<mark id="oztn4"></mark>
0
作者丨齊鋮湧
編輯丨林覺民
全球首個(gè)人形通用小腦GPT基座大模型來了。
在美國科羅拉多州丹佛會議中心舉行的CVPR 2026現(xiàn)場，銀河通用聯(lián)合研究團(tuán)隊(duì)提出的AstraBrain-WBC 0.5，用一組數(shù)字直接刷新了行業(yè)認(rèn)知：
▎引入"20億幀最大人類行為數(shù)據(jù)規(guī)模"
▎真機(jī)實(shí)測效果，顯著優(yōu)于SONIC
▎零樣本泛化成功率92.58%
史上最大規(guī)模、整整20億幀人類動作數(shù)據(jù)，80.4M參數(shù)，零樣本泛化成功率92.58%，把傳統(tǒng)三層MLP的76.89%遠(yuǎn)遠(yuǎn)甩在身后，在MPJPE、MPJVE等多項(xiàng)指標(biāo)上全面超越SONIC、TWIST、Any2Track等當(dāng)前最優(yōu)方法。
這是人形機(jī)器人運(yùn)控領(lǐng)域前所未有的事。（雷峰網(wǎng)）
01
引入"最大人類行為數(shù)據(jù)規(guī)模"，一個(gè)模型，沒有任何預(yù)先編程，就能直接跟做從未見過的新動作。在室外泥地里拿起鋤頭干活，在家庭里絲滑穩(wěn)定地?cái)]貓/鏟屎，在拳打腳踢下保持魯棒，也能風(fēng)度翩翩跳起華爾茲。武術(shù)踢腿、籃球運(yùn)球投籃等高動態(tài)動作，同樣是零樣本，無需針對任務(wù)微調(diào)。
這就是銀河通用最新發(fā)布——全球首個(gè)人形通用小腦GPT基座大模型的含金量。
AstraBrain-WBC 0.5，作為全球首個(gè)人形機(jī)器通用小腦GPT基座大模型，有幾個(gè)特點(diǎn)：第一是GPT式預(yù)訓(xùn)練，告別三層MLP，實(shí)現(xiàn)規(guī)模即智能。
它通過引入GPT式預(yù)訓(xùn)練+時(shí)序因果建模、加入超大規(guī)模數(shù)據(jù)訓(xùn)練，其中Transformer相比MLP，擁有更強(qiáng)的可擴(kuò)展性，打破單一動作過擬合，實(shí)現(xiàn)了零樣本泛化追蹤全新動作。
再加上訓(xùn)練數(shù)據(jù)組最近鄰檢索，實(shí)現(xiàn)完全OOD泛化，以及諧波自編碼器與聚類，重塑訓(xùn)練流程，讓這個(gè)人形機(jī)器人運(yùn)控領(lǐng)域的"GPT式大規(guī)模預(yù)訓(xùn)練系統(tǒng)"，呈現(xiàn)出幾個(gè)顯著亮點(diǎn)：
▎引入了"最大人類行為數(shù)據(jù)規(guī)模"。
從規(guī)模上看，AstraBrain-WBC 0.5包含了20億幀、8000萬參數(shù)，其中20億幀可以簡單等效于20億token，這個(gè)數(shù)字已經(jīng)比肩2018年GPT-1的量級（GPT-1約1.17億參數(shù)），這是人形機(jī)器人運(yùn)控領(lǐng)域有史以來最大規(guī)模的人類行為數(shù)據(jù)集。
比此前最常用的公開數(shù)據(jù)集AMASS（約720萬幀）高出兩個(gè)數(shù)量級，是業(yè)內(nèi)同類跟蹤模型訓(xùn)練集的200倍以上。
▎真機(jī)實(shí)測效果，顯著優(yōu)于SONIC。
真機(jī)實(shí)測中，在沒有任何預(yù)先編程的前提下，不僅能拿鋤頭，跳華爾茲，還能完成武術(shù)踢腿、籃球運(yùn)球投籃等高動態(tài)動作，而且全是零樣本，無需針對任務(wù)微調(diào)。
