艾伦AI研究院的MolmoAct模型让机器人拥有空间推理能力

发布时间：2025-08-14 21:57

机器人模型搭建，锻炼空间想象力 #生活乐趣# #科技玩具#

这项由艾伦人工智能研究院和华盛顿大学联合完成的突破性研究发表于2025年8月，团队由Jason Lee、Jiafei Duan、Haoquan Fang等研究者领导。有兴趣深入了解的读者可以通过arXiv:2508.07917访问完整论文。研究团队开发出了名为MolmoAct的机器人控制模型，这是首个能够在空间中进行推理的开源机器人行动模型。

以往的机器人就像一个只会照搬菜谱的厨师——看到食材（图像）和菜单（指令）后，直接按照固定程序开始切菜炒菜，完全不考虑锅的大小、火候的调节，或者食材的实际状态。这种"死记硬背"的方式让机器人在面对新环境时经常手忙脚乱，就像让习惯了电磁炉的厨师突然去使用燃气灶一样。

然而，MolmoAct就像培养了一位真正会思考的厨师。当它看到一个新厨房时，会先观察环境的空间布局（深度感知），然后在脑中规划整个烹饪路线（视觉轨迹规划），最后才开始精确地执行每一个动作。这种"先想后做"的方式让机器人不仅能够完成任务，还能解释自己为什么这样做，甚至允许人类在执行过程中进行调整。

更令人兴奋的是，研究团队还公开了包含超过1万个高质量机器人操作轨迹的数据集，涵盖了从家庭清洁到餐具整理的各种日常任务。在标准测试中，MolmoAct在多个评估基准上都表现出色，特别是在需要长期规划的复杂任务中，它的成功率比现有最好的模型提高了6.3%。在真实世界的测试中，无论是单臂还是双臂机器人操作，MolmoAct都显著超越了当前最先进的系统。

一、机器人学会了"三步思考法"

传统的机器人控制就像让一个人蒙着眼睛按照别人的口令做手工——虽然能勉强完成任务，但效果往往差强人意，遇到意外情况就完全束手无策。MolmoAct彻底改变了这种局面，它教会机器人用一套"三步思考法"来处理任务。

第一步是"看懂空间"。当人类要拿起桌上的水杯时，我们会自动判断水杯的位置、距离和周围障碍物的布局。但对机器人来说，摄像头拍摄的图像只是一张平面照片，它需要额外的能力来理解物体在三维空间中的真实位置关系。MolmoAct通过深度感知令牌（Depth Perception Tokens）解决了这个问题。研究团队训练了一个专门的深度估计器，能够将普通的彩色图像转换成包含距离信息的"立体地图"。这就像给机器人安装了一双能够准确判断距离的眼睛，让它知道哪些物体靠得近，哪些离得远，以及如何在三维空间中安全地移动。

第二步是"规划路径"。有了空间理解能力后，机器人需要在脑中绘制一条从当前位置到目标位置的最佳路线。这就像我们在拥挤的超市里拿东西时，会下意识地规划一条避开其他顾客和货架的路径。MolmoAct使用视觉推理轨迹令牌（Visual Reasoning Trace Tokens）来实现这种规划能力。它会在图像上生成一条虚拟的轨迹线，显示机器人的末端执行器（比如机械手）应该如何移动。这条轨迹线不是抽象的数学公式，而是可以直接在摄像头画面上看到的可视化路径，就像GPS导航在地图上显示的行车路线一样直观明了。

第三步才是"精确执行"。有了空间理解和路径规划作为基础，机器人最终生成具体的控制指令。这些指令告诉机器人的关节和执行器如何精确地移动，以沿着预定轨迹完成任务。整个过程就像一个经验丰富的外科医生进行手术——先仔细观察患者的解剖结构，然后在心中规划手术路径，最后才开始精确的操作。

这种三步思考法的最大优势是它的可解释性。传统的机器人系统就像一个黑盒子，我们只能看到输入（图像和指令）和输出（机器人动作），却无法知道它为什么要这样做。而MolmoAct的每一个思考步骤都是透明的——我们可以看到它对空间的理解（通过深度图），可以看到它规划的路径（通过轨迹线），最后才看到它的具体动作。这种透明度不仅有助于调试和改进系统，还让人类操作员能够更好地理解和信任机器人的决策。

