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.*