纪要涉及的行业或公司 * 公司：优必选[1] * 行业：人形机器人、人工智能、工业自动化[2] 核心观点和论据 技术领先性与模型能力 * 自研Thinker大模型在人形机器人工业应用中展现出强大的任务理解、环境感知、认知决策和任务规划能力[2] * Thinker大模型在国际公开评测中获得9项全球第一的成绩[2][4] * 模型采用专家MoE架构，体积小（4B），在端侧部署效率高[3][11][13] 工业应用与执行能力 * Thinker大模型结合VOA技术，使机器人在搬运、分拣等工业任务中具备高效精确的执行能力[2] * 机器人能应对训练集以外的异常情况，实现自我纠错和恢复，例如搬运不稳时主动调整，展示了强大的泛化能力[2][4][5] * 通过VLA模块处理长尾问题，大模型展现出如失败重试等未预训练的新能力[10] 工程实现与部署优化 * 通过模型蒸馏、量化加速和端侧部署工程优化，成功在算力有限的机器人端侧芯片上高效运行Thinker大模型[2][5] * 大脑（Thinker）负责高层次任务规划和场景理解，推理频率约10赫兹；小脑（VOA）负责具体执行，频率可达50~100赫兹，采用异步推理模式支持实时闭环控制[8] * 模型具备异构部署能力，基础模型不针对特定机型，可针对不同机型进行微调[7] 数据处理与模型训练 * AI模型研发已转向以数据为中心，高质量数据是模型有效性的首要贡献因素[3][6] * 实现了近乎百分百的自动化标注流程，包括自动化标注、打分、重新标注[3][6] * 主要使用开源数据（占主要部分），并结合真机及客户现场数据进行后期增强训练，以此控制研发成本[5] * 通过融合多模态数据（互联网开源数据、真机操作记录）提高模型的适应性和泛化能力[6] 性能提升关键因素 * 多模态数据融合[6] * 结合先进算法与强化学习（如Post Training、Reject Fine Tuning）进行优化[6] * 工程优化与算力利用最大化[6] 开源与生态建设 * 模型基于开源协议和框架，开发者可使用现有工具进行二次微调[9] * 将在开源社区提供面向机器人硬件优化的工具链，便于模型高效部署在优必选机器人上[9] * 开源只涉及模型，严格遵循保密协议，不泄露客户数据，确保数据安全并符合跨境政策[9] 多机协同与未来方向 * 群脑网络和CoAgent是基于大模型的应用框架，Thinker作为基础平台支持多机器人协同，通过中心化大脑实现跨机共享和指令分发[9] * 未来3-6个月主要目标是进一步探索VLA和世界模型方向，并计划发布相关成果[7] * 未来基于Thinker的VLA将包含力学触觉状态，通过token化实现多模态传感器数据的统一决策[12] 其他重要内容 公司研发情况 * 整体研发人员超过1,000人，其中70%从事软件开发，30%从事硬件开发[8] * 所有研发资金均由公司自行承担[8] 行业评测与仿真 * 行业内对具身智能大模型的评测主要关注任务规划、场景理解和物体感知，优必选使用了17个相关评测集[7] * 通过Real to Sim方法（在真实环境训练，在仿真环境测试）解决仿真与硬件部署间的物理误差问题[7] 商业模式前景 * 拥有大量真实工业场景数据，对比其他厂商使用仿真或设计素材的数据更具可靠性[13] * 通过快速响应下游需求及整合供应链资源，商业模式具有良好前景[13]