更重要的是，这种分步骤的思考方式让机器人能够处理更复杂的任务。当面对一个需要多个步骤才能完成的复杂任务时，传统机器人往往会在中途"迷路"，因为它们无法维持对整体目标的理解。而MolmoAct可以在每个步骤中重新评估空间状况，调整路径规划，确保始终朝着正确的方向前进。这就像一个善于导航的司机，即使遇到临时的道路施工，也能够快速找到替代路线，而不会完全迷失方向。

二、让机器人拥有"立体视觉"的深度感知系统

当我们伸手去拿桌上的咖啡杯时，大脑会自动计算出杯子距离我们有多远，需要伸出手臂多长的距离，以及如何避开旁边的键盘和笔记本。这种对三维空间的直觉理解对人类来说是如此自然，以至于我们很少意识到这其实是一个相当复杂的计算过程。然而对机器人来说，这却是一个巨大的挑战。

普通的摄像头就像一个只会画素描的艺术家，它只能捕捉到物体的轮廓、颜色和纹理，却无法直接告诉我们物体在三维空间中的确切位置。这就好比让一个从未见过真实世界的人仅通过看照片来指导别人搬家——他们可能知道沙发是棕色的，茶几是圆形的，但却无法准确判断沙发和茶几之间的距离，或者门口是否足够宽敞让沙发通过。

为了解决这个问题，MolmoAct的研究团队开发了一套精巧的深度感知系统。这个系统的核心是一个叫做VQVAE的深度编码器，它的工作原理有点像那些能够通过触摸就能"看见"物体形状的盲人艺术家。系统首先使用一个名为DepthAnything V2的专业深度估计工具，对1000万张机器人操作的图像进行分析，为每张图像生成对应的深度图。这些深度图就像地形图一样，用不同的灰度值表示不同的距离——越亮的区域表示物体离摄像头越近，越暗的区域表示物体越远。

接下来，系统需要将这些连续变化的深度信息转换成机器人能够理解的"数字语言"。研究团队使用了一种叫做向量量化的技术，简单来说就是将无限多种可能的深度值归纳成128个标准的"深度类别"。这就像把一幅有着无数色彩层次的油画转换成只使用128种颜色的马赛克画——虽然细节有所简化，但主要的空间关系依然清晰可见。

这种转换的妙处在于，每个深度类别都对应一个特定的"深度令牌"，比如表示最近的物体，表示最远的物体。当机器人看到一个场景时，系统会自动生成一串这样的令牌序列，比如" ... "。这串看似抽象的符号其实编码了整个场景的三维结构信息，就像用摩尔斯电码传输复杂信息一样。

为了确保这种编码的准确性，研究团队在训练过程中让系统反复练习"重建"深度图。就像让一个学生看着一幅画临摹，然后根据临摹的结果反推原画的样子。通过这种反复练习，系统逐渐学会了如何用最少的令牌准确地表达最复杂的空间信息。经过20个训练周期后，系统已经能够仅用100个深度令牌就准确地描述一个完整场景的三维结构。

这种深度感知系统的实际效果令人印象深刻。在实际测试中，配备了深度感知能力的MolmoAct在需要精确空间判断的任务上表现显著改善。比如在"把盘子放进洗碗机"的任务中，传统的机器人可能会因为无法准确判断洗碗机内部的空间深度而将盘子放在错误的位置，或者与洗碗机的架子发生碰撞。而MolmoAct能够准确地理解洗碗机内部的三维结构，将盘子精确地放置在合适的位置上。

更重要的是，这种深度感知能力是可以"迁移"的。一旦系统在厨房环境中学会了空间理解，它就能够将这种能力应用到其他环境中，比如客厅、卧室或办公室。这就像一个人学会了在黑暗中通过触觉导航后，无论走到哪个房间都能运用这种技能一样。

