機器狗指揮人類用天平稱重！清華現(xiàn)場演示：無腳本，任務(wù)隨機，觀眾即興出題

允中 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

黑板上隨手畫一筆，機器狗就能看懂，然后走出身后的三維迷宮。

這一幕，就發(fā)生在清華大學(xué)的一場現(xiàn)場演示中。

幾十位觀眾圍觀，任務(wù)隨機，環(huán)境開放，沒有預(yù)設(shè)腳本。

搭載了一念Unisonmind端側(cè)大腦的機器狗“哮天”，不僅能看圖走迷宮：

還能指揮人類用天平稱重：

甚至現(xiàn)場估算觀眾遞來的礦泉水瓶的剩余水量……

這個認知底座，還可以無縫遷移到人形機器人和電動輪椅上。

同一個大腦，不同的身體，正在真實世界里完成實時、持續(xù)的“感知—行動—反饋”閉環(huán)

過去，行業(yè)對于Physical AGI的討論往往陷入路線之爭，或沉迷于虛擬Benchmark的刷榜。

而這場演示真正的價值在于，它以人類智能為天然標尺，提供了一套可逐項驗證的物理通用智能標準。

人類智能，定義Physical AGI的天然標尺

回到人類智能，我們可以稱之為Physical GI，它究竟是以何種方式運行于真實世界？

上世紀八十年代，哈佛發(fā)展心理學(xué)家霍華德·加德納提出：“智力的基本性質(zhì)是多元的——不是一種能力而是一組能力，其基本結(jié)構(gòu)也是多元的。”

它是同一個認知系統(tǒng)，在真實時空中持續(xù)運行，并面對不同對象與任務(wù)，形成人類的多元智能。

如果說人類智能是進化造就的物理通用智能，那么Physical AGI（物理通用人工智能）就是對這一形態(tài)的人工復(fù)刻：

一套以實體為載體、在真實世界中持續(xù)運行的“認知范式”。

它可以調(diào)度感知、表征、記憶、學(xué)習(xí)、推理、規(guī)劃、生成與反饋調(diào)節(jié)等基礎(chǔ)認知能力，理解適應(yīng)復(fù)雜情境、并作用于環(huán)境，在語言、空間、物理、行動、社會與時間等多個維度形成泛化智能，最終通過實體與環(huán)境構(gòu)成實時、持續(xù)、可自適應(yīng)的“感知—行動—反饋”閉環(huán)。

當定義清晰，判斷便不再是口號與路線之爭，而是一套可逐項驗證的標準，問題也隨之而來：

Physical AGI究竟需要具備哪些能力？

這些能力能否在無預(yù)設(shè)的真實現(xiàn)場中被觀測、被復(fù)現(xiàn)？

帶著這一可驗證的標尺，回看一念Unisonmind在清華大學(xué)的現(xiàn)場演示，我們便能讀懂這場演示真正的參照價值。

先看現(xiàn)場。

這是一個有幾十位觀眾在場圍觀，任務(wù)隨機、環(huán)境開放，沒有預(yù)設(shè)腳本的真實現(xiàn)場。

一念Unisonmind：同一個大腦，涌現(xiàn)多項領(lǐng)域智能

機器狗“哮天”看圖走迷宮

黑板上隨手一幅簡筆畫，機器狗便理解是身后的三維迷宮。

主持人在圖上圈出一個位置，它便去場地里尋找對應(yīng)物體。

最后，主持人隨手畫出一個“8”字。

哮天先問“能不能走捷徑”；走完捷徑，又按圖行進。

它蹭到迷宮板時，現(xiàn)場有觀眾“洞見真相”。看來不是它避障失誤，而是黑板上的路線本就與墻體相交。

這個任務(wù)不僅需要空間智能，還需要表征、抽象、規(guī)劃與反饋調(diào)節(jié)，來一起完成。

機器狗指揮人類使用天平

還是裝載Unisonmind大腦的機器狗“哮天”，讓人類助手使用天平秤，給隨機找的幾個物品稱重量。

物理智能、語言交流、行動規(guī)劃和社會協(xié)作，這些領(lǐng)域智能一并使用，才能解題。

觀眾臨時拿出兩瓶水

真實世界的問題，完全不像benchmark那樣規(guī)整，也無法每項任務(wù)都訓(xùn)練過。

一位觀眾臨時拿出兩瓶喝過的礦泉水，問：瓶子里還剩多少水？

這不是預(yù)設(shè)題目。哮天看了一眼，說：“你先把礦泉水瓶標簽撕了。”