在四個(gè)未見舞蹈動作的跟蹤誤差對比中，AstraBrain-WBC 0.5在MPJPE、MPJVE等多項(xiàng)指標(biāo)上，顯著優(yōu)于SONIC、TWIST、Any2Track等當(dāng)前最優(yōu)方法；而當(dāng)模型擴(kuò)容到80.4M參數(shù)的AstraBrain-WBC 0.5，成功率躍升至92.58%，把三層MLP的76.89%遠(yuǎn)遠(yuǎn)甩在身后。
20億幀，堪比2018年GPT-1的量級，Scaling Law在人形運(yùn)動控制領(lǐng)域真實(shí)存在。
但這只是結(jié)果。要理解AstraBrain-WBC 0.5為什么能做到這些，得先看看它解決了什么問題。
在過去幾年，人形機(jī)器人運(yùn)動控制領(lǐng)域雖然發(fā)展很快，但"敏捷"、"穩(wěn)定"和"泛化"始終不可兼得。有些方法能讓人形機(jī)器人奔跑跳躍，完成舞蹈、武術(shù)動作，也有些方法讓人形機(jī)器人泛化能力強(qiáng)，能跟蹤更開放的動作輸入，但一遇到復(fù)雜舞蹈、快速接觸切換、或是"金雞獨(dú)立""葉問蹲"等平衡性動作，機(jī)器人全身大幅協(xié)調(diào)，就會變得僵硬，動作精度明顯下降。要敏捷，就會犧牲穩(wěn)定性和泛化性；要泛化，動作質(zhì)量就打折扣。
AstraBrain-WBC 0.5正是沖著這個(gè)"不可能三角"去的。
02
核心思想，可以概括為一句話：把人體全身運(yùn)動看作一種"動作語言"，用處理自然語言的方式去理解和生成它。
https://arxiv.org/abs/2606.03985
論文中提到了GPT之所以能在文本領(lǐng)域?qū)崿F(xiàn)通用智能，關(guān)鍵在于以下三方面：
? 海量且均衡的數(shù)據(jù)
? 因果Transformer架構(gòu)的自回歸預(yù)測能力
? 從大量"專家"中提煉出的通用表示（預(yù)訓(xùn)練語料）
AstraBrain-WBC 0.5團(tuán)隊(duì)認(rèn)為，這三點(diǎn)同樣適用于人形運(yùn)動控制，于是先采集海量人類動作數(shù)據(jù)集，再用諧波運(yùn)動嵌入方法讓模型吃下數(shù)據(jù)，再經(jīng)過專家經(jīng)驗(yàn)的Transformer模型訓(xùn)練，最后在部署方面控制住推理延遲。完成了運(yùn)控大模型的閉環(huán)。
我深扒了一下論文，具體來說，AstraBrain-WBC 0.5的整套方案分為三個(gè)緊密銜接的階段：數(shù)據(jù)基建、架構(gòu)改造、雙階段訓(xùn)練。
▎第一、數(shù)據(jù)基建，解決"模型吃什么"的問題
人形機(jī)器人運(yùn)控?cái)?shù)據(jù)很稀缺，AstraBrain-WBC 0.5團(tuán)隊(duì)沒有局限于某個(gè)單一數(shù)據(jù)集，而是整合了AMASS、LAFAN1、MotionMillion、PHUMA、Motion-X++等多個(gè)來源的動作數(shù)據(jù)，再加上超過一千小時(shí)的高質(zhì)量內(nèi)部采集數(shù)據(jù)，統(tǒng)一重定向到宇樹G1的29自由度關(guān)節(jié)空間。
但光是"堆數(shù)據(jù)"不夠。不同動作的頻率、幅度、風(fēng)格差異巨大，直接混在一起訓(xùn)練，模型會"消化不良"。
AstraBrain-WBC 0.5團(tuán)隊(duì)引入了Harmonic Motion Embedding（HME，諧波運(yùn)動嵌入）技術(shù)，基于動作的周期特征進(jìn)行聚類，把約20億幀原始數(shù)據(jù)切分成大約300個(gè)運(yùn)動簇。
