作者 | 賴文昕

編輯 | 陳彩嫻

不久前，我們發(fā)布《CMU 具身智能風云榜：從傳統(tǒng)到全面》一文，介紹了來自 CMU 的一眾具身智能華人人才。

就在上個月，CMU 聯(lián)合18個研究機構(gòu)開源發(fā)布了一個生成式物理引擎——Genesis，引起了具身智能領(lǐng)域的廣泛討論與關(guān)注，在國內(nèi)與海外呈現(xiàn)出霸榜的熱度。Genesis 的核心團隊為 12 位青年華人學者，其項目領(lǐng)導者為 CMU 機器人研究所剛畢業(yè)的博士生周銜。

憑借從底層開始重新設(shè)計和構(gòu)建的通用物理引擎，Genesis 將各種物理求解器及其耦合集成到一個統(tǒng)一的框架中，通過在更高層次上運行的生成式智能體框架得到進一步增強，旨在為機器人技術(shù)及其他領(lǐng)域?qū)崿F(xiàn)全自動數(shù)據(jù)生成。

據(jù)項目頁面介紹，與先前的模擬平臺相比，Genesis 具備多個關(guān)鍵特點：

• 原生 Python，包括前端界面和后端物理引擎，全部用 Python 語法開發(fā)。底層由嵌套在 Python 內(nèi)的 GPU 加速的 DSL taichi支持。

• 輕松安裝，API 設(shè)計極其簡單且用戶友好。

• 并行模擬，速度空前：Genesis 是世界上最快的物理引擎，其模擬速度比現(xiàn)有的 GPU 加速機器人模擬器（Isaac Gym/Sim/Lab、Mujoco MJX 等）快一個多數(shù)量級，且并沒有在模擬精度和保真度上為了優(yōu)化速度做妥協(xié)。

• 一個支持各種最先進物理求解器的統(tǒng)一框架，可對大量材料和物理現(xiàn)象進行建模。

• 具有優(yōu)化性能的逼真光線追蹤渲染。

• 可微性：Genesis 旨在與可微模擬完全兼容。目前，我們的物質(zhì)點法（MPM）求解器和工具求解器是可微的，其他求解器的可微性也將很快添加（從剛體模擬開始）。

• 物理精確且可微的觸覺傳感器。

• 原生支持生成式模擬，允許通過語言提示生成各種模態(tài)的數(shù)據(jù)：交互式場景、任務(wù)提議、獎勵、資產(chǎn)、角色動作、策略、軌跡、相機運動、（物理精確的）視頻等等（這個框架會內(nèi)部的各模塊會慢慢放出）。

項目頁面：https://genesis-embodied-ai.github.io/

從速度來看，Genesis 在單臺 RTX4090 設(shè)備上的數(shù)據(jù)量可以達到實時的 430000 倍，26 秒就能訓練出可遷移至現(xiàn)實世界的機器人運動策略；從效果來看， Genesis 能生成 4D 物理世界，如機器人操作和運動策略、開放世界鉸接式物體、角色運動、3D 和完全交互式場景等等。

不過，在 Genesis 紛紛被認可其實現(xiàn)大模型“創(chuàng)世紀”的可能性之際，也有一些質(zhì)疑的聲音對其精確度和速度表示懷疑。本周三，Genesis 團隊更新了一份詳細技術(shù)報告，測評了各種場景下和主流并行仿真器的速度對比，并且開源了所有測試代碼。

主導項目的周銜本科就讀于新加坡南洋理工大學的機械工程系，以最高榮譽畢業(yè)后在 2017 年來到 CMU 讀博，成為導師 Katerina Fragkiadaki 組里首位研究機器人學習（Robot Learning）的PhD。

2022 年 5 月，周銜在師姐的牽線下來到 MIT-IBM Watson AI Lab 實習，與淦創(chuàng)展開合作。也是從這時起，周銜的研究重點確認為建立統(tǒng)一的神經(jīng)策略和數(shù)據(jù)引擎。

從“天馬行空”地嘗試復雜的流體操作任務(wù)開始，周銜逐漸與更多志同道合的華人學者相識，就此開啟了 Genesis 的故事。

對于 Genesis 正在面臨的討論，周銜十分自信且坦誠，“我們肯定會長期維護，要把它做成一個具身智能和物理AI最好用的仿真和數(shù)據(jù)平臺，同時通過借助開源社區(qū)的力量把這個底層的平臺維護好?！?/p>

