【部报道】来自凹非寺的量子位，公众号QbitAI带来最新科技动态：OpenAI赋予智能的新一代机器人Figure 01在深夜惊艳亮相！这款集听、说、灵活动作于一体的智能机械伙伴，以其超凡表现引发了全球网友热议。
    Figure 01凭借其搭载的先进视觉语言大模型，能够实时精确地描述其所见场景，例如识别桌上红苹果和沥水架上的餐具，并能根据人类指令迅速做出反应。当听到“想吃东西”时，它会准确无误地递上苹果，且对自身行为具有清晰的认知——因为它明白这是桌子上唯一可食用的东西。同时，Figure 01还能高效完成整理任务，实现多任务并行处理。尤为引人注目的是，这些展示过程并无任何加速或后台操纵痕迹，展现了其本身超快速的动作响应能力。
    这一卓越性能引发网友热议，有人甚至@波士顿动力公司，戏谑道：“老朋友们，看来是时候回到实验室，让我们的旧款机器人跳更多舞来应对挑战了。”而另一位网友则在目睹OpenAI在大语言模型与文生视频领域取得突破后，又见证其在机器人领域的崭新进展，不禁感叹道：“这是一场激烈的竞争；若与OpenAI联手，苹果公司有可能超越特斯拉在智能硬件领域的地位。尽管如此，从外观设计角度看，擎天柱似乎更胜一筹，但Figure 01仍需在‘颜值’方面接受一些‘整形手术’。”
    深入探究Figure 01的技术细节，其背后依托的是OpenAI提供的强大视觉语言理解能力。创始人介绍称，通过端到端神经网络技术，Figure 01能够流畅自然地与人类进行对话交流。该机器人利用先进的视觉语言大模型（是否为GPT-4V尚未公开）实现了快速、简单且灵巧的动作执行，包括动作规划、短期记忆以及语言推理过程的解释。
    例如，在对话中理解并回应“你能把它们放在那里吗？”这样的模糊指示，就体现了其强大的短期记忆和语境理解能力。Figure 01的摄像头以每秒10帧的速度捕捉画面，随后由神经网络以每秒200次的频率输出24自由度的动作控制指令（涵盖手腕和手指关节）。在具体操作层面，复杂动作交由AI大模型进行常识推理并制定动作计划，而诸如抓取塑料袋等简单动作，则由预先训练好的视觉-动作策略模型驱动机器人快速反应。与此同时，全身控制器确保机器人维持平衡稳定。
    Figure 01的语音交互功能基于文本-语音大模型微调而来，而其硬件组件如电机、中间件操作系统、传感器及机械结构等均由Figure公司的工程师自主研发设计。就在两周前，Figure宣布与OpenAI达成合作，短短13天后便展示出令人震撼的研发成果，无疑为双方未来的深度合作埋下期待的伏笔。
    由此，具身智能领域一颗璀璨新星——Figure 01正步入聚光灯之下。这家成立于2022年的机器人初创公司Figure，在不久前的一轮融资中筹集了6.75亿美元，估值飙升至26亿美元，投资方囊括微软、OpenAI、英伟达以及亚马逊创始人贝佐斯等硅谷巨头。OpenAI与Figure的合作愿景更是雄心勃勃：将多模态大模型的能力拓展至机器人感知、推理和交互层面，共同研发能替代人类从事体力劳动的人形机器人，真正推动具身智能的发展。
    当时，Figure 01已经展现出非凡的学习能力，仅通过观看10小时的人类示范视频，就能学会使用胶囊咖啡机制作咖啡。随着双方合作消息的公布，外界对于Figure未来的技术突破充满了期待。尤其值得一提的是，公司创始人Brett Adcock在其个人主页上写道：“Figure的唯一重点是以30年视角建立，积极影响人类未来。”如今，仅仅两周时间过去，Figure 01的新一轮重大进展就已呈现在世人面前，其发展速度之快、进步幅度之大、泛化与规模化能力之强，令人惊叹。
    伴随此次炸场演示一同发布的，还有Figure面向全球发出的招募令：“我们正在引领人形机器人走进日常生活，诚邀您加入我们的行列，共创未来！”