這一步非常關(guān)鍵。它相當(dāng)于給動作數(shù)據(jù)做了一次"詞性標(biāo)注"和"句法分析"，讓后續(xù)的訓(xùn)練更有條理。沒有這一步，20億幀數(shù)據(jù)就是一鍋粥；有了這一步，它變成了一本結(jié)構(gòu)清晰的詞典。
▎第二、架構(gòu)改造，解決"用什么吃數(shù)據(jù)"的問題
團(tuán)隊(duì)徹底拋棄了淺層MLP，改用GPT風(fēng)格的Causal Transformer（因果Transformer）。這個(gè)選擇不是跟風(fēng)，而是有扎實(shí)的控制理論依據(jù)：在線動作跟蹤本質(zhì)上是一個(gè)時(shí)序預(yù)測問題，機(jī)器人每一步的決策都依賴于過去的狀態(tài)和動作歷史。Causal Transformer的"因果注意力"機(jī)制，天然適合處理這種"只能看過去、不能偷看未來"的場景。
相比MLP只能看當(dāng)前幾幀的"短視"，Transformer可以捕捉更長的時(shí)間上下文，理解動作的連貫性和節(jié)奏感。一個(gè)舞蹈動作失敗，往往不是因?yàn)楫?dāng)前這一步錯(cuò)了，而是因?yàn)槿街暗闹匦臎]調(diào)好。Transformer的長記憶能力，讓它能夠"復(fù)盤"歷史，做出更連貫的決策。
▎第三、雙階段訓(xùn)練，解決"怎么消化"的問題
團(tuán)隊(duì)沒有天真地指望一個(gè)Transformer直接硬啃20億幀數(shù)據(jù)。他們采用了"先分后總"的策略：第一階段，為300個(gè)運(yùn)動簇分別訓(xùn)練約300個(gè)PPO（近端策略優(yōu)化）運(yùn)動專家，讓每個(gè)專家把自己那一類動作學(xué)到極致；
第二階段，用DAgger（數(shù)據(jù)集聚合）算法，把這300個(gè)專家的經(jīng)驗(yàn)蒸餾到單一的AstraBrain-WBC 0.5模型中，相當(dāng)于?？茣\，再培養(yǎng)一個(gè)全科醫(yī)生。專家策略負(fù)責(zé)在各自領(lǐng)域達(dá)到性能上限，蒸餾過程則負(fù)責(zé)把分散的知識整合成通用能力。
這三個(gè)階段環(huán)環(huán)相扣，缺一不可。沒有高質(zhì)量的數(shù)據(jù)基建，Transformer就是無米之炊；沒有架構(gòu)升級，數(shù)據(jù)再多也裝不進(jìn)小容量的MLP；沒有雙階段訓(xùn)練，大規(guī)模數(shù)據(jù)會導(dǎo)致訓(xùn)練不穩(wěn)定、收斂困難。
這是一個(gè)系統(tǒng)工程，不是某個(gè)單點(diǎn)技術(shù)的突破。
03
接下來聊聊AstraBrain-WBC 0.5的創(chuàng)新性。我覺得論文中首先值得一提的，是架構(gòu)創(chuàng)新。
簡單來說，用Transformer替代MLP，是首次實(shí)現(xiàn)人形運(yùn)控模型的規(guī)模化擴(kuò)展。
這是論文最直接、但也最容易被我們"理所當(dāng)然化"的貢獻(xiàn)。
這部分團(tuán)隊(duì)做了非常扎實(shí)的對比實(shí)驗(yàn)：在同樣的2M token訓(xùn)練數(shù)據(jù)下，三層MLP的成功率是76.89%，8層TCN（時(shí)序卷積網(wǎng)絡(luò)）提升到81.48%，而參數(shù)量僅5.7M的AstraBrain-WBC 0.5-S就達(dá)到了83.26%。
當(dāng)數(shù)據(jù)量提升到20億token、模型參數(shù)擴(kuò)展到80.4M時(shí)，成功率躍升至92.58%。