以下是 AI 科技評論與周銜的對話。

從仿真器到數(shù)據(jù)引擎

AI科技評論：22年您到 MIT-IBM Watson AI Lab 實習，Genesis 的 idea 是怎么誕生的？

周銜：以前機器人做偏向于剛體的操作任務(wù)，22 年到 MIT 時我想做與流體相關(guān)的復雜操作任務(wù)，如咖啡拉花、與煙霧交互。但這些任務(wù)在現(xiàn)實中采集數(shù)據(jù)困難，因機器人置于水中易損壞，環(huán)境也雜亂，用強化學習或優(yōu)化軌跡時，有水等液體的環(huán)境重置不易，所以自然就想到從仿真環(huán)境入手。

這也是我首次接觸仿真。此前仿真器多是計算機圖形學的學者在研究，當時想用仿真器，卻發(fā)現(xiàn)沒有特別合適的，像英偉達的 Flex 及基于它的 SoftGym，雖有基本的水和衣服模擬，但無法實現(xiàn)不同性質(zhì)流體的交互，存在諸多問題。此外，我們希望仿真器可用，能借助其梯度信息搜尋策略。

正巧淦創(chuàng)老師組里之前有相關(guān)工作，還與發(fā)表“太極”編譯器的胡淵鳴合作過，于是我們設(shè)計了許多與各類流體交互的任務(wù)，自己寫了一個流體仿真的環(huán)境和測評基準“FluidLab”。

當時我結(jié)識了宋舒然老師的學生許臻佳和在 MIT 的王尊玄（Johnson），然后我們大家一起合作做了幾個在不同領(lǐng)域但底層框架類似的項目，比如 Johnson 做軟體機器人模擬，許振佳做切水果、切牛排等任務(wù)，然后我們分別為這些項目實現(xiàn)了底層的物理仿真，不過當時更多聚焦于軟體、流體以及軟體機器人本身，且都是項目特定的，無法讓研究社區(qū)的使用者很容易的就安裝體驗。

我們覺得一個統(tǒng)一的物理仿真平臺會對整個機器人領(lǐng)域有幫助，23 年初便決定將這些成果整合起來，打造一個對有軟體仿真需求的人而言好用、易配置環(huán)境并訓練策略的框架——這就是 Genesis 的前身，我們致力于打造一個大一統(tǒng)的仿真平臺，重點在軟體方面。后來我們覺得剛體很重要，但當時這個超出了我們的知識范圍，于是就又找了馬里蘭大學的 PhD 喬懌凌，他做過一系列可微仿真的工作，加入后負責幫助我們實現(xiàn)整套剛體的仿真框架。

AI科技評論：那 Genesis 是如何從一個仿真器演進為數(shù)據(jù)引擎的？

周銜：起初，我們本只想做一個仿真器。但到了 2022 年末，ChatGPT 問世且效果出色。

在此之前，即便我們能做出比英偉達 Omniverse 更好的仿真環(huán)境，在仿真環(huán)境里收集數(shù)據(jù)仍需耗費大量人力。

具體來說，在現(xiàn)實中收集機器人的視覺校準數(shù)據(jù)，即給定任務(wù)描述后，機器人依據(jù)所見規(guī)劃電機動作與周圍環(huán)境交互來完成任務(wù)，一般采用人力采集的范式，不管是用 VR、AR 設(shè)備還是其他操控裝置，本質(zhì)上數(shù)據(jù)量與人力呈線性關(guān)系，要采集上百億條數(shù)據(jù)極為困難。

在仿真環(huán)境中也不輕松，雖像人狗跑跳的演示是用強化學習在仿真中訓練出來的，但在訓練策略前，確定機器人學習的任務(wù)、學習環(huán)境、環(huán)境布置、物體交互方式以及獎勵函數(shù)等環(huán)節(jié)都依賴人力。所以即便有了仿真環(huán)境，若要真正實現(xiàn)數(shù)據(jù)收集的規(guī)?；瘮U展，依舊艱難。

GPT 出現(xiàn)后，推理能力質(zhì)的飛躍使其足以擔當推理引擎。在機器人領(lǐng)域，很多人試圖直接讓 GPT 輸出動作指令，但我們意識到此路不通。盡管 GPT 有推理能力和常識，可它缺乏對物理動力學、動作等模態(tài)信息的理解。比如讓它關(guān)筆記本，它雖知道語言層面的操作步驟，卻不懂實際手部動作的反饋、力度控制等物理細節(jié)。

