央广网北京9月24日消息（记者 纪爱玲）9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告，完整介绍了GLOW全新升级的整体技术架构，实现机器人“一教就会”的任务学习能力。
报告提出，GLOW将改变机器人学习新任务的方式：把人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人不只是看见动作画面，而是同时捕捉物体、空间关系、动作顺序和状态变化，从“看过”进一步走向“学会”，拥有跨物体、跨环境、跨任务复用的通用能力。
同时，报告还披露了GLOW的多项评测结果。从物理任务执行到具身场景理解，诺因已经连续拿下三项第一，印证了其长期坚持的自回归技术路线的前瞻性，以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，从而以完整的具身能力走向物理世界。
诺因发布生成式学习架构GLOW技术报告（诺因供图 央广网发）
“一教就会”：人类演示一次，机器人即可实现跨场景任务复用
GLOW的目标，是让机器人获得跨物体、跨环境、跨任务复用的通用具身能力，而非为每项任务单独学习一套策略。用户不必把需求拆解成机器指令，也不必受限于出厂时写好的功能清单。机器人可以通过一次完整操作理解任务，再把画面、物品关系、状态变化与执行反馈转化为行动。从开盒收纳、浇水，到擦桌、调酒等各类家务工作，这一能力都得到了验证：
开盒收纳场景中，GLOW会根据实时画面定位盒盖、物品和盒内区域，按照人类的操作逻辑完成整套动作。即使更换物品，机器人也能顺畅完成收纳，不用重新教学。
诺因机器人开盒收纳场景（诺因供图 央广网发）
浇水任务中，人类教学用的是黑色细嘴壶，实际执行时换成绿色浇水壶，机器人依然能顺利完成。并且每完成一步都会根据实时画面更新状态，后续动作随现场情况动态调整。
在擦桌任务中，用户只需一次操作教学，就能把自己的操作偏好传递给机器人，让机器人按自己习惯的方式完成家务。
诺因机器人执行擦桌任务场景（诺因供图 央广网发）
面对多个酒杯的调酒场景，GLOW能从人类操作中，识别出每一步的操作对象、倾倒关系和先后顺序，再结合现场画面找到对应的酒杯，依次完成取杯、倾倒、回正、放回的完整流程。
“一教就会”的背后，是四大模块的完整协同
“一教就会”的背后，是GLOW从经验学习、任务理解到行动反馈的完整链路。通过将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，让视觉理解、空间推理、任务规划与动作生成能够在同一模型内协同完成；KnowinDream负责生成物理交互经验，KnowinWorld用于模拟动作可能带来的结果，KnowinAgent则围绕任务记忆、工具调用、反馈和重新规划组织执行。
诺因GLOW技术路径（诺因供图 央广网发）
KnowinGLOW打造连接认知与动作的“核心大脑”。作为整套架构的核心中枢，KnowinGLOW采用原生统一的自回归设计，将视觉理解、语义解析、空间推理、任务规划与动作生成整合在同一模型内完成，理解与动作共享同一套表征体系，衔接更顺畅、信息无损耗，为机器人奠定“一次演示、举一反三”的技术基础。
KnowinDream 让机器人“见多识广”。其以Home×Event×Future组织训练条件为例：Home定义交互发生的世界，Event定义世界中的变化，Future展开机器人采取行动之后的结果。同时，它还会改变光照、材质、纹理与背景，并把交互放入不同的家庭、相机视角与机器人配置中，让机器人在训练阶段就见过足够多样的世界和变化。
KnowinWorld：让机器人“学会预判”。作为物理规律的推演单元，KnowinWorld可基于当前状态推演不同候选动作，推演碰撞风险、接触稳定性、路径可达性等物理约束，评估可能的后果。训练阶段，它可替代真机完成大量试错推演，大幅降低训练成本；运行阶段，它能在动作执行前预判风险、排除无效路径，既提升任务执行的安全性，也提高了决策效率。
KnowinAgent（Harness）让长程任务不“断片”。Harness负责全程管理任务进度、执行反馈与动态调整。它会持续记录执行节点、接收实时反馈，出现偏差时可在当前进度上就地修正，无需从头重启任务；接近瓶口、碗沿、抽屉把手等精细操作区域时，自动切换为小幅微调模式，边观察边校准，保障长程任务连贯、稳定、精准地完成。
基于这套链路，用户在完成一次操作后，系统会将整个过程编码为可复用的技能信息。执行新任务时，模型无需重新训练或更新参数，而是结合眼前环境、机器人状态、任务进展和历史反馈实时判断下一步。它学习的不是人的手臂经过了哪些位置，而是任务要达到什么目标、物品之间存在什么关系，以及环境发生变化后应该如何继续完成任务。
性能实测：多个具身任务评测中表现突出
报告披露了GLOW在RoboDojo、LIBERO-Pro及Embodied Arena等评测中的成绩。实验结果表明，GLOW不仅能够理解物理场景，还能将这种理解转化为有效的任务执行。
在RoboDojo的18项仿真任务中，GLOW平均成功率位列第一；在LIBERO-Pro的Object、Goal与Spatial六个扰动分项中，GLOW独立运行的平均成功率达到86.7%，位列单策略模型第一；在Embodied Arena的2D-Embodied QA Benchmarks榜单中，KnowinBrain-1.5以65.62的综合得分位列20个参评模型第一。
规模化、高质量物理经验是这一体系的基础。真实与合成经验覆盖行动条件、接触过程和状态变化，使模型学习跨对象、跨场景的操作关系，并在新的观察下调整行动。经验生成、模型训练与执行反馈共同推动物理能力积累。诺因相关负责人表示，将持续提升GLOW的物理学习与泛化能力，让机器人在变化的环境中自主执行任务，通过一次教学理解并完成新的任务。
（编辑周玲）
免责声明：该文章系我网转载，旨在为读者提供更多新闻资讯。所涉内容不构成投资、消费建议，仅供读者参考。
扫码下载
中文网微信