三、会画"行动路线图"的视觉推理系统

如果说深度感知让机器人有了"立体眼睛"，那么视觉推理系统就是给机器人安装了一个"GPS导航大脑"。当我们要从家里的沙发走到厨房拿水时，大脑会自动规划一条最优路线——绕过茶几，避开地上的拖鞋，穿过客厅和餐厅，最后到达厨房的冰箱。这个过程对人类来说轻而易举，但让机器人学会这种空间推理却需要巧妙的设计。

MolmoAct的视觉推理系统采用了一种极其直观的方法——直接在摄像头画面上画出机器人应该遵循的移动轨迹。这就像在手机地图上显示导航路线一样，用一条清晰的线条告诉机器人"从这里走到那里"。但与简单的直线不同，这条轨迹线充分考虑了现实世界的复杂性——它会绕过障碍物，选择最安全的路径，并且确保机器人的机械臂在整个移动过程中都处于合理的工作姿态。

这个系统的工作原理相当巧妙。研究团队没有让机器人从零开始学习如何规划路径，而是采用了"师傅带徒弟"的方式。他们使用了一个名为Molmo的视觉语言模型作为"导师"，这个模型已经在大量的2D指向任务上接受过训练，具备了出色的视觉理解和空间定位能力。

具体的训练过程是这样的：对于机器人操作数据集中的每一个动作序列，系统会逐帧分析机器人末端执行器（比如机械手）在图像中的位置。就像追踪一个在纸上移动的铅笔尖一样，系统记录下这个执行器从任务开始到结束的完整轨迹。然后，它会用Molmo模型来验证和优化这些轨迹点的准确性。比如，当系统需要定位机械手的位置时，会向Molmo提出类似"指出机器人夹爪的位置"这样的问题，Molmo会返回一个精确的2D坐标。

轨迹的表示方式也经过了精心设计。每条轨迹由1到5个关键点组成，这些点在图像平面上形成一条折线路径。第一个点总是当前机械手的位置，最后一个点是任务完成时机械手应该到达的目标位置，中间的点则是经过精心选择的关键路径节点。这种设计既保持了路径规划的精确性，又避免了过度复杂化——就像高速公路上的路标，不需要标记每一米的位置，只需要标出重要的路口和转弯点。

为了确保轨迹的准确性和实用性，系统在生成轨迹时会考虑多个因素。首先是安全性——轨迹必须避开已知的障碍物和危险区域。其次是效率性——在保证安全的前提下，轨迹应该尽可能短和平滑。最后是可执行性——轨迹上的每个点都必须是机器人实际能够到达的位置，考虑到机械臂的关节限制和工作空间。

这种视觉轨迹规划的一个重要优势是它的"可编辑性"。与传统的数学路径规划不同，这些可视化的轨迹线可以像编辑画图软件中的线条一样进行修改。如果人类操作员发现机器人规划的路径存在问题，可以直接在屏幕上拖拽和调整轨迹点，系统会自动根据修改后的轨迹重新生成控制指令。这种交互方式极大地降低了人机协作的门槛，即使没有机器人专业背景的用户也能够直观地指导机器人的行为。

在实际应用中，这种视觉推理系统展现出了令人印象深刻的适应性。比如在"整理餐桌"的任务中，系统能够自动规划一条合理的路径，让机器人依次拿起盘子、杯子和餐具，而不会因为路径冲突导致物品相撞。更令人惊喜的是，当环境发生变化时——比如有人在机器人工作时移动了某个物品——系统能够在下一个时间步重新规划轨迹，动态地适应新的情况。

四、从"笨拙模仿"到"智能创造"的训练过程

机器人学习就像教一个从未见过厨房的人做菜。传统的方法是让他们死记硬背菜谱——看到西红柿就切片，看到鸡蛋就打散，完全不理解为什么要这样做。这种方法的问题是，一旦遇到菜谱上没有的情况，比如西红柿特别大或者鸡蛋有点小，这个人就完全不知所措了。MolmoAct采用了一种全新的教学方法，不仅教机器人"怎么做"，更重要的是教它"为什么这样做"。

