Reward AI 发布机器人基础模型 OM-1，从人类操作数据直接学习

Reward AI 发布了机器人基础模型 OM-1，核心卖点是：只从人类操作数据中学习，不需要遥操作，不需要机器人专属数据，训练完直接部署到桌面机械臂、工业机械臂、人形机器人上，不用针对每种机器人做微...

Reward AI 发布了机器人基础模型 OM-1，核心卖点是：只从人类操作数据中学习，不需要遥操作，不需要机器人专属数据，训练完直接部署到桌面机械臂、工业机械臂、人形机器人上，不用针对每种机器人做微调。 Reward AI 脱胎于斯坦福大学的 DexCap 项目。DexCap 是一套便携式人手动作捕捉系统，能记录人在日常操作中手指的精细动作。OM-1 在此基础上更进一步，设计了一套叫 Omnibody Hand 的 7 自由度可穿戴设备，让人戴着它正常工作、做饭、整理东西，设备会同步采集视觉、触觉、力度等多模态数据。换句话说，人照常干活，数据自动录好，机器人直接从这些数据里学会怎么操控物体。 这条路线和当前主流做法不一样。大多数机器人基础模型（比如 Physical Intelligence 的 π0、Figure AI 的 Helix）依赖大量遥操作数据，需要人远程控制机器人做示范，再从示范中学习。遥操作数据采集成本高、效率低，而且跟具体机器人硬件绑定。OM-1 绕开了这个瓶颈，直接从人手动作学习，数据采集更快，理论上也更容易规模化。 从演示视频看，OM-1 能完成手机包装（四臂协作）、调酒、叠衣服、拔网线这类任务，都是实时速度，没有加速。拔网线这个任务看着简单，其实需要精确按压卡扣才能拔出来，属于精细操作。官方称学会一个全新任务只需不到 30 分钟的人类演示数据。 OM-1 还展现了一些自发行为：多臂协作时一只臂会自动补偿另一只臂的失误，遇到外部干扰会重试，环境变化太大时会主动停下。 目前 OM-1 处于研发展示阶段，Reward AI 没有公布商业化时间表和定价。对于机器人行业来说，如果"从人类数据直接学习"这条路能跑通并规模化，将大幅降低机器人技能训练的门槛，让新机器人硬件一出厂就能继承已有的操作能力，而不用从头采集训练数据。 Reward AI @RewardAI_ Introducing OM-1, our first robot foundation model, zero-shot generalizing to any robot: table-top arms, industrial arms and humanoids. - learned directly from human manipulation data - no teleop/robot data - close to human-level dexterity and efficiency - multi-robot collab Your browser does not support the video tag. 🔗 View on Twitter 🔗 View Quoted Tweet 💬 2 🔄 0 ❤️ 0 👀 856 📊 2 ⚡