作者 | 山竹

出品 | 鋅產(chǎn)業(yè)

作為人形機器人的鐵粉，黃仁勛這兩天又放了一個大招：

算力高達2070TFLOPS的端側(cè)算力Jetson T5000，專為人形機器人打造。

至此，造芯片的黃仁勛，又將人形機器人的端側(cè)算力拉升到了一個新高度。

一個在不依賴云計算情況下，可以在本地執(zhí)行更多AI推理計算和多模態(tài)傳感器數(shù)據(jù)實時工作處理的高度。

這意味著，模型側(cè)和傳感器上的最新產(chǎn)研成果，在人形機器人上有了更快落地的可能。

這是我們看到的，2000多T的端側(cè)算力，能為人形機器人產(chǎn)業(yè)帶來的好處。

當然，這更多類似數(shù)學推導公式，是理論上的可行。

那么，實際上，現(xiàn)在的人形機器人又需要多大的算力？

01無人不喜機器人

作為幾乎所有科技產(chǎn)品的終極形態(tài)，機器人，尤其是人形機器人，在科技領(lǐng)域的地位是絕無僅有，也讓很多科技大佬神往。

這其中，有兩位科技大佬對人形機器人的推崇，直接讓原本處于邊緣地帶的人形機器人，飆升到了如今科技領(lǐng)域的頭牌。

一位是科技狂人馬斯克，那個成功發(fā)射了商業(yè)運載火箭、搞出了衛(wèi)星互聯(lián)網(wǎng)、研發(fā)了自動駕駛汽車，同時還在搞腦機接口的“造物主”。

在2021年的首屆AI Day上官宣要進入人形機器人領(lǐng)域后，僅用一年就造出了人形機器人原型機。

由于馬斯克創(chuàng)造了太多奇跡，做成了太多大家想都不敢想的事，當他官宣要造人形機器人時，直接將人形機器人這一經(jīng)歷過諸多坎坷的概念，重新拉回到了歷史舞臺中央。

另一位則是掌管著全球第一家4萬億美元市值公司英偉達的創(chuàng)始人，黃仁勛。

黃仁勛是一個鐵腕管理者，同樣也是一位對技術(shù)極為敏感的企業(yè)家，在英偉達的企業(yè)發(fā)展史上，黃仁勛在技術(shù)萌芽期相信過兩個重要技術(shù)趨勢：

一個是人工智能，在深度學習還沒成為潮流的2014年，黃仁勛就關(guān)注到了人工智能，并相信人工智能就是未來。

于是，英偉達設(shè)計的GPU在隨后幾年里成了那些美國老教授訓練神經(jīng)網(wǎng)絡(luò)的利器，黃仁勛甚至在GTC 2015上直接喊話，“我們不是硬件公司，我們是AI公司。”

人工智能就此被寫入了英偉達的企業(yè)戰(zhàn)略。

另一個正是機器人，英偉達面向機器人領(lǐng)域研發(fā)的Jetson系列計算平臺，遠早于這波人形機器人浪潮。

英偉達第一代Jetson系列計算平臺，是2014年發(fā)布的Jetson TK1，作為Jetson系列計算平臺首款產(chǎn)品，Jetson TK1的發(fā)布成了英偉達面向嵌入式AI和機器人領(lǐng)域戰(zhàn)略轉(zhuǎn)型的起點。

在這之后的十年里，我們看到，英偉達Jetson系列平臺持續(xù)演進，從最初不到1TFLOPS算力的Jetson TK1，一直演進到了如今擁有2070 FP4 TFLOPS算力的Jetson AGX Thor。

在此過程中，Xavier、Orin、Thor又成了英偉達在機器人產(chǎn)業(yè)中濃墨重彩的三代計算平臺。

以Jetson AGX Xavier為例，京東和美團就曾基于這一產(chǎn)品打造了自家的物流配送機器人，主流工業(yè)機器人廠商如發(fā)那科這樣的企業(yè)，同樣有采用這款產(chǎn)品打造工業(yè)機械臂。

隨后，擁有100 TFLOPS算力的Orin系列產(chǎn)品，更是成了如今國內(nèi)諸如智元、宇樹等企業(yè)人形機器人明星產(chǎn)品背后的AI算力平臺。