整个训练过程分为三个阶段，就像培养一名专业厨师的完整教育体系。第一阶段是"基础理论学习"，相当于让学生在烹饪学校学习食材特性、营养搭配和基本刀工。在这个阶段，MolmoAct需要掌握大量的基础知识，包括如何理解图像、如何解析语言指令、如何进行空间推理等等。研究团队使用了一个包含2630万个样本的大型数据集来训练模型，这个数据集就像一本包含了成千上万道菜谱的烹饪百科全书。

数据集的构成经过了精心设计。其中40%是行动推理数据，这些数据教会机器人如何将观察、规划和执行三个步骤有机地结合起来。另外38.7%是轨迹条件化数据，专门训练机器人如何根据给定的路径进行精确操作。还有21.5%是多模态网络数据，帮助机器人建立对世界的常识性理解。剩余的小部分是专门的辅助数据，用于强化深度感知和轨迹规划等特定能力。

训练过程采用了一种叫做"师生互教"的策略。系统不是简单地模仿人类演示，而是学会了如何进行自我反思和改进。比如，当系统尝试完成"把杯子放到架子上"这个任务时，它首先会生成一个深度感知序列，分析杯子和架子的空间关系。然后生成一条从杯子当前位置到架子的轨迹线。最后才生成具体的机械臂控制指令。在这个过程中，每一步的输出都会成为下一步的输入，形成一个完整的推理链条。

第二阶段是"专业技能精修"，相当于让厨师到真正的餐厅里实习，学习如何处理各种实际情况。在这个阶段，研究团队使用了他们精心收集的MolmoAct数据集，这个数据集包含了超过1万个高质量的机器人操作轨迹，涵盖了93种不同的家庭任务。这些数据不是在实验室的理想条件下收集的，而是在真实的家庭和办公环境中，由专业操作员通过远程遥控机器人完成的。

这个数据集的收集过程本身就是一个工程奇迹。研究团队花了两个月时间，动用了5名全职操作员，在不同的房间和环境中收集数据。他们将一台弗兰卡机械臂安装在一个移动平台上，让它能够在客厅、厨房、卧室和浴室之间自由移动。每个任务都被精心分解成多个子任务，比如"清理餐具"被分解成"把碗放进洗碗机"、"把叉子放进水槽"、"盖上锅盖"等等。

数据集中的任务覆盖了日常生活的方方面面。从简单的物品搬运，到复杂的多步骤操作，从单手任务到双手协调，从刚性物体到柔性材料的处理。每个轨迹平均包含112个时间步，记录了机器人从接收指令到完成任务的完整过程。更重要的是，每个轨迹都包含了完整的推理信息——深度感知令牌、视觉轨迹和动作指令，让机器人能够学习到完整的"思考-规划-执行"过程。

第三阶段是"实战适应"，相当于让厨师根据不同餐厅的特色菜单和客户需求进行个性化调整。在这个阶段，MolmoAct会根据具体的应用场景进行微调。比如，如果要在一个新的厨房环境中工作，系统只需要30到50个演示样本就能快速适应新环境的特点。这种快速适应能力是通过一种叫做LoRA（低秩适应）的技术实现的，它允许在不改变核心知识的前提下，调整模型对特定环境和任务的理解。

整个训练过程的一个关键创新是动作分块技术。传统的机器人训练通常是一步一步地学习，就像让人一个字一个字地学习写作。而MolmoAct采用了"句子级"的学习方法，一次性学习8个连续的动作步骤。这种方法让机器人能够更好地理解动作之间的关联性和连续性，避免了"走一步看一步"导致的不连贯问题。

五、让机器人成为"可调教"的智能助手

传统的机器人就像一台只能按照固定程序运行的洗衣机——一旦程序启动，你只能等它完成，中途无法进行任何调整。但MolmoAct彻底改变了这种局面，它让机器人变成了一个可以随时"调教"和指导的智能助手，就像与一位善解人意的搭档进行协作一样。

这种"可调教性"的核心在于MolmoAct独特的视觉轨迹接口。与传统的语言指令不同，用户可以直接在机器人的摄像头画面上绘制轨迹线，告诉机器人应该如何移动。这就像用手指在地图上画出行车路线一样直观简单。当用户看到机器人正准备拿起桌上的红色杯子，但自己实际需要的是蓝色杯子时，只需要在屏幕上画出一条从机械手当前位置到蓝色杯子的轨迹线，机器人就会立即调整自己的行为，转向正确的目标。

