机器东说念主的大脑架构之争，正在从二选一走向会通。

VLM 道路擅长语义推理，VAM 道路擅长预测物理天下，但两者各有短板。前者对物理章程短少直观，后者历练和推理资本居高不下。

最近的折中有筹谋，是给 VLM 外挂一个视频生成模子来预测未来帧。但额外模块带来的诡计支拨和工程复杂度依旧不小。

有莫得可能，在一个赈济的端到端框架里，既保留 VLM 的语义推理才调，又让它领有预测未来的物理直观，还无用额外生成像素级视频？

香港大学、小鹏机器东说念主及北卡罗来纳大学教堂山分校的商议团队，刚刚给出了他们的谜底 :

一个名为DIAL （Decoupling Intent and Action via Latent World Modeling）的全新端到端 VLA 框架。

中枢念念路，是让 VLM 在我方原生的特征空间里作念隐式天下建模，不过挂模子，不生成像素，径直在 RoboCasa 仿真基准和真实东说念主形机器东说念主部署中拿到优异性能。

让 VLM 在决策中施展更大作用

在现存的端到端 VLA 架构中，一个大宗存在的局限是：不时将 VLM 主要视作一个大型的多模态特征索取器，径直将其输出的视觉 - 话语特征映射到底层的一语气动作上。

这种范式带来了两个挑战 :

领悟后劲利用不充分。  未能充分施展 VLM 在高等逻辑决策中的中枢作用。

历练自如性不及。  径直使用底层的高频动作信号端到端地更新雄壮的 VLM 参数，容易导致历练不自如，致使激勉语义表征的退化。模子易于堕入视觉时局与动作之间的浅层统计谋划，而未能真实建模交互背后的物理因果。

面对这一窘境，DIAL 框架建议了一种更为透彻且优雅的解耦念念路。

鉴戒领悟科学中的双系统表面，不仅让强劲的 VLM 径直在其原生的 ViT 特征空间中进行轻量化的隐式天下建模（Latent World Modeling），更要津的是，它将这种隐式视觉料想构建为一个可微的结构化瓶颈。

通过这一想象，DIAL 严格地将底层怒放适度锚定在了 VLM 的高等意图之上。

这种架构有用缓解了结伴优化经过中的表征崩溃，使得模子省略高效罗致跨具身的东说念主类数据以达成强劲的泛化，并在真实的物理天下中更为持重地独霸复杂的多阶段协同任务。

双系统协同、可微意图与两阶段优化

DIAL 架构将复杂的具身适度任务合理领悟为两个协同责任的模块，并通过一语气的特征空间将其勾通 :

System-2（大脑）：原生特征空间中的意图料想

在领受到现时不雅测画面和话语领导后，基于 VLM 的 System-2 不再径直输出底层动作，而是去预测任务完成后的隐式视觉特征。

由于这种预测是在 VLM 原生的 ViT 空间中进行的，它自然适配 VLM 的语义表征，不仅镌汰了预测的难度，并且这些特征自身就保留了丰富的语义结构信息。这一预测经过显式地编码了 VLM 的高等意图。

System-1（小脑）：基于隐式逆能源学的动作生成

System-1 是一个轻量级的动作计策收集。

筹谋异常明确：行动隐式逆能源学模子（Latent Inverse Dynamics Model），对比现时的视觉特征与大脑预测的未来特征，诡计出为了达成这一气象升沉所需的精确怒放领导。

从解耦预热到端到端协同的两阶段历练

为了幸免径直结伴优化带来的梯度侵扰，DIAL 弃取了一种自如的两阶段历练计策 :

第一阶段，解耦预热。

System-2 和 System-1 折柳独处历练。

System-2 仅通过真实未来画面的特征行动监督，学习预测物理动态；System-1 则在真实未来特征的带领下，专心学习从感知到精确动作的映射。

第二阶段，端到端协同。

买通管线，System-1 运期骗用 System-2 预测的隐式意图生成动作。

动作扩充的很是梯度省略自如地回传至 VLM，促使 VLM 预测的特征进一步演变为真实做事于卑劣扩充的面向动作感知（Action-aware）的隐式意图表征。

复杂任务的自如扩充与泛化相宜

商议团队将 DIAL 部署至高解放度的小鹏 IRON-R01-1.11 东说念主形机器东说念主上，考证了模子在两类任务中的阐发 :

1、跨具身学习任务。

包含持放（Pick & Place）与倒水（Pouring）两个基础操作任务，世界杯(中国)羼杂利用东说念主类演示及机器东说念主骨子数据进行历练。

2、多阶段配合任务。

包含双手交代与扬弃（Handover & Shelving）以及垃圾清扫与倾倒（Trash Collection & Emptying）两个长程任务，仅使用机器东说念主骨子轨迹进行历练。