經(jīng)過反復討論，我們在23年上半年有了新的思路：利用 GPT 等語言或視覺模型的正確方式，是提取其擅長的部分，比如確定機器人有意義的任務(wù)（如拿外賣、擦桌子等），以及每個任務(wù)適合的訓練環(huán)境（如拿外賣對應(yīng)客廳的布局、物體設(shè)置等），還有任務(wù)完成與否的判定標準，通過編寫代碼的方式生成獎勵函數(shù)。

半年后，谷歌的“Language to Rewards for Robotic Skill Synthesis”和英偉達的“Eureka”接連發(fā)布，其思路與我們一致，即借助在代碼里設(shè)置獎勵函數(shù)的手段，構(gòu)建起大語言模型在語言范疇對世界的認知以及在物理領(lǐng)域同世界的交互聯(lián)系，待語義層面的靜態(tài)信息完整生成后，就可以把它們交給強化學習，使其在物理引擎中對策略展開訓練。

AI科技評論：團隊很快就確認 Genesis 是一條行得通的路。

周銜：沒錯，想通這個 pipeline 那晚的我們特別激動，因為突然意識到可以打通整個流程，從提出任務(wù)到獲取解決任務(wù)的行動數(shù)據(jù)，理論上完全無需人力，能靠算力自動化生成機器人數(shù)據(jù)。這也是從大語言和視覺模型中提取其掌握范圍內(nèi)的信息，再通過物理仿真讓機器人試錯、迭代，最終掌握演示方法。

23 年初到年中，我們試驗中發(fā)現(xiàn)這個全新框架雖各環(huán)節(jié)尚不成熟，但切實可行，從現(xiàn)有技術(shù)到最終實現(xiàn)，每個環(huán)節(jié)都有清晰的提升路徑，不存在有一個環(huán)節(jié)在技術(shù)上還存在巨大鴻溝的情況，只需將各環(huán)節(jié)從四五十分提升到七八十分，就能打通流程獲取數(shù)據(jù)。從數(shù)據(jù)驅(qū)動來看，若要使機器人策略模型達到 GPT、Sora 的水平，也需要海量數(shù)據(jù)，那么這條路便是更具擴展性的方法。

Genesis 的核心：易、快、準、開

AI科技評論：Genesis 最大的亮點是什么？它和其他仿真引擎相比，有何異同？

周銜：我認為有三大亮點，分別是易用性、速度與功能。

易用性方面，雖不和技術(shù)強相關(guān)，但是我個人最喜歡的部分。盡管還有很多滿足各種需求的 API 還沒有完全暴露給用戶，但已完成的部分 API 設(shè)計簡潔，學習和理解成本非常低，我還精心設(shè)計了整套可視化方式，從機器人狀態(tài)呈現(xiàn)到顏色、縮進、emoji 運用等都花費很多沒有意義但是我很enjoy的時間，希望可以優(yōu)化特別是剛進入具身智能和機器人領(lǐng)域研究者的用戶體驗。

速度上，英偉達用 GPU 加速讓仿真的速度大幅提高，而我們在此基礎(chǔ)上又將速度提升一個數(shù)量級。不過，目前我們還需研究如何更好利用此速度優(yōu)勢，開發(fā)新的強化學習訓練方案。

功能上，多數(shù)成熟仿真環(huán)境只能做剛體仿真，像 Omniverse 對軟體和流體的仿真物理不準。我們在統(tǒng)一框架里集成各類物理求解器，如 MPM 等，支持多種物理性質(zhì)物體求解，也實現(xiàn)了不同求解器間交互，雖處于早期但會持續(xù)迭代，且前端用戶界面好用，后端用太極和 Python，語法透明，便于開發(fā)者貢獻和維護。

AI科技評論：感覺您對開源很有熱情。

周銜：這和我一個強烈的個人動機相關(guān)。以往仿真環(huán)境多由計算機圖形學領(lǐng)域的人開發(fā)，該領(lǐng)域人才厲害但壁壘高，也很少開源工作，雖現(xiàn)在逐漸開源但祖?zhèn)鰿++ 代碼依舊難懂，其成果應(yīng)用也比較難。

