💡 站外导读：随着具身智能从实验室走向产业应用，如何让机器人在复杂真实环境中精准理解指令、规划动作并持续学习，成为行业核心痛点。传统方法往往面临训练成本高昂、泛化能力不足、长程任务表现不佳等挑战。上海AI Lab开源的InternVLA·M1，以其创新的双系统架构与闭环学习范式，正为破解这些难题提供新思路。
InternVLA·M1 是上海人工智能实验室开发的具身操作“大脑”，是面向指令跟随的双系统操作大模型。构建了覆盖“思考-行动-自主学习”的完整闭环，负责高阶的空间推理与任务规划。模型采用两阶段训练策略，先通过空间感知预训练，增强空间推理与规划能力；再以隐式空间推理方式实现高效的动作后训练。仅需“空间规划提示”即可高效训练，大幅降低成本。在 SimplerEnv 等公开操作基准测试中，InternVLA·M1 达到国际领先水平，其指令跟随与未见物体泛化能力显著优于其他同类模型。依托自研仿真平台 InternData-M1 完成大规模预训练，适用于复杂场景及长程任务。
高阶空间推理与任务规划：负责复杂环境下的空间推理和任务规划，能理解指令并生成相应的操作序列。
双系统操作架构：采用两阶段训练策略，先进行空间感知预训练，再进行动作后训练，提升模型的推理和规划能力。
高效训练与成本控制：通过“空间规划提示”实现高效训练，大幅降低训练成本和时间。
指令跟随与泛化能力：在多种公开基准测试中表现优异，尤其在指令跟随和未见物体泛化方面表现突出。
自主学习与闭环控制：构建了“思考-行动-自主学习”的完整闭环，能够通过自主学习不断优化操作策略。
复杂场景适应性：在真机复杂场景及长程任务中表现出色，适用于多种实际应用场景。
双系统架构：结合空间感知预训练和动作后训练，增强模型对空间环境的理解和操作能力。
空间感知预训练：通过大规模仿真数据，训练模型对空间关系的感知和推理能力，为后续任务规划奠定基础。
动作后训练：利用隐式空间推理方式，使模型能高效地学习具体动作的执行，提升操作精度。
空间规划提示：引入空间规划提示机制，帮助模型更高效地进行任务规划和动作生成，降低训练复杂度。
闭环控制：构建“思考-行动-自主学习”的闭环系统，使模型能在实际操作中不断学习和优化，适应复杂环境。
大规模仿真数据：依托自研仿真平台 InternData-M1，生成大量高质量的训练数据，支持模型的大规模预训练。
指令驱动：模型能接收自然语言指令，解析指令内容，生成相应的操作序列，实现指令跟随功能。
工业自动化：在工厂环境中，用于自动化生产线上的复杂任务，如零部件组装、物料搬运和质量检测，提高生产效率和精准度。
物流与仓储：优化物流中心的货物分拣、搬运和存储操作，实现自动化仓库管理，提升物流效率和准确性。
服务机器人：在家庭、酒店、医院等场景中，为人们提供清洁、送餐、护理等服务，提升生活质量和服务效率。
智能安防：用于安防监控中的异常行为检测、区域巡逻和安全检查，增强安防系统的智能化水平。
教育与科研：作为教学和科研工具，帮助学生和研究人员探索机器人技术、人工智能和自动化控制等领域。
灾难救援：在地震、火灾等灾害现场，执行搜索、救援和物资运输任务，减少人员伤亡和提高救援效率。
农业自动化：用于农作物种植、采摘和灌溉等环节，实现农业生产的自动化和智能化，提高农业生产力。
InternVLA·M1的发布，标志着具身智能大模型正从“感知-执行”向“推理-规划-学习”的更高阶段跃迁。其双系统架构极具前瞻性：System 1负责快速响应与动作执行，System 2专注高阶推理与任务规划，这种分而治之的思路与人类认知高度契合，是提升复杂任务泛化性的关键。更值得关注的是其“空间规划提示”与仿真数据协同的训练范式，这直接命中了当前具身智能领域最大的瓶颈——高质量、规模化数据获取与成本控制。在产业层面，该模型为工业自动化、物流、服务机器人等场景提供了更“聪明”且可落地的大脑，加速了AI从虚拟走向物理世界的进程。未来，结合更强大的基础模型与具身数据飞轮，我们有望看到真正具备环境自适应与自主进化能力的通用机器智能体。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。