論文中也給出了對比：當(dāng)數(shù)據(jù)量達(dá)到最大的AstraBrain-WBC 0.5-L，在全部評測指標(biāo)上幾乎都實(shí)現(xiàn)性能最優(yōu)。
這組數(shù)字說明了兩件事。
第一，Transformer的容量天花板遠(yuǎn)高于MLP和TCN，能夠持續(xù)從更多數(shù)據(jù)中"汲取營養(yǎng)"；第二，在人形運(yùn)動控制領(lǐng)域，Scaling Law是真實(shí)存在的。
更值得注意的是，團(tuán)隊(duì)證明了Transformer在保持高容量的同時(shí)，依然可以滿足實(shí)時(shí)控制的嚴(yán)苛要求。
這里面有個(gè)細(xì)節(jié)：團(tuán)隊(duì)通過ONNX導(dǎo)出、TensorRT編譯、C++流式數(shù)據(jù)通道等工程優(yōu)化，在單張RTX 4090顯卡上把端到端推理延遲壓到了1.5毫秒以下。作為對比，傳統(tǒng)方案TWIST在CPU ONNX上的延遲是2.79—3.32毫秒。
這意味著，即便模型大了幾十倍，真機(jī)部署時(shí)的響應(yīng)速度依然比很多傳統(tǒng)小模型更快。
這一點(diǎn)打破了"大模型必然慢"的偏見，為后續(xù)更大規(guī)模的模型奠定了基礎(chǔ)。
04
20億幀超大規(guī)模人類動作數(shù)據(jù)集：
首次驗(yàn)證小腦大模型 Scaling low
如果說架構(gòu)創(chuàng)新是最容易被看見的，數(shù)據(jù)基建就是這篇論文中最容易被忽略的部分。
我們都知道，人形動作數(shù)據(jù)如果分布太窄，模型只會在窄分布里越來越熟。未來要接住各種動作，數(shù)據(jù)來源必須更雜。我看了下論文里提到的20億幀、8000萬參數(shù)的分布，這個(gè)參數(shù)量達(dá)到了“最大人類行為數(shù)據(jù)規(guī)?！?，這體現(xiàn)出銀河通用團(tuán)隊(duì)在數(shù)據(jù)積累層面的強(qiáng)大技術(shù)壁壘。
他們統(tǒng)一不同數(shù)據(jù)源的骨骼偏差、過濾低質(zhì)量動作片段、進(jìn)行時(shí)序分段和數(shù)據(jù)增廣、通過HME聚類保證數(shù)據(jù)分布均衡。
在最終的數(shù)據(jù)集里，我又發(fā)現(xiàn)了一個(gè)細(xì)節(jié)?？从覀?cè)圖表這樣的配比，能看得出來，這個(gè)數(shù)據(jù)配比融入了各種數(shù)據(jù)來源，既保證了多樣性，又避免了某些數(shù)據(jù)源的過度主導(dǎo)，明顯是多次試驗(yàn)驗(yàn)證得到的。
某種意義上，它證實(shí)了一件事：只要你有足夠的數(shù)據(jù)、足夠的算力、足夠好的架構(gòu)，人形機(jī)器人的運(yùn)動控制也能像自然語言一樣，通過規(guī)模化實(shí)現(xiàn)質(zhì)變。
05
雙階段訓(xùn)練是整套系統(tǒng)的核心，也是煉成通用能力的關(guān)鍵。
在第一訓(xùn)練階段，論文提到一個(gè)細(xì)節(jié)：AstraBrain-WBC 0.5團(tuán)隊(duì)沒有把所有動作直接扔給一個(gè)模型硬學(xué)。它先用HME把動作分簇，再訓(xùn)練一批motion experts。AstraBrain-WBC 0.5的處理很直接：先承認(rèn)動作分布不同，讓專家各自把一塊學(xué)穩(wěn)，再把專家經(jīng)驗(yàn)蒸餾回一個(gè)大模型。
