总部位于瑞士的Mimic Robotics AG近日宣布推出一款新型专业机械手,该机械手在外形与动作上均高度模拟真实人手,并为具身机器人领域引入了全新架构。
物理AI,即具身人工智能,将能够感知世界的AI模型与传感器,同具备智能规划和执行任务能力的机器人框架相结合。Mimic Robotics不仅开发能够赋予高灵活度机械手理解与交互能力的AI模型,还自主制造机械手本体。作为此次发布的核心产品,公司推出了面向工业自动化场景的Mimic M1.0机械手。
M1.0在瑞士本土完成设计与制造,重量约为1.8千克。它采用双向滑轮引导腱绳结构,与人手的肌腱机制颇为相似,能够实现手指弯曲与物体抓握。为避免对易碎或柔软物体造成损伤,M1.0配备了指尖触觉传感器,可感知不同角度的受力信息。此外,该机械手还附带多款适用于不同应用场景的手套配件。
Mimic指出,机器人领域,尤其是具身AI方向,目前面临两大核心挑战:一是机器人领域缺乏大语言模型所依赖的海量互联网数据,即大规模人类生成的文本;二是当前机器人行业普遍采用的双指夹爪设计,与人手的灵活度存在本质差距。
当物理AI尝试模拟人类的姿势、抓握方式及精细动作时,这两大问题便同时凸显。尽管可以通过视频数据训练AI系统,赋予其运动轨迹理解与人手抓取方式的物理认知,但双指夹爪的工作方式与人手有着根本区别,无法真正复现人类的抓握与操控逻辑。
为解决上述问题,Mimic设计了一套融合训练体系:在理解阶段,利用人类视频进行预训练以构建机器人的具身认知;在中期训练阶段,引入可穿戴设备采集的物理数据,完成最后的精细化训练。
M1.0机械手展现出极高的操控灵活性。在公司发布的演示视频中,一只机械手使用镊子夹取封装好的集成电路,将其放置在印刷电路板上,并轻轻按压到位;另一只则用两根手指捏起螺栓,精准传递给另一只机械手。两只机械手的最大抓握承重均超过25千克。
结合公司自研的训练流程,M1.0能够胜任上述高精度精细作业。Mimic还展示了机械手独立活动各手指,以及做出手势(如剪刀手)的演示。尽管M1.0主要面向需要精细运动、大承重与高耐用性的工业应用场景,但其灵活度同样适用于护理场景的轻柔操作,甚至具备呈现手语的潜力。
在工业领域,Mimic的AI模型与机械手可为装配、包装、分拣及众多复杂人工操作任务提供强大支持。结合摄像头与触觉传感器,该系统可在非结构化环境中稳定运行,适用于开合箱体、放置物品、处理不规则形状物体、布线移位,以及执行精细控制任务等多种应用场景。
Q&A
Q1:Mimic M1.0机械手是如何模拟人手动作的?
A:M1.0采用双向滑轮引导腱绳结构,模拟人手肌腱的工作方式,实现手指弯曲与物体抓握。同时配备指尖触觉传感器,可感知不同角度的受力,避免损伤柔软或易碎物体。在训练方面,系统先通过人类视频预训练建立具身认知,再结合可穿戴设备采集的物理数据进行精细化训练,使机械手能够真实还原人手的抓握与操控逻辑。
Q2:Mimic M1.0机械手能承受多大的重量?能完成哪些精细操作?
A:M1.0的最大抓握承重超过25千克(约55磅)。在精细操作方面,演示视频显示其可使用镊子夹取封装集成电路并精准放置在电路板上,也能用两根手指捏起螺栓传递给另一只机械手。此外,它还能独立活动各手指并做出手势,具备执行高精度工业作业以及潜在护理和手语呈现等应用的能力。
Q3:Mimic具身AI目前面临哪些主要挑战?
A:Mimic指出具身AI面临两大核心挑战:一是机器人领域缺乏类似大语言模型所依赖的海量人类生成文本数据,导致训练难度大;二是行业主流的双指夹爪设计与人手灵活度差距过大,无法真实模拟人类的抓握与精细操控动作。这两个问题在物理AI尝试复现人类动作时尤为突出,也是Mimic研发M1.0的核心驱动力。
好文章,需要你的鼓励
IBM提出评估量子计算机性能的三个基本指标:可编程量子比特(衡量规模)、量子比特操作数(衡量质量)和每秒最大电路数(衡量速度)。可编程量子比特决定用户可直接控制的量子资源规模;量子比特操作数反映系统可靠执行复杂运算的能力;电路吞吐量则体现系统的性价比。这三项指标适用于超导、离子阱、量子点等各类量子硬件平台,为跨平台性能比较提供统一框架。
冲绳科学技术大学院大学研究者提出SiamJEPA,在JEPA框架中引入孪生学生编码器,证明其充当正则化器、加速训练并提升图像表示质量。
Salesforce对逾500名中层管理者的调查显示,三分之二的管理者对AI在未来工作中的作用持乐观态度,77%的人每周借助AI工具节省超3小时。研究表明,美国员工比全球平均水平更倾向于质疑AI,而新兴经济体的员工则更信任AI。调查同时指出,管理者需要实操培训、清晰的AI战略及技术支持,以推动企业AI转型成功落地,人才培养始终比技术本身更为关键。
这项研究对比了化学AI中常用的BPE和Unigram-LM两种分词算法,发现二者在化学SMILES上构建的词汇表几乎完全不同,词汇重叠不超过16%,分词粒度相差近三分之一,证明分词算法是不可忽视的关键设计决策。