中新网上海新闻7月31日电(郑莹莹)如何让人工智能技术更贴合场景、加速落地应用？沪上科技企业近期动作频频。上海正坚持应用牵引，建设虚实融合实训场、行业基座大模型等基础底座。

　　基于具身模型信息密度定律与环境式数据采集方案2.0，并依托环境式采集引擎ACE，大晓机器人近日联合南洋理工大学S-Lab开源L5级多模态具身物理智能数据集ACE-Data-0。

　　ACE-Data-0包含150小时数据、1700万帧视频、200个任务类别、50名参与者、2个真实家庭场景和7.5万个交互片段。

　　打开橱柜、倒水、叠衣服等日常行为，同时涉及视觉、全身运动、手部操作、物体状态、声音、触觉和任务规划。普通视频可以记录发生了什么，却难以准确呈现接触何时发生、力度如何变化、物体怎样运动，以及当前动作与前后任务之间的关系。据介绍，ACE-Data-0不再把活动切割成孤立短片，而是连续记录感知、行动、接触和状态变化，让不同模态共同描述同一个物理过程。

　　基于ACE-Data-0，大晓建立了底层信号推断、场景组成要素恢复、具身交互理解这由底向上的三级具身感知评估基准。研究团队进一步评测了30多种代表性方法。结果显示，现有模型在接触、严重遮挡、第一人称自运动、极端视角和长时间任务中仍存在明显能力缺口。

　　这套基准不只判断任务最终是否成功，更试图回答：模型究竟在哪一步失效？分层评测将问题拆解开来，帮助研究者判断模型已经理解了什么，又在哪一层发生能力断裂。

　　“ACE-Data-0”中的“0”代表这套具身数据体系的起点。未来，大晓机器人将继续围绕具身数据引擎、通用具身基础模型、世界模型和 VLA 推进研发。

　　在数据能力稳步积淀的同时，模型端亦有新动向。上海另一家企业智元自研的具身原生全模态大模型WITA-Omni Preview近日在行业知名榜单DailyOmni的最新评测中，以85.21分的综合成绩登顶。

　　对具身智能机器人而言，“理解”和“回应”并不是两个割裂的步骤，而是一个持续发生的物理过程。机器人需要一边观察环境、一边接收声音；一边组织语言、一边配合动作和表情。在多人、开放且持续变化的真实环境中，它还必须进一步判断：是否应该回应、什么时候回应，以及正在与谁交互。

　　据介绍，WITA-Omni并不是简单地把聊天模型“装进”机器人，而是将物理动作和表情提升为与语音并列的一级输出，用一个原生端到端模型统一驱动感知、决策与表达，从Thinker-Talker范式上进一步扩展出面向具身输出的Thinker-Talker-Actor 架构。

　　依托WITA-Omni 构筑的交互智能底座，智元将进一步夯实技术架构，与作业智能、运动智能协同联动，持续解锁商业、公共服务、影视展演等场景。

　　根据《上海市具身智能产业发展实施方案》，上海计划到2027年，实现具身模型、具身语料等方面核心算法与技术突破不少于20项。上海主要从坚持模型驱动、打造算力等公共平台、支持应用示范标杆、发挥群链集聚效应、完善发展生态几个方面来推动具身智能的发展。(完)

注：请在转载文章内容时务必注明出处!   

编辑：王丹沁