这种交互方式的优势远不止方便这么简单。语言指令往往存在歧义性问题——当你说"拿那个杯子"时，机器人可能无法确定你指的是哪个杯子，特别是当桌上有多个相似杯子的时候。而视觉轨迹是完全明确的，它精确地指出了起点、路径和终点，不存在任何解释上的模糊性。这就像用激光笔指示目标比用语言描述位置要准确得多。

研究团队通过巧妙的训练策略让MolmoAct学会了理解和执行这些视觉指令。在训练过程中，系统学习了如何将手绘轨迹与相应的机器人动作序列进行匹配。这个过程就像教一个司机根据乘客在地图上画的路线来驾驶汽车。起初，司机可能无法准确理解手绘路线的含义，但经过大量练习后，就能够流畅地将任意手绘路线转换成具体的驾驶动作。

实验结果证明了这种视觉调教方式的有效性。在"拿起碗"的任务测试中，当机器人最初选择了错误的目标时，通过视觉轨迹调教能够达到75%的成功纠正率。相比之下，使用语言指令进行纠正的成功率只有42%，两者相差33个百分点。这种差异的原因很容易理解——视觉轨迹消除了语言的歧义性，让机器人能够准确理解人类的真实意图。

更令人印象深刻的是，这种调教不仅适用于简单的轨迹修正，还能处理复杂的多步骤任务调整。比如在"整理桌面"的任务中，如果用户发现机器人的整理顺序不符合自己的习惯，可以通过绘制新的轨迹来重新安排任务的执行顺序。机器人会立即理解这些修改，并相应地调整自己的行为策略。

这种人机协作模式在实际应用中展现出了巨大的潜力。在家庭环境中，不同的用户可能对同一个任务有不同的偏好。比如，有些人喜欢把盘子按大小排列，有些人喜欢按颜色分类。传统的机器人需要为每种偏好编程不同的行为模式，而MolmoAct可以通过实时的视觉调教来适应个人偏好，就像一个经验丰富的家政服务员能够根据主人的习惯调整工作方式一样。

研究团队还发现，这种视觉调教方式特别适合处理动态环境中的突发情况。当环境中出现预期外的变化时——比如有人在机器人工作时移动了某个物品——用户可以快速绘制新的轨迹来帮助机器人适应变化，而不需要停止任务重新规划整个流程。这种灵活性使得MolmoAct在真实世界的复杂环境中表现得更加稳定和可靠。

六、在真实世界中的卓越表现

当机器人从实验室走向真实世界时，往往会遇到"水土不服"的问题——在实验室里表现完美的系统，到了真实环境中却频频出错。这就像一个只在驾校练习的新手司机突然要在繁忙的城市道路上开车一样。但MolmoAct在各种真实世界测试中都展现出了令人印象深刻的适应能力和优越性能。

在SimplerEnv基准测试中，MolmoAct展现了强大的零样本学习能力。零样本学习听起来很抽象，其实就是指机器人在没有针对特定任务进行专门训练的情况下，仅凭已有知识完成新任务的能力。这就像让一个会做中餐的厨师去做法式料理——虽然具体菜式不同，但基本的烹饪技巧和对食材的理解是可以迁移的。在视觉匹配任务上，MolmoAct达到了70.5%的准确率，超越了包括GR00T N1、π0等在内的多个知名系统。更重要的是，这个成绩是在没有任何针对性训练的情况下取得的，充分说明了系统的泛化能力。

LIBERO仿真环境的测试更是证明了MolmoAct在复杂任务上的优势。LIBERO是一个专门设计用来测试机器人学习能力的标准化平台，它包含了四个不同的测试维度：空间推理、物体变化、目标抽象和长期规划。这四个维度分别考验机器人的不同能力——就像考试中的数学、语文、英语和科学科目一样。MolmoAct在所有四个维度上都表现出色，总体平均成功率达到86.6%，在所有对比系统中排名第一。