同一個大腦，進入不同身體

同一個Unisonmind端側(cè)大腦，還運行在另一只機器狗、人形機器人和電動輪椅上。

這意味著，同一個端側(cè)認知底座可以進入不同本體，例如另一只機器狗、人形機器人、電動輪椅等。

由它組織出的能力，也可以隨身體與場景變化被重新調(diào)用。

身體不同，認知底座相同。

Physical AGI的能力至少有哪些？

走迷宮、稱重量、估水量，這些任務(wù)彼此獨立，沒有經(jīng)過針對性預(yù)訓(xùn)練與后訓(xùn)練，有題目是觀眾現(xiàn)場即興提出。

而完成所有任務(wù)的，是同一個一念Unisonmind大腦

支撐這種泛化能力的，是同一組基礎(chǔ)認知能力：感知、表征、抽象、記憶、推理、規(guī)劃、生成與反饋調(diào)節(jié)。

當這些基礎(chǔ)能力面向不同的處理對象時，便自然呈現(xiàn)為不同維度的領(lǐng)域智能，共同構(gòu)成了Physical AGI的基本能力結(jié)構(gòu)。

Physical AGI從來不是語言、空間、物理等模塊的簡單拼接，而是同一套基礎(chǔ)認知體系面對不同對象時，自然分化出不同的能力面向，并在具體任務(wù)中動態(tài)組合，共同解決開放世界中的通用問題。

現(xiàn)場演示印證了這一點：所有能力都從同一個持續(xù)運行的認知系統(tǒng)中被統(tǒng)一調(diào)度、協(xié)同配合。

模型結(jié)構(gòu)：能力統(tǒng)一涌現(xiàn)的底層邏輯

現(xiàn)場表現(xiàn)需要底層結(jié)構(gòu)的解釋：為什么多種領(lǐng)域智能，能同時出現(xiàn)在同一個模型中？

這些案例有一個共通的本質(zhì)：它們都不是一次輸入換一次輸出，本體需要在看、聽、說、行動之間持續(xù)切換，在環(huán)境的實時反饋中不斷更新判斷、調(diào)整行為。

Unisonmind一念團隊給出的答案，是一套“統(tǒng)一世界Token空間”的模型架構(gòu)：

多模態(tài)輸入?yún)R入同一個統(tǒng)一的狀態(tài)空間，世界的當前狀態(tài)在其中持續(xù)演化；

模型根據(jù)任務(wù)需求輸出語言、聲音、動作等多模態(tài)結(jié)果，而外部世界的反饋又成為下一輪輸入，形成閉環(huán)。

這套架構(gòu)，可以概括為「3+1」的核心特征：

1｜全模態(tài) Any-to-Any

視頻、圖像、聲音、文字和動作，輸入端多模態(tài)進，輸出端多模態(tài)出，在同一個模型。

2｜理解與生成統(tǒng)一

路線被看見、指令被理解、狀態(tài)被預(yù)判、行動被生成、聲音被輸出，在同一個模型。

3｜全鏈路 Runtime

模型常駐運行，持續(xù)接收信息、18毫秒一次對齊狀態(tài)、做出反應(yīng)，再從結(jié)果中修正。

+1｜端側(cè)本體部署

整套模型運行在機器狗、人形機器人和輪椅端側(cè)，直接置于真實世界閉環(huán)。

身體可以變化，統(tǒng)一狀態(tài)空間和認知鏈路保持不變。

“3+1”讓現(xiàn)場現(xiàn)象有了結(jié)構(gòu)上的解釋：語言、空間、物理、行動和協(xié)作，在同一個常駐運行的模型里，隨任務(wù)臨時組合、自然協(xié)同。

一念Unisonmind跨過了Physical AGI的門檻

回到文章最初的問題：一念Unisonmind是否已經(jīng)跨過了Physical AGI的基本形態(tài)門檻？

按照我們從人類智能推導(dǎo)出的定義，Physical AGI的核心，是同一個通用認知系統(tǒng)，能夠以實體為載體進入真實世界，持續(xù)組織多維度智能，并在環(huán)境反饋中自主迭代

而這些特征，都已經(jīng)在這場開放現(xiàn)場中得到了驗證：

同一個Unisonmind大腦運行于不同形態(tài)的實體之上，在未經(jīng)顯式訓(xùn)練的任務(wù)中，完成了持續(xù)的感知、理解、推理、規(guī)劃與行動，與真實世界形成了完整的交互閉環(huán)。

現(xiàn)場給出了能力實證，模型結(jié)構(gòu)解釋了能力統(tǒng)一的底層邏輯，跨本體運行則證明了這套認知體系的通用性——

它不綁定某一種身體，而是可以適配更多實體形態(tài)。

從這個定義出發(fā)，我們可以說：一念Unisonmind已經(jīng)跨過了Physical AGI的基本形態(tài)門檻

這不是一個終點式的宣告，而是一個起點式的確認。

它意味著一種新的智能存在方式已經(jīng)真實出現(xiàn)：同一套“人類認知范式”，能夠以實體為載體，在真實世界中持續(xù)運行，并根據(jù)任務(wù)自主組織多元領(lǐng)域智能。

Physical AGI曾是遙遠的技術(shù)想象。此刻，它走出了定義的迷霧，踏上了真實世界的土地。