訓(xùn)練這300個(gè)PPO專家，消耗了15000 GPU小時(shí)中的75%，投入是巨大的，但也是必要的。
第二階段是蒸餾。團(tuán)隊(duì)用DAgger算法，讓AstraBrain-WBC 0.5在專家策略生成的軌跡上學(xué)習(xí)，逐步把300個(gè)專家的"集體智慧"壓縮到一個(gè)模型里。為防止越學(xué)越偏，用算法收集學(xué)生模型的"犯錯(cuò)數(shù)據(jù)"并交給專家重新標(biāo)注，這就解決了"分布偏移"。
最終得到的AstraBrain-WBC 0.5，既保留了專家策略的高性能，又具備了單一模型的通用性和部署便利性。這是一種典型的"用工程復(fù)雜度換模型通用性"的思路，也是大模型時(shí)代常見的技術(shù)路線。
其實(shí)當(dāng)時(shí)看論文看到這里，我想到一個(gè)現(xiàn)實(shí)問題：以后人形機(jī)器人底層運(yùn)控如果真的走向基座化，算力賬本可能不會只出現(xiàn)在VLA和世界模型里。身體這一層，也開始有自己的數(shù)據(jù)賬本、專家賬本和蒸餾賬本。
06
其實(shí)AstraBrain-WBC 0.5的工作，并不是憑空出現(xiàn)的范式創(chuàng)新。不少人看到這里，應(yīng)該想到了2024年伯克利團(tuán)隊(duì)的《Humanoid Locomotion as Next Token Prediction》論文，它的核心思路是用"預(yù)測下一個(gè)token"的自回歸方式做人形機(jī)器人的行走控制。
當(dāng)時(shí)這篇論文在學(xué)術(shù)界引起了很大反響，因?yàn)樗状伟袵PT的范式引入機(jī)器人運(yùn)動領(lǐng)域，證明了在單一行走任務(wù)上，自回歸模型可以取得不錯(cuò)的效果。
而AstraBrain-WBC 0.5，則是在此基礎(chǔ)上往前邁出了一大步。
伯克利的工作主要聚焦于行走（Locomotion），這是一個(gè)相對單一的任務(wù)域。行走雖然復(fù)雜，但本質(zhì)上是一個(gè)周期性運(yùn)動，狀態(tài)空間相對有限。
而AstraBrain-WBC 0.5解決的是全身運(yùn)動跟蹤，涵蓋走路、跑步、舞蹈、武術(shù)、搬運(yùn)、倒地起身等極其豐富的動作類型。
從"只會走"到"全身都會動"，這中間的難度跨越不是線性的，而是指數(shù)級的。
更重要的是，AstraBrain-WBC 0.5實(shí)現(xiàn)了零樣本泛化。
從效果上看，AstraBrain-WBC 0.5在多個(gè)維度實(shí)現(xiàn)了突破：
第一是高動態(tài)動作支持。 真機(jī)實(shí)測視頻中，機(jī)器人可以完成跳躍、快速轉(zhuǎn)身、武術(shù)踢腿等動作。
很多人形動作失敗，看起來發(fā)生在某一幀，根源往往在前面幾步。節(jié)奏沒接上，重心提前偏了，腳落點(diǎn)稍微錯(cuò)了一點(diǎn)，后面再想補(bǔ)就很難。Transformer真正有用的地方，是它給tracker更長的時(shí)間視野。
第二是超低延遲響應(yīng)。 端到端推理延遲低于1.5毫秒。在人形機(jī)器人控制中，延遲非常要命。每多一毫秒，機(jī)器人在受到擾動時(shí)的恢復(fù)窗口就小一分。
第三是魯棒性。 論文展示了機(jī)器人在受到外部推力、地面摩擦變化等干擾下的表現(xiàn)。這不是"死記硬背"某個(gè)動作軌跡，而是真正理解。