在機器人和具身智能領(lǐng)域，對仿真能力有依賴，但以往計算機圖形學研究者不懂機器人研究需求，機器人研究者不懂仿真物理原理，并且雙方都受英偉達閉源的 CUDA 生態(tài)制約。比如在仿真環(huán)境中制定策略部署到真機上，發(fā)現(xiàn)差異想回仿真環(huán)境調(diào)參卻因不了解原理而無法操作，導致兩個領(lǐng)域雖相互依賴卻存在巨大割裂。

所以我認為當下亟需讓計算機圖形學領(lǐng)域的優(yōu)秀人才和算法重煥光彩，讓其為機器人領(lǐng)域所用。具身智能領(lǐng)域能夠充分發(fā)揮計算機圖形學從渲染到仿真的技術(shù)和人才價值。因此，我有很強的動力去打造一個完全透明、底層全開源、易于訪問、理解和貢獻的平臺，無論是機器人領(lǐng)域人才還是其他相關(guān)人員都能輕松參與，這便是我愿意為此事投入大量時間的原因。

AI科技評論：可微分性的實現(xiàn)難度大、也容易和優(yōu)化策略產(chǎn)生沖突，現(xiàn)有的大多數(shù)物理引擎都不支持，為什么 Genisis 會采取這個路徑呢？

周銜：這里其實有個誤區(qū)，大家以為我們的目標是做可微仿真，實則不然，這只是我們提供的一個會幫助這個領(lǐng)域發(fā)展的重要feature。

最初在做流體等精細操作任務(wù)時，我們意識到，單純依靠純強化學習通過大量采樣軌跡來尋找最優(yōu)路徑，而若有梯度信息，就能引導策略朝著正確方向發(fā)展，這在當時極大地加速了訓練過程。不過，利用可微仿真和梯度信息來加速強化學習的策略搜索，在學界至今仍處于研究階段，尚未達成共識。

目前的框架不成熟也不好用，屬于小眾探索領(lǐng)域。此前的工具如 Google 的物理模擬引擎 Brax，學習曲線很高，功能也不完善物，而之前我們做的 FluidLab 這些工作，因為和底層的 taichi 綁定比較深，對于外部用戶來說想要獲取梯度也存在困難。

所以，為了加速這一領(lǐng)域的研究，我們認為有必要打造一個如同 Pytorch 般好用的工具，方便獲取梯度并與策略網(wǎng)絡(luò)連接。這并非我們主要的優(yōu)化方向，而是我們額外提供的工具和功能，旨在推動可微仿真研究的加速發(fā)展，以便讓我們了解其對學習策略的提升作用。

“為愛發(fā)電”

AI科技評論：Genesis 歷時兩年，您覺得其中最大的困難是什么？又是如何克服的呢？

周銜：Genesis 如此龐大的系統(tǒng)，涉及諸多方面的開發(fā)，而個人的專業(yè)知識無法覆蓋全面。一方面，我們要尋覓各領(lǐng)域的專業(yè)人士，比如做生成式模塊時，得拓展人脈，拉更多合作者加入。就像我自己，兩年前對仿真一竅不通，也是在這個過程中學習的。

我深感推進這樣的大項目在學界極為困難，因為我們采用的是自下而上的合作方式。淦創(chuàng)老師雖為項目顧問，卻并非傳統(tǒng)意義上的導師，大家是平等的合作者，他幫忙聯(lián)系一些人參與進來。

一般的學術(shù)合作，導師手握經(jīng)費，學生為其工作，但這個項目由我來主導推進統(tǒng)籌規(guī)劃，但卻無法給予任何人經(jīng)費上的激勵，全靠大家“為愛發(fā)電”。這就導致合作形式松散，每個人都有各自的學業(yè)得完成，時常忙得不可開交。

我其實有點完美主義，常常想花很多的功夫想把事情打磨到極致，然而在這種模式下，當其他合作者不認同我提出的需求時，因為我們這種自下而上的合作方式，我很難以像PhD老板那樣要求他們。比如另一位核心貢獻者、馬里蘭大學博士喬懌凌負責剛體仿真框架的實現(xiàn)，最初的版本因為我們想統(tǒng)一各種材料的表示和全局的碰撞檢測和求解，速度很慢，當時我希望可以在速度上至少可以達到 Isaac 和 MJX 的水平，但當時的團隊認為可能很難實現(xiàn)。

