近年来，人工智能领域对具身智能的研究持续升温。伯克利与Meta展开合作，致力于探索一种能够通过全身动作预测未来的人工智能世界模型。这项研究的核心在于解决一个基础但关键的问题：智能体在现实世界中行动、规划和与环境互动时，需要构建怎样的世界模型？通过模拟身体与环境的交互，研究人员希望人工智能不仅能理解语言或图像，还能掌握物理世界的动态规律，从而实现更高效的决策和行为规划。这一突破或将推动人工智能从被动感知迈向主动探索的新阶段。
近日，加州大学伯克利分校与Meta联合宣布，他们正在共同开发一种面向具身智能的世界模型，旨在让人工智能通过全身动作预测未来，从而更好地进行现实世界的行动、规划和环境互动。这一研究的核心在于探索智能体如何构建对复杂环境的动态理解，并基于这种理解做出高效决策。对于具身智能而言，世界模型不仅需要捕捉环境的物理规则，还需模拟多感官输入与动作输出之间的因果关系。这项技术突破有望为AI在机器人、自动驾驶及虚拟助手等领域的应用提供全新思路。
由中国科学院自动化研究所提出的BridgeVLA模型，是一种创新的3D视觉学习算法。该模型通过将三维输入转换为二维图像，并结合二维热图进行动作预测，实现了高效的三维机器人操作学习。BridgeVLA在仿真环境和真实世界场景中均显示出卓越的性能和数据效率。仅需要三条轨迹信息，BridgeVLA就能在基础任务中达到96.8%的成功率，相较于传统方法，性能提升了32%。
中国科学院自动化研究所近日在计算机视觉领域取得重要突破，提出了一种名为BridgeVLA的创新性3D视觉语言模型，并在CVPR竞赛中荣获冠军。该模型通过将三维输入转换为二维图像，并结合二维热图进行动作预测，显著提升了3D机器人操作学习的效率与泛化能力。实验结果显示，BridgeVLA在真实机器人上的性能提升了32%，为机器人视觉操作领域带来了新的技术突破。
vivo公司开源的DeepSeek R1算法是一种基于规则的强化学习方法，旨在以更高效的方式替代传统的监督式学习。该算法在样本数量有限的情况下表现出色，能够显著提升模型在特定任务中的表现。通过优化图形用户界面（GUI）智能体的动作预测能力，DeepSeek R1实现了对用户界面交互行为的精准预测，为相关领域提供了新的解决方案。
vivo与香港中文大学研究团队合作，首次将DeepSeek R1式的强化学习技术应用于图形用户界面（GUI）智能体领域。通过引入基于规则的强化学习（RL），显著提升了GUI智能体动作预测的准确性。这一创新技术为智能体的动作预测提供了更高效、精准的解决方案，标志着该领域的重要突破。
斯坦福大学UMI项目采用Diffusion Policy进行动作预测。该策略基于扩散模型，通过条件去噪扩散过程生成机器人行为。具体而言，Diffusion Policy不直接输出动作，而是通过推断视觉观察的动作-评分梯度，并经K次去噪迭代生成行为。此方法分为三部分：显式策略、隐式策略和条件去噪扩散过程。显式策略涵盖不同动作表示；隐式策略学习能量函数并优化动作；条件去噪扩散过程则在机器人行动空间上生成行为。
