Boston dynamic 甚至没有用到“过时”的深度学习
它们的算法依赖于旧控制理论：
1. 良好的状态预估，传感器、致动器的精确模型（状态预估占机器人技术问题的50%）
2. 液压执行结构具有良好的功率强度
3. 基于MPC的优化的经典轨迹优化(LQR->quadratic programming->Direct inverse dynamical optimization)

想做到波士顿动力那样的效果，大模型可能是在第一步起到作用，而且还没有人弄清楚如何以实用的方式将机器学习应用于机器人电机控制。机器学习需要太多的数据，通常是数十万到数百万次试验。你无法在真实的机器人上收集那么多数据。然而，模拟还不够好，无法将模拟数据无需更改地传输到真实的机器人硬件上。

此外还有一个问题就是运算速度，机器人运动对于时间要求很高，比如没有在一个时间点做出一个动作，机器人可能就损毁了，传统控制模型运算量显著低于大模型推理运算，而且目前看也没有大模型的realtime方案

所以端到端训练机器人，这只是你凭着从新闻上对机器人和大模型的粗浅了解，信口瞎编一个场景。
【抹平了波士顿之前几十年的算法积累】更是基于这个瞎编的场景推演了一个结果。

你打那么多字的所有依仗就是网友对大模型的不了解，如果你拿这几句话能骗到VC投资我很佩服，但是靠瞎编骗回复就没有任何收益了吧？


【 在 wjhtingerx 的大作中提到: 】
: 比如波士顿动力就要吃土了，因为现在用端到端模型训练的机器人（狗），抹平了波士顿之前几十年的算法积累。
: 另外，高阶自动驾驶，最终只有端到端方案才有可能，这基本已经是共识。
: 10年后，能实时运行终端大模型的芯片，也就现在一个工控单片机的价格。
: ...................
--
FROM 111.204.208.*

【 在 wjhtingerx 的大作中提到: 】
: 至少以后大部分智控领域，不会有软件系统了，直接一个端到端大模型了事，就等算力持续提高了

不要过度盲目于深度模型， 大模型。
很多时候， 无论学习效率， 还运行效率， 根本还替代不了传统机器学习。
尤其学习能效， 传统机器学习， 基于人类擅长总结的规律和数据上学习。
--
FROM 124.126.3.*

上一个类似的领域是国际象棋的对弈引擎。之前像Stockfish、Houdini和Komodo这些顶级引擎，凝聚了无数算法专家和特级大师的心血，把β剪枝这些算法用到了极致，再配合海量开局库和残局库，基本上是完胜人类世界冠军等级分300分以上的水平。结果哈萨比斯提出通用对弈模型后，输入规则，就靠普通残差网络自我训练几十万盘，两三天时间下来就能把老牌引擎杀得片甲不留。之前的算法积累也可以说毫无意义了。

【 在 wjhtingerx 的大作中提到: 】
:
: 比如波士顿动力就要吃土了，因为现在用端到端模型训练的机器人（狗），抹平了波士顿之前几十年的算法积累。
: 另外，高阶自动驾驶，最终只有端到端方案才有可能，这基本已经是共识。
:
: 10年后，能实时运行终端大模型的芯片，也就现在一个工控单片机的价格。


#发自zSMTH-v-@Xiaomi MI MAX 2
--
FROM 58.243.250.*

愣是给我看笑了
【 在 wjhtingerx 的大作中提到: 】
: 比如波士顿动力就要吃土了，因为现在用端到端模型训练的机器人（狗），抹平了波士顿之前几十年的算法积累。
: 另外，高阶自动驾驶，最终只有端到端方案才有可能，这基本已经是共识。
: 10年后，能实时运行终端大模型的芯片，也就现在一个工控单片机的价格。
: ...................
--
FROM 49.65.174.*