于是我當時唯一的選擇是自己把整套框架拿過來逐行拆解優(yōu)化，嘗試對每個 GPU Kernel 內(nèi)的數(shù)據(jù)結(jié)構(gòu)和循環(huán)層級進行優(yōu)化。當時我連睡覺都想著如何給它提速，經(jīng)過多輪不懈努力后，最終我們成功實現(xiàn)比 Issac Gym 快了很多。類似情況還有很多，當合作者缺乏達成目標的動力時，我有時需要自己接手重新優(yōu)化和設(shè)計，并證明一個更好的狀態(tài)是可行的。我們之間的信任就是在這樣的過程中建立起來。

無論如何，我們還是堅持下來并完成了項目。若有一個高效的七八人工程師團隊，或許七八個月就能完成，而我們作為缺乏工程經(jīng)驗的博士生，很多東西都是邊摸索邊做，把自己當工程師使，在探索中學習如何設(shè)計、搭建和整合各個模塊。

AI科技評論：自學成為工程師是一種什么體驗？

周銜：我覺得最有趣的是，過去大家常用的仿真環(huán)境代碼極為復雜，作為初學者，會被其復雜程度嚇到，還會揣測其背后是否真有不得不如此復雜的緣由，只是自己尚未理解。

但我個人傾向于精心打磨用戶體驗，期望每個功能都能通過一行代碼調(diào)用，簡單易用。而隨著自己的鉆研，我意識到大多代碼能大幅簡化。如今我簡化后的成果，收到很多用戶反饋，都說非常好用，對新手很友好。

這讓我有了另一個感悟：很多時候，我們以為一些事情復雜背后定有隱情，但當自己親自上手去做，就會發(fā)現(xiàn)完全可以將其做得更好。

AI科技評論：當時您有想過 Genesis 會耗時這么久嗎？

周銜：2023年初我開始做 Genesis 時以為大半年就能寫完，到2023年底時，感覺已經(jīng)寫得差不多了。但后來發(fā)現(xiàn)距離成熟框架還差很遠，于是不斷迭代、修改。

要是最初有人跟我說這得做兩年，我可能都不會開始。我們有幾套成熟軟件框架，能直接在上面改，但大家都在抱怨現(xiàn)在的物理引擎難用，卻沒人去解決這個問題，我們就想著自己來試試。

從23年一月開始，最初我們只是想寫個仿真框架，到了三月有了新想法，可以真正實現(xiàn)自動化，不僅有底層物理引擎，還能通過它自動生成數(shù)據(jù)，是能原生生成數(shù)據(jù)的引擎。這意味著這個工作上升到了一個新維度，特別令人興奮，所以我們就一直做下去了。

回應(yīng)質(zhì)疑

AI科技評論：Genesis發(fā)布之后熱度頗高，在收獲贊揚的同時也有些對測試速度、精確度等方面的challenge，您怎么看待這些質(zhì)疑的聲音？

周銜：網(wǎng)傳的一份質(zhì)疑我們速度的報告賺足了很多眼球，一開始我們擔心確實是我們的疏漏導致早期的測試結(jié)果與實際不符，所以最初的兩天壓力非常大，于是這幾天一直在做各種測試，測試的結(jié)果是 Genesis 確實在速度上有很大的優(yōu)勢。

那份質(zhì)疑里有很多存在的問題，有些我們覺得不是作者的主觀意圖，比如沒有用相同的機器人模型，同時因為我們內(nèi)部一個碰撞檢測的環(huán)節(jié)對于方塊的支撐函數(shù)實現(xiàn)中有個bug，導致那份測試報告的某個場景在打開自碰撞之后掉速嚴重，這個我們已經(jīng)修復了。其他地方我們發(fā)現(xiàn)有很多是事實性的錯誤和有誤導性的設(shè)置，比如因為不知名原因改掉了官方使用的求解器選擇，對于一些基本概念的錯誤理解等等，這些我們在和作者的溝通過程中對面也承認了，并且承諾會更改這些錯誤。

