算力商业
x.com ·
@dotey
Reward AI 发布机器人基础模型 OM-1：仅从人类操作数据学习，无需遥操作
Reward AI 发布首个机器人基础模型 OM-1，宣称可直接从人类操作数据学习，不需要遥操作或机器人专属数据，并能零样本泛化到桌面机械臂、工业机械臂和人形机器人，无需逐硬件微调。该团队脱胎于斯坦福 DexCap 项目，设计了 7 自由度可穿戴设备 Omnibody Hand，同步采集视觉、触觉、力度等多模态数据。演示包括手机包装（四臂协作）、调酒、叠衣服、拔网线等实时任务，官方称学会新任务所需人类演示数据不到 30 分钟，并出现多臂互相补偿失误、受扰重试、环境变化过大时主动停止等行为。目前处于研发展示阶段，未公布商业化时间表和定价。
AI推荐理由 该帖转述 Reward AI 发布的机器人基础模型 OM-1，给出较具体的技术路线差异：仅从人类操作数据学习、无需遥操作和机器人专属数据、可零样本迁移到桌面机械臂/工业机械臂/人形机器人，并提到源自斯坦福 DexCap、Omnibody Hand 可穿戴采集设备、演示任务与官方称不到 30 分钟学会新任务。信息密度高、对具身智能训练范式有参考价值；但内容为二手转述，官方未公布商业化时间表和定价，演示效果与效率数据均来自官方说法，尚待独立验证。
78
浏览 2,568
点赞 3
评论 4
转发 0
正文
Reward AI 发布了机器人基础模型 OM-1，核心卖点是：只从人类操作数据中学习，不需要遥操作，不需要机器人专属数据，训练完直接部署到桌面机械臂、工业机械臂、人形机器人上，不用针对每种机器人做微调。
Reward AI 脱胎于斯坦福大学的 DexCap 项目。DexCap 是一套便携式人手动作捕捉系统，能记录人在日常操作中手指的精细动作。OM-1 在此基础上更进一步，设计了一套叫 Omnibody Hand 的 7 自由度可穿戴设备，让人戴着它正常工作、做饭、整理东西，设备会同步采集视觉、触觉、力度等多模态数据。换句话说，人照常干活，数据自动录好，机器人直接从这些数据里学会怎么操控物体。
这条路线和当前主流做法不一样。大多数机器人基础模型（比如 Physical Intelligence 的 π0、Figure AI 的 Helix）依赖大量遥操作数据，需要人远程控制机器人做示范，再从示范中学习。遥操作数据采集成本高、效率低，而且跟具体机器人硬件绑定。OM-1 绕开了这个瓶颈，直接从人手动作学习，数据采集更快，理论上也更容易规模化。
从演示视频看，OM-1 能完成手机包装（四臂协作）、调酒、叠衣服、拔网线这类任务，都是实时速度，没有加速。拔网线这个任务看着简单，其实需要精确按压卡扣才能拔出来，属于精细操作。官方称学会一个全新任务只需不到 30 分钟的人类演示数据。
OM-1 还展现了一些自发行为：多臂协作时一只臂会自动补偿另一只臂的失误，遇到外部干扰会重试，环境变化太大时会主动停下。
目前 OM-1 处于研发展示阶段，Reward AI 没有公布商业化时间表和定价。对于机器人行业来说，如果"从人类数据直接学习"这条路能跑通并规模化，将大幅降低机器人技能训练的门槛，让新机器人硬件一出厂就能继承已有的操作能力，而不用从头采集训练数据。
Reward AI@RewardAI\_
Introducing OM-1, our first robot foundation model, zero-shot generalizing to any robot: table-top arms, industrial arms and humanoids.
- learned directly from human manipulation data
- no teleop/robot data
- close to human-level dexterity and efficiency
- multi-robot collab
[Your browser does not support the video tag.](https://video.twimg.com/amplify_video/2099553771978375168/vid/avc1/3840x2160/Vof59GQHoWOKJ4l5.mp4?tag=29)
[🔗 View on Twitter](https://x.com/RewardAI_/status/2099553899804053992/video/1)
[🔗 View Quoted Tweet](https://x.com/RewardAI_/status/2099553899804053992)