亮源新创发布三项具身智能技术，导航模型零样本跨四类机器人本体
亮源新创连发三项技术，尝试让机器人能力不再与人工数据一一绑定，导航模型可零样本跨四类机器人本体。
亮源新创连续发布 LightParkour、LightNav-0 与 Light REACT 三项技术，围绕规模化预训练、规模化对齐和规模化部署的学习闭环。其中 LightNav-0 把 2000+ 个互联网真实场景转成可复用仿真环境，同一个模型零样本迁移到人形、四足、轮式和飞行机器人。
正文摘录
过去一年，具身智能的技术迭代明显提速。VLA（Vision-Language-Action，视觉—语言—动作模型）、世界模型持续演进，强化学习重新成为机器人学习的重要技术路径，Sim2Real 加速从仿真走向真机，全身控制能力也在快速突破。 机器人能做的事也越来越多：走、跑、抓、导航，乃至越来越复杂的长程任务。 但“会做”一件事，和能在开放环境中长期、稳定、泛化地把事情做成，是两回事。 能跨过固定高度的障碍，不代表换一种障碍还能完成；能在某个房间里导航，不代表换一个场景、换一种机器人本体仍然有效；正常状态下能稳定行走，也不代表被撞击、跌倒甚至关节损伤之后还能继续工作。 如果说上一阶段关注的是机器人究竟“会多少技能”，那么下一阶段更重要的问题是：这些能力能否持续规模化扩展。 这里的 Scaling，不只是模型参数量，也不只是机器人数据量，而是模型能否经历更多环境、覆盖更多任务、迁移到更多机器人本体，并在真正进入物理世界之后，继续适应训练阶段从未见过的状态。 过去一个多月，亮源新创连续发布三项技术：LightParkour、LightNav-0 和 Light REACT。 把三项技术放在一起，会发现它们其实一直在回答同一个问题：如何让 Physical AI 从单点能力，逐步长成可以规模化训练、规模化对齐、规模化部署的基础模型体系。 三个方向不同，但都围绕亮源新创“三段范式”指向的核心问题展开：如何让 Physical AI 的能力持续规模化扩展，并最终形成从训练、对齐到真实部署的学习闭环。 过去的机器人研发，大量建立在任务分解之上。导航解决导航，运动控制解决运动控制，机械臂操作解决机械臂操作。任务和环境越明确，工程系统往往越容易做针对性优化。 这套方法本身没问题。工业机器人能在高度结构化的环境中稳定工作，已经证明了它的价值。 但通用机器人面对的是另一类问题。