段落一：
日前，在旧金山街头上演了一场科幻与现实交织的场景，一台人形机器人在不同地形上自由漫步。这一创新突破引起了科技界广泛关注，其中包括Sora团队的高度赞扬。负责人Bill Peebles和核心Tim Brooks对加州大学伯克利分校博士生、前Meta AI实验室FAIR研究工程师Ilija Radosavovic领导的项目成果表示惊叹，认为其将AI成功引入了真实世界。
段落二：
Radosavovic团队发布的论文《Humanoid Locomotion as Next Token Prediction》揭示了一种革命性的方法论——借鉴OpenAI训练ChatGPT时采用的“预测下一个token”策略，将其应用于人形机器人的运动控制中，这一路线被称为“自回归生成式”。尽管该方法凭借“Scaling Law”通过加大模型参数、数据及算力提升效果，展现了“暴力美学”的一面，但其长远前景仍存在行业争议。
段落三：
Scaling Law在文本生成和视频生成领域取得突破后，如今正试图攻克人形机器人运动控制的难题。过去，机器人运动控制高度依赖人工精密编程，缺乏对复杂环境的适应性，泛化能力有限。而OpenAI的ChatGPT利用“暴力美学”，以海量数据、算力和参数规模实现模型对新情境的出色泛化能力，引发了智能涌现的革新。
段落四：Radosavovic团队借鉴OpenAI在语言领域的经验，将人形机器人的运动控制视作一个“下一个token预测问题”，通过训练基于自回归预测的causal transformer模型，实现了对多模态输入序列的有效预测。即使仅在27小时行走数据上训练，该模型也能在现实中展现强大的泛化能力，执行未曾在训练中出现过的指令，如向后行走等。
段落五：
这项研究构建了一个包含多种来源轨迹数据集的通用框架，并展示了模型如何处理缺失模态数据，有效应对实际应用中的复杂情况。通过整合先前神经网络策略、基于模型的控制器、人类运动捕捉以及互联网视频等多种来源的数据，训练出的人形机器人能够在各种环境中稳定行走，包括人行道、混凝土路面、沥青路、广场甚至沙土路。
段落六：
在探讨Scaling Law对人形机器人技术的影响时，研究发现模型性能随训练数据集大小、上下文长度及模型规模的增长而得到显著提升。更大的数据集、更长的上下文窗口以及更大的模型尺寸均能带来更好的位置跟踪精度，预示着人形机器人在更大规模训练下有望实现更高水平的性能表现。
段落七：
当前，硅谷巨头们纷纷布局人形机器人赛道，掀起一场技术风暴。英伟达成立通用智能体研究实验室GEAR，提出在未来五年内构建具备基础智能体的机器人，使之如同iPhone一般无处不在。与此同时，初创公司Figure AI凭借卓越的技术实力和商业化进程，获得了包括微软、OpenAI Startup Fund、NVIDIA等在内的多家知名投资机构青睐，并与OpenAI达成深度合作，致力于打造能够理解和执行复杂任务的人形机器人。
总结：
虽然人形机器人在从实验室迈向产业化的道路上面临机械结构迭代缓慢等挑战，但随着大模型、具身智能技术的快速发展，它们承载着人工智能在现实世界中最终形态的理想愿景。尽管落地之路崎岖漫长，然而一旦成功，人形机器人或将深远影响人类社会，并有可能成为地球上最具影响力的公司之一。这场人形机器人风暴不仅预示着技术变革的未来趋势，也昭示着我们对于未来世界的无限期待与探索。