論文里，團(tuán)隊(duì)用四個(gè)未見舞蹈動作的真機(jī)跟蹤誤差橫向?qū)Ρ華straBrain-WBC 0.5與SONIC、TWIST、Any2Track，AstraBrain-WBC 0.5-B在多項(xiàng)指標(biāo)上優(yōu)于GMT、TWIST、Any2Track。
此外還有一個(gè)在線遙操作驗(yàn)證的實(shí)驗(yàn)：實(shí)時(shí)MoCap流持續(xù)重定向到G1關(guān)節(jié)空間，AstraBrain-WBC 0.5不額外微調(diào)，直接驅(qū)動機(jī)器人跟隨。這些都是非常直觀的突破。
07
最后，拋開頂會論文的學(xué)術(shù)意義，我們再聊聊AstraBrain-WBC 0.5的產(chǎn)業(yè)價(jià)值。
首先，AstraBrain-WBC 0.5作為一個(gè)預(yù)訓(xùn)練的"運(yùn)控基座"，其他研究者可以直接零樣本跟蹤新的參考動作，大幅降低研究門檻。再加上開源了代碼和部分工具，這意味著全球的研究者都可以在此基礎(chǔ)上進(jìn)行二次開發(fā)。
放在娛樂場景，AstraBrain-WBC 0.5讓"一鍵生成復(fù)雜擬人化表演"成為可能。以后舞蹈編導(dǎo)可以給遠(yuǎn)在千里之外的機(jī)器人實(shí)時(shí)復(fù)現(xiàn)，迪士尼或者劇組的機(jī)器人拿到遠(yuǎn)程運(yùn)控信號，就可以隨時(shí)開跳。對于應(yīng)急救援等嚴(yán)肅場景，AstraBrain-WBC 0.5的泛化能力也讓機(jī)器人可以在未知環(huán)境中執(zhí)行更復(fù)雜的身體任務(wù)。
最后，必須要說的是，AstraBrain-WBC 0.5也是具身頭部公司銀河通用的"銀河星腦"的小腦部分。
銀河星腦是全球首個(gè)集成"大腦-小腦-神經(jīng)控制"于一體的全身全手端到端具身大模型，其中AstraBrain-WBC 0.5所擅長的，就是把高層指令轉(zhuǎn)化為具體的關(guān)節(jié)運(yùn)動。
回顧銀河通用的發(fā)展軌跡，這家公司成立于2023年5月，短短兩年多時(shí)間，已經(jīng)完成了從零樣本抓取、零售場景、導(dǎo)航基座到AstraBrain（全身全手大模型）的技術(shù)布局。
AstraBrain-WBC 0.5作為其中的"小腦"模塊，不僅補(bǔ)齊了全身運(yùn)動控制這塊關(guān)鍵拼圖，也為整個(gè)銀河星腦的泛化能力提供了堅(jiān)實(shí)的身體底座。
銀河通用帶領(lǐng)團(tuán)隊(duì)的這項(xiàng)工作，在學(xué)術(shù)領(lǐng)域最大的意義或許在于：在人形機(jī)器人運(yùn)控領(lǐng)域已經(jīng)找到了一條可擴(kuò)展、可復(fù)現(xiàn)的技術(shù)路徑，就像2018年的GPT-1的出現(xiàn)，雖然遠(yuǎn)不及今天的GPT-4，但它卻奠定了一個(gè)路書。
而在商業(yè)視角下，AstraBrain-WBC 0.5的價(jià)值還在于它正在重構(gòu)人形機(jī)器人的商業(yè)模型。
一個(gè)預(yù)訓(xùn)練的通用運(yùn)控基座，意味著銀河通用無需為每個(gè)新場景重新投入研發(fā)成本，舞蹈、巡檢、救援共用同一套"身體操作系統(tǒng)"。
邊際成本隨部署規(guī)模遞減，毛利率曲線將顯著抬升。而零樣本泛化能力大幅縮短了客戶驗(yàn)證周期，從"定制開發(fā)"變成"即插即用"，客戶獲取速度有望復(fù)制軟件行業(yè)的規(guī)?；瘮U(kuò)張路徑。（雷峰網(wǎng)(公眾號：雷峰網(wǎng))）
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
