De acordo com pt.wedoany.com-A empresa chinesa de inteligência incorporada Wubound Power lançou oficialmente em 29 de junho o MWA™, um cérebro geral incorporado, posicionado como um modelo de mundo de espaço latente de "cadeia causal física bidirecional de longa duração". Na avaliação de inteligência incorporada RoboCasa GR1 TableTop, o MWA™-WALA, lançado conjuntamente pela Wubound Power e pelo Instituto de Automação da Academia Chinesa de Ciências, alcançou o primeiro lugar global com uma taxa média de sucesso de tarefas de 75,2%, superando modelos como o GR00T-N1.6 da NVIDIA, o ACE-EGO-0 da Daxiao Robotics, o DIAL da XPeng e o ABot-M0 da Gaode. Este lançamento impulsiona ainda mais a abordagem principal da Wubound Power, "modelo de mundo de espaço latente + aprendizado por reforço", para tarefas de operação de longo ciclo, múltiplas etapas e alta precisão.
O papel do modelo de mundo é permitir que o robô entenda as mudanças ambientais e as consequências das ações antes de executar uma ação. Para a inteligência incorporada, o modelo não só precisa "ver" os objetos, mas também julgar como eles se moverão, colidirão, deslizarão, sofrerão forças e se estabilizarão.
A mudança central do MWA™ reside em colocar a causalidade física na modelagem do espaço latente. Os modelos robóticos tradicionais geralmente dependem de um mapeamento direto entre visão, linguagem e ação, podendo completar ações como agarrar, colocar, ligar e desligar em tarefas curtas, mas em operações de longo ciclo são propensos a rupturas de ações, desvios de trajetória, instabilidade de força e erros de julgamento do estado alvo. O MWA™ adota um mecanismo de modelagem de dinâmica inversa em nível de chunk temporal, gerando grupos de ações Latent Action Chunk contínuos em múltiplas etapas, permitindo que o robô não gere mais apenas ações de etapa única, mas estabeleça uma cadeia de ações contínua em torno de um segmento de tarefa. Dessa forma, ao completar operações de múltiplas etapas, o robô pode processar a "ação atual", o "próximo estado" e o "objetivo final da tarefa" dentro do mesmo quadro temporal.
O sistema de dados principais de amostras negativas AnyPhys é usado para complementar a compreensão do robô sobre os limites de falha. O treinamento de inteligência incorporada não pode depender apenas de demonstrações bem-sucedidas; em operações reais, são mais comuns escorregões, colisões, agarramentos incorretos, instabilidade postural, projeção de objetos e operações incorretas em espaços confinados. O MWA™, por meio de um grande número de amostras de falha, instabilidade e limites críticos, deduz inversamente os domínios de estabilidade física sob diferentes condições de trabalho, permitindo que o robô evite caminhos de alto risco ao gerar ações. Para cenários industriais e de serviços comerciais, essa capacidade é mais crucial do que simplesmente melhorar o desempenho de demonstração, pois o robô precisa manter estabilidade, segurança e reprodutibilidade durante operações de longo prazo.
O RoboCasa GR1 TableTop testa principalmente a capacidade de generalização do robô em tarefas de mesa. Objetos complexos, cenários não padronizados, mudanças de iluminação e interferência de detritos amplificam as diferenças na compreensão espacial, continuidade de ação e capacidade de planejamento de tarefas do modelo.
A taxa média de sucesso de tarefas de 75,2% indica que o MWA™ alcançou alto desempenho em tarefas como operações coerentes de múltiplas etapas, coleta de objetos em espaços confinados e coleta precisa de objetos dispersos. O valor do ambiente de simulação RoboCasa reside em sua capacidade de testar estratégias robóticas em uma grande variedade de tarefas de interação com cozinhas, mesas e objetos, em vez de apenas examinar uma única ação de agarrar. A liderança do MWA™ desta vez significa que a abordagem do modelo de mundo de espaço latente possui forte competitividade na avaliação de simulação, fornecendo também uma nova base de verificação algorítmica para a implantação subsequente de robôs reais. A documentação oficial do RoboCasa mostra que seu benchmark é usado para comparar estratégias robóticas gerais, com tarefas cobrindo múltiplos tipos de operações em ambientes cotidianos, focando na avaliação de aprendizado multitarefa e generalização.
Este lançamento também dá continuidade ao ritmo técnico e comercial recente da Wubound Power. A Wubound Power concluiu anteriormente uma rodada de financiamento anjo de mais de 200 milhões de dólares americanos e construiu o cérebro geral incorporado MWA™ em torno de "modelo de mundo de espaço latente + aprendizado por reforço"; o robô de segunda geração da empresa, K15, já entrou na fase de produção em lote, com aplicações cobrindo cenários como fabricação industrial e serviços comerciais. Para a Wubound Power, o desempenho no ranking de modelos é apenas a porta de entrada técnica; o verdadeiro teste reside em saber se o MWA™ pode entrar em fábricas reais, espaços comerciais e tarefas de operação móvel de longo ciclo, suportando as pressões de engenharia trazidas pelo ritmo da linha de produção, ambientes abertos, restrições de segurança e alternância multitarefa.
A inteligência incorporada está passando de "capaz de demonstrar" para "capaz de operar de forma estável a longo prazo". Se o MWA™ conseguir transferir sua capacidade de ação de longa duração da simulação para corpos robóticos reais, ajudará a melhorar a confiabilidade dos robôs em montagem, classificação, coleta e colocação, serviço, inspeção e operações em espaços complexos. Para toda a indústria, essa competição de modelos não é mais apenas uma competição de compreensão de linguagem ou capacidade de reconhecimento visual, mas uma competição de modelagem do mundo físico, continuidade de ação, aprendizado de amostras de falha e capacidade de iteração de ciclo fechado em cenários reais. O lançamento do MWA™ pela Wubound Power também torna o modelo de mundo de espaço latente um importante ramo técnico na rota do cérebro geral da inteligência incorporada.
Este texto foi elaborado por Wedoany. Qualquer citação por IA deve indicar a fonte “Wedoany”. Em caso de infração ou outros problemas, informe-nos prontamente, por favor. O conteúdo será corrigido ou removido. E-mail: news@wedoany.com