特别值得注意的是MolmoAct在长期规划任务上的表现。长期规划任务需要机器人完成一系列相互关联的步骤，每个步骤的成功都依赖于前面步骤的正确执行。这就像做一道复杂的菜，需要先准备食材，再调制酱料，然后按正确的顺序烹饪，最后摆盘装饰。在这类任务上，MolmoAct比第二名的ThinkAct系统高出6.3个百分点，这个差距看似不大，但在机器人领域已经是相当显著的改进了。

真实世界的测试更加严苛，因为它涉及到真正的物理交互和不可预测的环境变化。研究团队设计了六个不同的真实世界任务，分别在单臂和双臂机器人上进行测试。单臂任务包括"把碗放进水槽"、"擦拭桌面"和"收拾餐具"。双臂任务则更加复杂，包括"摆放餐具"、"搬运箱子"和"折叠毛巾"。

在单臂任务中，MolmoAct的平均任务完成度比π0-FAST系统高出10个百分点。这个改进可能听起来不太起眼，但在实际应用中意味着巨大的差别。比如在"擦拭桌面"任务中，π0-FAST可能只能清洁70%的桌面区域，而MolmoAct能够清洁80%的区域。对于用户来说，这就是"基本能用"和"真正实用"之间的差别。

双臂任务的测试结果更加令人震撼。MolmoAct比π0-FAST高出22.7个百分点，这已经不是渐进式改进，而是质的飞跃。双臂协调是机器人领域的一个技术难点，因为它需要精确地协调两只机械臂的动作，确保它们既不会相互碰撞，又能高效地完成任务。在"折叠毛巾"这样的任务中，传统系统往往会出现两只手动作不协调的问题，导致毛巾被扯坏或折叠效果很差。而MolmoAct的空间推理能力让它能够准确地规划两只手的协作轨迹，实现流畅自然的双手协调动作。

为了测试系统的鲁棒性，研究团队还进行了分布外泛化测试。这种测试故意改变环境条件，看机器人是否还能正常工作。测试包括四个维度：语言变化（用不同的说法表达相同的指令）、空间变化（改变物体的位置）、干扰物测试（在环境中放置额外的物品）和新物体测试（使用训练中没见过的物品）。在所有这些"刁难"条件下，MolmoAct都表现出了良好的适应性，平均性能只比标准条件下降低了很小的幅度。

最令人印象深刻的是人类评估的结果。研究团队邀请了100名评估者，让他们观看不同系统执行开放式指令的视频，然后投票选出表现最好的系统。在这种完全主观的评估中，MolmoAct获得了最高的Elo评分，这表明它的行为模式最符合人类的直觉和期望。这种人类认可度的提升可能比任何客观指标都更重要，因为它直接关系到用户是否愿意接受和使用这种技术。

七、开放共享的科研理念带来的广泛影响

在当今人工智能快速发展的时代，很多突破性技术都被大公司严密保护，就像古代工匠把独门秘籍传给亲传弟子一样。但MolmoAct的研究团队选择了一条完全不同的道路——他们决定将所有研究成果完全开放给全世界的研究者和开发者。这种做法就像把一本珍贵的武功秘籍公开发布，让所有有志之士都能学习和改进。

这种开放策略的影响是深远的。首先，它大大降低了机器人研究的门槛。以前，想要开发高性能的机器人系统需要巨大的资金投入和多年的技术积累。现在，全世界的研究机构、初创公司甚至个人开发者都可以基于MolmoAct的开源代码和数据集来开发自己的机器人应用。这就像从需要完全自主研发汽车引擎，变成可以使用成熟的开源引擎来组装汽车一样。

研究团队公开的资源极其丰富和全面。他们不仅发布了完整的模型权重文件，让其他研究者可以直接使用训练好的系统，还公开了所有的训练代码，让人们能够理解系统是如何工作的，甚至可以根据自己的需要进行修改和改进。更难能可贵的是，他们还共享了包含超过1万个高质量轨迹的数据集，这些数据是其他研究团队需要花费数月时间和大量资源才能收集到的宝贵资料。

