阿里发布三款物理世界交互AI基础模型

阿里巴巴Qwen团队发布了三款专用AI基础模型——Qwen-RobotNav、Qwen-RobotManip和Qwen-RobotWorld，旨在将语言理解与物理世界行动相连接。此举使阿里巴巴与那些将模型拓展至文本和图像之外、进入需要运动和交互环境的主流AI实验室并驾齐驱。

• 发生了什么
• 三款模型详解
• 为何这对AI行业至关重要
• 竞争格局
• 这对行业意味着什么
• 常见问题
• 结论

发生了什么

周二，Qwen团队发布了三款基础模型，每款处理不同类型的物理任务：导航、操作和世界状态预测。据TechNode报道，这些模型基于阿里巴巴现有的视觉语言能力构建，旨在统一AI系统理解和操作物理世界的方式。

这些模型是阿里巴巴将其大型语言模型生态系统从聊天和代码生成扩展到AI必须解释实时传感器数据并产生协调运动指令领域更广泛努力的一部分。

三款模型详解

Qwen-RobotNav 将视觉语言理解扩展到移动场景。它利用可控观测编码和基于工具界面，在单一框架内处理四项任务：指令跟随、目标导航、物体追踪和自主驾驶。阿里巴巴并非为每项任务构建独立模型，而是将它们整合到一个能够通过自然语言命令推理运动的系统中。

Qwen-RobotManip 专注于与物体的精确物理交互。该模型标准化了状态-动作空间，并将末端执行器运动表示为相机坐标系中的增量位姿。它基于超过 38,100小时 的完全开源数据训练。这一大规模训练使模型能够支持不同硬件配置下的各种操作任务。

Qwen-RobotWorld 充当通用世界模型。它通过自然语言动作界面，将视觉语言理解与未来状态预测连接起来。该模型能够预测导航、驾驶和操作场景中物理上一致的结果。阿里巴巴的关键主张是，单一世界模型可以泛化到多种物理任务，减少对特定任务训练的需求。

为何这对AI行业至关重要

当今大多数AI模型处理的是文本、图像和音频——这些数据已经以数字形式存在。Qwen系列代表了向模型必须基于真实世界传感器流生成物理动作序列的转变。这比语言生成要困难得多，因为它需要推理物理、空间关系和时间一致性。

阿里巴巴选择将训练数据开源（操作模型为38,100小时）值得注意。这降低了其他研究人员和公司微调或在此基础上构建的门槛，可能加速物理环境AI领域的发展。

将导航、操作和世界预测统一到各自独立但兼容的模型中，也暗示阿里巴巴旨在实现模块化架构——开发者可以选择所需模型，而无需运行整个技术栈。

竞争格局

阿里巴巴并非孤军奋战。谷歌DeepMind已经发布了RT-2和Gemini Robotics等模型，这些模型也将视觉语言理解与动作输出结合。国内竞争对手百度有自己的具身AI项目，而Covariant和Physical Intelligence等初创公司也为类似方法筹集了大量资金。

然而，阿里巴巴使用开源数据及其激进的扩展规模（38,100小时操作训练）可能使其在适应性方面占据优势。该公司已通过阿里云运营大规模云基础设施，这可以作为向企业客户部署这些模型的平台。

发布时机也很重要：中国政府已将具身智能列为战略重点，阿里巴巴的国家支持可能加速其在制造业、物流和医疗等领域的应用。

这对行业意味着什么

对投资者而言，此次发布表明阿里巴巴将物理世界AI视为核心研发投入，而非副业。如果这些模型在企业应用中获得关注，它们可能为阿里云开辟新的收入来源，并在AI基础设施市场建立护城河。

对竞争对手而言，阿里巴巴的开源数据策略是一把双刃剑。它有助于整个领域加速发展，但也意味着阿里巴巴能受益于社区改进和研究贡献。依赖专有数据的公司可能需要重新思考其策略。

对整个科技行业而言，这些模型的可用性——尤其是世界模型——可能降低构建自主系统的成本和复杂度，用于仓库分拣、自动驾驶和服务应用等任务。然而，实际部署仍面临安全、可靠性和监管批准方面的挑战。

常见问题

阿里巴巴到底发布了什么？ 阿里巴巴Qwen团队发布了三款AI基础模型：一款用于导航和追踪（Qwen-RobotNav），一款用于物体操作（Qwen-RobotManip），一款用于预测未来物理状态（Qwen-RobotWorld）。

这些模型任何人都可以使用吗？ Qwen-RobotManip的训练数据——超过38,100小时——完全开源。阿里巴巴尚未宣布所有三款模型的完整开放权重，但数据发布表明了其开放承诺。

这些模型与标准大型语言模型有何不同？ 标准LLM处理语言并生成文本。这些模型接收语言或视觉输入，并输出动作序列——移动、旋转、抓取——这些动作在现实世界中有效。它们必须考虑物理和空间一致性。

这些模型在什么硬件上运行？ 这些模型设计用于多种硬件平台。例如，Qwen-RobotManip支持不同的机械臂和夹爪配置。导航模型可以在配备摄像头和传感器的移动平台上运行。

这些模型会集成到阿里云服务中吗？ 阿里巴巴尚未正式宣布，但考虑到阿里云对AI即服务的关注，集成很可能会发生。企业客户可以通过API访问这些模型，用于自动导航或操作等任务。

这与谷歌的RT-2相比如何？ 两者都是视觉-语言-动作模型，但阿里巴巴的做法将任务分离为三个专用模型，而非一个单一系统。开源训练数据和世界预测模型是其差异化优势。

结论

阿里巴巴的Qwen系列标志着该公司在将AI从纯数字应用扩展到模型需要推理和作用于物理世界的环境方面迈出了重要一步。通过发布三款专用模型并将大部分训练数据开源，阿里巴巴押注模块化和社区协作将推动更快的采用。真正的考验将是这些模型在混乱的真实世界条件下的表现——以及企业客户是否足够信任它们以进行大规模部署。