一直以来，要让机器人学会一项新任务，往往需要重新采集数据、编写固定流程，或进行针对性训练。9月24日，诺因（Knowin）发布面向通用具身智能的生成式学习架构GLOW技术报告，完整介绍了GLOW全新升级的整体技术架构，呈现了一条将通用认知能力转化为可靠物理行动的可行路径，核心突破在于实现了机器人“一教就会”的任务学习能力。
报告提出，GLOW将改变机器人学习新任务的方式：把人的一次完整操作、当前环境、机器人自身状态与执行历史放在同一条链路中理解，让机器人不只是看见动作画面，而是同时捕捉物体、空间关系、动作顺序和状态变化，从“看过”进一步走向“学会”，拥有跨物体、跨环境、跨任务复用的通用能力。
同时，报告还披露了GLOW的多项评测结果。从物理任务执行到具身场景理解，诺因已经连续拿下三项第一，印证了其长期坚持的自回归技术路线的前瞻性，以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化，从而以完整的具身能力走向物理世界。
GLOW的目标，是让机器人获得跨物体、跨环境、跨任务复用的通用具身能力，而非为每项任务单独学习一套策略。用户不必把需求拆解成机器指令，也不必受限于出厂时写好的功能清单。机器人可以通过一次完整操作理解任务，再把画面、物品关系、状态变化与执行反馈转化为行动。从开盒收纳、浇水，到擦桌、调酒等各类家务工作，这一能力都得到了验证：
比如，开盒收纳包含开盖、放物、合盖三个核心步骤。GLOW会根据实时画面定位盒盖、物品和盒内区域，按照人类的操作逻辑完成整套动作。人类的操作只定义任务目标和操作顺序，实际执行时，机器人会根据现场的盒子大小、物品位置调整姿态和路径，即使更换了不同的盒子、不同的物品，机器人也能顺畅完成收纳，不用重新教学。
“一教就会”的背后，源于GLOW全新升级的技术路径。通过将原有的Brain与Act能力统一到多模态自回归模型KnowinGLOW中，让视觉理解、空间推理、任务规划与动作生成能够在同一模型内协同完成；KnowinDream负责生成物理交互经验，KnowinWorld用于模拟动作可能带来的结果，KnowinAgent则围绕任务记忆、工具调用、反馈和重新规划组织执行。由此，GLOW形成了从经验学习、任务理解到行动反馈的完整链路。
在RoboDojo的18项仿真任务中，GLOW取得62.2%的平均成功率和71.1分的平均得分，较GPT-6（Robocurve）基线分别高出40个百分点和41.3分。
通用模型拓展智能的知识、理解与推理能力，专业具身模型则以物理交互为核心，构建从场景理解到自主行动的完整能力。诺因持续推进这条技术路线：以规模化物理经验训练模型，以统一架构协同认知与行动，以闭环执行适应环境变化。
南方+记者 郜小平
冠达配资提示：文章来自网络，不代表本站观点。
