宇树上市后的机器人赛道洞察：硬件和大模型不具备稀缺性，训练数据是价值最高的环节

BiRun 消息，作者：Shoal Research 编译：深潮 TechFlow 深潮导读： 机器人赛道正热，但真正稀缺的或许不是硬件或大模型，而是能让机器人学会干活的高质量训练数据。这篇文章拆解了为什么数据层可能成为机器人产业里价值最高的环节，以及哪类公司最有机会吃掉这块蛋糕。 近年来 AI 快速发展带来很多教训，其中最重要的一条是：计算机智能首先是其数据的函数。今天的前沿模型及其能力之所以存在，是因为少数实验室搭建了庞大的训练数据引擎来喂养它们。这一引擎建立在互联网上大量免费文本的基础上。训练数据现在同样是机器人领域的一个关键瓶颈，区别在于，机器人训练数据需要人类物理上执行并记录任务。机器人开发者目前还没有可抓取的训练数据语料库，而正因为这些训练数据更难获取，它们就更有价值。在本文中，我们将阐述为什么我们认为数据层是当今机器人领域最有价值的机会，以及哪种类型的企业最有条件抓住这一机会。 智能与数据计算机问世七十年以来，让一台机器真正完成一项任务，本身往往就是另一项任务。必须有人先按照机器能遵循的顺序写出每一步，这完美契合那些原本就建立在某种固定、精确流程上的工作。人们做数学运算、记账和轧平账目已有几个世纪，但计算机能更快地执行同一套流程。自动化重塑了岗位职能和整个行业，但大体上仍局限于单一任务，更重要的是，机器所做的每一件事都必须先由人写出来。 如今，机器能写出连贯的散文，回答具体和开放式的问题，并把平实的语言描述变成代码和可上线的应用。这一根本转变来自改变了赋予机器的指令类型以及给出指令的方式。虽然任务仍然从指令开始，但机器在获得指令后的能力已大幅进化。更重要的是，指令本身变得直观和简单得多，特别是它们可以从详细规格简化为简单句子。 重要的是，改变机器的能力首先需要改变它们的输入。机器不再被给予如何执行特定任务的精确指令，而是被给予大量不同任务被执行的例子，并通过观察这些例子来学习。模型不是被教会如何写一个句子，而是处理了足够多的句子后自己学会了这项任务。模型不是被教会如何写代码，而是处理了足够多可运行的代码后学会了自己生成代码。模型不是被教会如何翻译两种特定语言，而是处理了足够多的翻译文本后自己学会了翻译。 为了更好地说明这种区别，可以想想计算器和 ChatGPT。计算器能执行大型复杂运算，前提是这些运算涉及数字且不超出其定义范围，但如果让它写一篇文章就毫无用处。语言模型可以被当作计算器使用，同时也能写文章、搜索网络、生成可运行的代码，还能做更多事。关键区别在于训练数据。让机器回答一个从未见过的问题的模式，只能从真实例子中学会，因此 AI 模型训练的例子越多，它捕捉到的世界结构就越多，能做的事也就越多。同样的机制即将在物理世界中的机器人身上发生，所以先理解它在软件领域如何展开会有所帮助。 范式时刻 2020 年，OpenAI 发布了 GPT-3，几年后 ChatGPT 问世，对许多人来说，这是第一个真正有点像推理的应用。ChatGPT 能回答各种问题、写文章、翻译语言、生成可运行的代码，通常只需要一个简短的提示词。这些能力引发了强烈共鸣：ChatGPT 在五天内达到一百万用户，发布两个月内月活用户约一亿，创下当时消费级应用最快的采用纪录。 尽管 ChatGPT 最初运行在 GPT-3.5 上，但突破其实可以追溯到 GPT-3，而 GPT-3 之所以可能，是因为其训练数据规模前所未有。GPT-3 是同一个底层 GPT 模型的第三代，每一代的参数量都比上一代提升大约一个数量级。作为参考，参数是支撑模型识别和复现模式这一核心功能的构建块，因此参数越多，这种能。