这种开放性已经开始产生连锁反应。全世界的研究机构开始基于MolmoAct开发各种衍生应用。有的团队专注于提高系统在特定环境下的性能，比如医疗手术或工业装配。有的团队则在探索如何将MolmoAct的技术应用到其他类型的机器人上，比如无人机或自动驾驶汽车。还有的团队在研究如何进一步提高系统的安全性和可靠性。

从技术发展的角度看，MolmoAct的开源策略加速了整个机器人领域的进步。在封闭的研发环境中，每个团队都要从零开始解决相同的基础问题，造成大量的重复劳动。而有了开源的基础平台，研究者可以站在巨人的肩膀上，专注于解决更高层次的问题。这就像有了统一的操作系统后，软件开发者可以专注于开发应用程序，而不需要每次都重新编写底层的硬件驱动程序。

教育领域也受益匪浅。世界各地的大学都可以使用MolmoAct作为教学工具，让学生亲手体验最先进的机器人技术。这不仅提高了教学质量，也培养了更多具备实际技能的机器人工程师。许多原本因为缺乏资源而无法开展机器人研究的院校，现在也能够让学生接触到前沿技术。

对于产业界来说，MolmoAct的开源为机器人技术的商业化应用开辟了新的可能性。小型创业公司可以基于这个开源平台快速开发出具有竞争力的产品，而不需要投入数年时间进行基础技术研发。这种降低创业门槛的效应有助于催生更多创新应用，推动整个机器人产业的繁荣发展。

更深层次的影响在于，MolmoAct证明了开源模式在人工智能领域的可行性和优势。与闭源的商业模型相比，MolmoAct在多个基准测试中都取得了更好的性能，这打破了"只有大公司才能做出最好的AI系统"的偏见。它向世界展示了学术界和开源社区的创新潜力，鼓励更多的研究团队采用开放合作的方式推进技术发展。

从社会影响的角度看，MolmoAct的开源策略有助于确保机器人技术的发展更加公平和包容。如果先进的机器人技术只掌握在少数大公司手中，可能会加剧技术鸿沟，让一些地区或群体无法享受到技术进步的红利。而开源的方式让全世界的研究者和开发者都能平等地获得这些技术，有助于实现更均衡的技术发展。

研究团队的这种开放理念也体现了科学研究的本质精神——追求真理和造福人类，而不是追求商业利益的最大化。他们相信，只有通过开放合作，才能真正释放人工智能技术的潜力，为解决人类面临的各种挑战做出贡献。这种理念正在影响越来越多的研究团队，推动整个人工智能领域朝着更加开放、透明和协作的方向发展。

归根结底，MolmoAct不仅仅是一个技术产品，它更是一种理念的体现——相信开放合作能够带来更大的创新和进步。这种理念正在重塑机器人和人工智能领域的发展模式，为构建一个更加智能、便利和公平的未来奠定基础。通过将最先进的技术无偿分享给全世界，MolmoAct的研究团队展现了科学家的崇高品格，也为其他研究者树立了值得学习的榜样。

Q&A

Q1：MolmoAct和传统机器人控制系统有什么根本区别？

A：传统机器人就像只会照搬菜谱的厨师，看到指令后直接执行动作，而MolmoAct会先"看懂"三维空间结构，然后"规划"移动路径，最后才"执行"动作。这种三步思考法让机器人能够处理复杂情况，还能解释自己为什么这样做。

Q2：MolmoAct的视觉轨迹调教功能有什么实际用处？

A：用户可以直接在机器人摄像头画面上画线条，告诉机器人应该怎么移动，就像在地图上画导航路线一样。这比语言指令更精确，成功率高达75%，比语言调教高出33%。当机器人选错目标或路径不合理时，用户可以立即纠正。

Q3：普通研究机构或公司能免费使用MolmoAct技术吗？

A：完全可以。研究团队将所有内容完全开源，包括模型权重、训练代码和超过1万个高质量机器人操作数据集。任何人都可以通过GitHub或相关平台免费下载使用，这大大降低了机器人研发的门槛和成本。

网址：艾伦AI研究院的MolmoAct模型让机器人拥有空间推理能力 https://www.yuejiaxmz.com/news/view/1236528

⬅️上一篇：宠物高清图片

➡️下一篇：35平客厅配2匹空调的最佳应对策