從某種意義上來看，如果說馬斯克讓全世界看到了人形機器人的商業(yè)價值，那么，黃仁勛則是一步步拔高了機器人算力平臺的性能，讓人形機器人在端側(cè)有了越來越強的算力平臺可用。

不過，即便是對機器人如此偏愛的黃仁勛，也依然覺得機器人這個概念不夠性感，至少在現(xiàn)在來看已經(jīng)不夠獨特，所以，黃仁勛造了一個新概念——物理AI（Physical AI）。

相較于英偉達現(xiàn)在在虛擬世界里的絕對霸主地位，物理AI也體現(xiàn)了黃仁勛更大的野心。

02既要大算力，也要小模型

人形機器人需要多少端側(cè)算力？

這是我在過去這幾個月和行業(yè)里專家聊天時，都會提到的一個問題，當然，也是一個注定不會有統(tǒng)一答案的問題。

從目前市面上人形機器人搭載的端側(cè)算力來看，大都是在100-200T。

這倒不是因為100T的算力是人形機器人的頂配，而是這樣的算力對于現(xiàn)在的人形機器人而言，已經(jīng)完全夠用。

關(guān)于人形機器人的技能，現(xiàn)在倒是有一個共識，那就是，人形機器人依然停留在執(zhí)行抓取、分揀這樣的簡單動作，在具身模型加持下，正在不斷突破長程任務(wù)的執(zhí)行。

訓練、執(zhí)行這樣的任務(wù)，100T的算力做AI推理已經(jīng)基本夠用。

如果要涉及更復(fù)雜的多傳感器數(shù)據(jù)處理與融合計算，以及更大參數(shù)規(guī)模的端到端模型的運行，100T算力就顯得有些捉襟見肘，而以往的方法是啟用云端算力。

當然，還有另一個思路，一個必然是未來主流技術(shù)路徑的思路——將端側(cè)模型做得更小。

就在前不久，機器人界的網(wǎng)紅波士頓動力在網(wǎng)上公布了Atlas的近況視頻，采用端到端LBM模型的Atlas已經(jīng)能夠在加入各種干擾情況下，很好地執(zhí)行抓取、分揀、折疊等任務(wù)。

據(jù)波士頓動力官方透露，此次LBM模型采用的是基于Transformer架構(gòu)的4.5億參數(shù)規(guī)模的模型，結(jié)合流匹配目標，就可以將包括30Hz圖像、人體感覺、語言指令等輸入信息轉(zhuǎn)化為控制Atlas運動的動作指令。

相較于動輒十億、百億參數(shù)規(guī)模的大模型，4.5億參數(shù)規(guī)模只能算是小模型，而這樣的小模型在計算負載上帶來的減壓，讓人形機器人有更多算力用于實時數(shù)據(jù)采集和處理。

實際上，不只是波士頓動力，即便是不斷在提升計算平臺算力上限的英偉達，也在積極主張端側(cè)小模型這條路子。

英偉達研究員在近期發(fā)布的一篇標題為《小模型是智能體的未來》的論文中就指出，小模型通過優(yōu)化硬件資源和智能體規(guī)劃設(shè)計，可以更高效地執(zhí)行智能體任務(wù)。

在大部分智能體執(zhí)行任務(wù)時，智能體需要大模型進行工具調(diào)用、任務(wù)拆解、流程控制、推理規(guī)劃等操作，而其執(zhí)行任務(wù)時，往往并不需要大模型來執(zhí)行簡單重復(fù)的任務(wù)，而是為每個子任務(wù)選擇合適的工具。

英偉達研究員認為，與其用通用大模型處理這些任務(wù)，還不如將多個經(jīng)過專業(yè)微調(diào)的小模型執(zhí)行每個特定任務(wù)。

這樣的方法自然也適用于當下對算力有著獨特需求的人形機器人領(lǐng)域。

這樣的思路聽上去也很“波士頓動力”，好似又回到了程序化的“定式”里，但卻是大模型范式下的“程序化定式”。

而在推理調(diào)度不斷優(yōu)化、大模型推理系統(tǒng)持續(xù)模塊化發(fā)展的未來，這一范式也不失為未來十年，人形機器人產(chǎn)業(yè)化落地一條必不可少的先導路徑。