另外有關(guān)對 Genesis 精確度方面的質(zhì)疑，認為我們的物理引擎不如 PhysX，需要更多計算資源才能達到其精確度，但事實卻相反。學界公認 Mujoco 的物理引擎和英偉達的 PhysX 相比是更加符合解析解的 formulation，后者是比較接近 PBD（基于位置的動力學）的相對簡化的物理模型。我們構(gòu)造約束系統(tǒng)時遵循了 Mujoco 的約束，然后額外實現(xiàn)了 GPU 加速的碰撞檢測，在控制變量的情況下行為能和 Mujoco 完全保持一致的，像方塊掉落旋轉(zhuǎn)再回轉(zhuǎn)，行為和時間點都能精準匹配。

另外可能需要注意的是，抓取的穩(wěn)定性有時候和物理的準確性并不完全對應(yīng)，因為在現(xiàn)實世界中很多時候的抓取也會存在不穩(wěn)定性，我們現(xiàn)在的這個模塊可以完全匹配Mujoco的求解結(jié)果。而我們下一個大版本的更新會支持 GPU 加速的 ABD（Affine Body Dynamics，仿射體動力學）和 IPC（Incremental Potential Contact，增量式潛在接觸），可以更加精確的建?，F(xiàn)實世界的接觸模型，這也是其他主流剛體仿真器不支持的。

AI科技評論：目前的機器人操作領(lǐng)域，大家的共識集中在真機而非仿真，為什么您會選擇非共識？您怎么看待仿真與真機數(shù)據(jù)呢？

周銜：我并非認為只有仿真才能行得通而真機不行，我們更多的是覺得，所有有價值的路線都值得探索，而且需要推動到極致。

仿真陷入瓶頸，一方面是生態(tài)不透明，無法在其基礎(chǔ)上迭代和貢獻；另一方面，當下眾多優(yōu)秀模型如 GPT 等的發(fā)展，離不開算力提升。

但完全依賴真機采集數(shù)據(jù)無法利用這一點，難以指數(shù)級擴展數(shù)據(jù)規(guī)模，人力成本又高。而仿真有很大優(yōu)勢，雖真機在縮小與真實世界的差距以及處理復雜物理現(xiàn)象上有優(yōu)勢，但仿真能提供大量數(shù)據(jù)，讓機器人建立與物理世界交互的基本認知，即便不精準，也可通過真機的精準數(shù)據(jù)提升其局限性。

我認為兩者應(yīng)結(jié)合，仿真占比絕大多數(shù)，因為其可通過算力無限擴展，雖質(zhì)量有欠缺，但能提供廣泛數(shù)據(jù)。

真機存在的問題是，如人形機器人通過強化學習行走等炫酷演示，只是數(shù)據(jù)驅(qū)動的結(jié)果，并非真機有本質(zhì)科學突破，只是大家意識到數(shù)據(jù)重要性而暴力采集真機數(shù)據(jù)，這就像“吸鴉片”，一旦真機數(shù)據(jù)帶來的 demo 效果達到飽和，便難以為繼。

總之，我認為仿真和真機兩條路都要走，真機也有價值，做仿真不是認定只有它行，而是其存在很多遺留的問題需要解決，所以我們希望可以把這條路繼續(xù)向前推進。

AI科技評論：那接下來 Genesis 還會有更新嗎？后續(xù)會有更多對 manipulation 的支持嗎？

周銜：我們肯定會持續(xù)更新，目標是將其打造成對機器人最友好的平臺，讓大家共同維護好這個開源社區(qū)。之后會組建一個成熟的工程師團隊長期運維，今年年初開始做整體的路線規(guī)劃及團隊搭建。

關(guān)于 manipulation 方面，之前有一些聲音稱 Genesis 更支持移動（locomotion），操作精度有仿真精度的問題，但實際上并非如此，我們不存在不支持操作的情況。而對于機器人領(lǐng)域有意義的功能、特性以及需要修復的漏洞等，我們都會以高效方式及時添加和解決。我們做這個平臺的初心就是可以有一個完全透明，所有人都可以貢獻，而且功能強大的框架，作為一個平臺把計算機圖形學，物理仿真，渲染，以及具身智能的學者可以團結(jié)起來，一起來創(chuàng)造物理 AI。

關(guān)于具身智能領(lǐng)域的更多精彩故事，歡迎添加雷峰網(wǎng)作者微信 anna042023 交流。雷峰網(wǎng)(公眾號：雷峰網(wǎng))

相關(guān)文章：

CMU 具身智能風云榜：從傳統(tǒng)到全面

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。