具身策略架构，接入不同类型的原始模型均可实现以自然语言进行运行时纠偏。
随着各种端到端具身智能模型逐渐进入真实物理环境，模型能力本身已不再是唯一需要关注的问题，更重要的是当机器人出现失误时，是否能够诊断问题来自哪里，并对局部行为进行可预测、可约束的干预。
基于此，Gravity Control可以进一步接入更上一级的智能体或AI原生系统套件，由上层系统持续判断任务状态、识别动作是否偏离目标，并自动完成全流程作业链条。系统还能将成功的纠偏过程沉淀为可复用的Skill（技能），再遇到相似状态时，系统即可优先检索并调用既有经验，降低对人工干预的依赖。
网友评论
