盖世具身智能获悉 穹彻智能于近日发布了具身世界模型 Noe-0 的技术预览，并介绍了团队在具身世界动作模型训练、全链路无本体数据和 AI 基础设施方面的阶段性进展。
Noe-0 以世界模型架构为基础，构建具身世界动作模型，将对真实环境变化的建模与机器人动作生成放在同一个学习过程中。在具体推理过程中，Noe-0 接收图像与任务语义，在同一共享表示中同时进行隐式世界想象与动作规划，并输出机器人动作。
在这一过程中，隐式世界想象为动作规划提供物体状态和上下文，动作信号也反过来约束模型关注与任务进程真正相关的变化。每次动作执行后，新的观察进入下一轮联合推理，形成“观察—联合推理—执行—再观察”的连续闭环。
据悉，从模型预训练到任务后训练，Noe-0 均使用由穹彻智能自研数据采集设备 RoboPocket 采集的无本体数据，使两个训练阶段建立在连续一致的动作分布之上，形成贯穿模型训练全过程的无本体数据链路。
RoboPocket 是一套便携式、可穿戴的数据采集设备，可以记录操作过程中的图像信息与人的操作轨迹。目前，基于 RoboPocket，穹彻智能正在全国范围内开展了大规模的分布式数据采集
穹彻智能的数据采集网络已覆盖全国超过50个城市，累计采集超过10 万小时的真实世界数据。在真实环境中，采集人员可以根据现场的空间、物体与任务开展采集，持续引入不同材质、形态、使用状态和操作方式的长尾样本。
在预训练阶段，这些来自真实环境的无本体数据构成了 Noe-0 的训练基础。而进入任务后训练阶段，Noe-0 仍然使用由 RoboPocket 采集的无本体数据。由此，Noe-0 从真实世界数据采集、模型预训练到任务后训练形成了全链路无本体数据。