在真机部署中，这种基于隐式视觉料想的结构化指引机制展现出了极强的鲁棒性。

特地是在多阶段任务中，隐式意图为模子提供了明晰的视觉道路图，指引机器东说念主顺畅完成子任务切换，有用幸免了传统模子容易出现的动作死轮回（举例在垃圾已扫入簸箕后仍近似清扫动作却不倒垃圾）。

此外，模子在抗配景侵扰、组总筹谋消歧等 OOD 场景下也阐发出了雅致的相宜才调。

实验分析：数据效用、范畴彭胀与可讲解性

为了深度剖析 DIAL 架构为何能取得上述优异的部署后果，商议团队进行了详备的定量与定性分析。

分为三个层面——

权贵普及的数据利用效用

在包含 24 个任务的 RoboCasa GR1 东说念主形机器东说念主桌面仿真基准测试中，DIAL 取得了平均70.2%的任务告捷率，卓绝了该基准上公开的最优基线模子。

更为凸起的是在严格的少样本成就下，DIAL 仅需 10% 的历练数据量，即可达到58.3%的告捷率，打败了使用全量数据历练的最优基线步伐，展现了结构化隐式意图瓶颈所带来的强归纳偏置，极大普及了模子的数据学习效用。

借助东说念主类数据达成系统级范畴彭胀

利用东说念主类数据来彭胀模子才调是现时具身智能领域的热门标的。收获于功能解耦的想象，DIAL 省略有用进步异构数据，达成强劲的全系统范畴彭胀。

通过将东说念主类的姿态对皆到机器东说念主的动作空间，双系统省略共同从种种的东说念主类动作数据（如 EgoDex）中继承营养：System-2 认真从东说念主类视频中索取通用的任务逻辑，而 System-1 则从东说念主类动作标签中蒸馏通用的怒放先验。

将这种操作知识从东说念主类迁徙到机器东说念主身上后，DIAL 在散播外泛化才调上赢得了巨大的普及 :

1、仿真环境增益。

引入种种的持放（pick & place）任务东说念主类数据后，模子应酬未见过的物体类型告捷率从 34.8% 普及至 41.1%；应酬未见过的容器组合告捷率从 53.0% 普及至 58.7%。

2、真机环境增益。

在真实天下中，东说念主类数据的价值愈加突显。

消融实验表现，要是去除有关任务的东说念主类数据，机器东说念主在濒临实例级迁徙（举例持取倒水任务中未见过的异形瓶子）时，告捷率会径直从 60% 骤降至 10%。

这一双比充分证据：通过罗致跨具身的东说念主类操作数据，是匡助模子开辟持重物理学问、普及泛化上限的有用旅途。

可讲解性：考证隐式料想的有用性

为了连接 System-2（大脑）与 System-1（小脑）之间究竟传递了如何的信息，商议东说念主员利用 PCA（主要素分析）降维，对隐式特征进行了可视化分析。

将高维特征映射为 RGB 颜料后不错发现，System-2 预测的特征图（Predicted Foresight）在职务有关区域（如筹谋物体和筹谋容器），与真实未来气象（Ground-Truth Future）展现出了高度的结构一致性。

进一步不雅察特征各异热力争（Predicted Change），预测特征与现时不雅测特征的各异区域，精确锁定了行将发生物理交互的部位。

这标明，DIAL 是果然确其原生语义空间中，生成了一份具有践诺物理导向的连贯视觉道路图。

转头与瞻望

DIAL 框架通过可微隐式意图瓶颈，建议了一种解耦领悟决策与底层扩充的 VLA 新范式。

长久来看，DIAL 揭示了构建通用底座模子的一条极具后劲的旅途：

要是能将这种隐式天下建模机制径直融入 VLM 的原生预历练任务中，利用海量的互联网东说念主类视频，咱们将有望种植出天生具备物理能源学直观的视觉话语大模子。

这不仅能从底层弥合语义推理与实体适度之间的范畴，更为具身智能提供了一个真实连接物理章程的领悟底座。

以此为基础，DIAL 的解耦想象为这种演进提供了一条高度模块化的迭代旅途。

在这种即插即用的范式下，一朝底层动作各人历练闇练，未来就不错跟着 VLM 才调的进化而无缝升级机器东说念主的大脑，而无需重训复杂的怒放管线。

这种模块化的协同，将为构建新一代通用、可彭胀且接续进化的具身智能体铺平说念路。

样貌主页：https://xpeng-robotics.github.io/dial/

代码下载：https://github.com/xpeng-robotics/DIAL

一键三连「点赞」「转发」「贯注心」

接待在驳倒区留住你的观念！

—  完  —

咱们正在招聘别称眼疾手快、关怀 AI 的学术裁剪实习生  � �

感敬爱敬爱的小伙伴接待关怀 � �  了解笃定

� � 点亮星标 � �

科技前沿进展逐日见世界杯(中国)