Covariant公司正式推出了RFM-1（机器人基础模型1）。加州大学伯克利分校人工智能分支公司的联合创始人兼首席执行官彼得·陈（Peter Chen）介绍称，该平台“主要是一个大型语言模型（LLM），但它专为机器人语言设计。”

RFM-1是Covariant公司大脑AI平台在收集大量数据过程中的一项重要成果。在征得客户同意的前提下，这家初创公司一直在构建类似于机器人大型语言模型数据库的资源库。

“RFM-1的愿景是为即将涌现的数十亿机器人提供动力。”陈表示。“我们已经在仓库中成功部署了众多机器人。但这远非我们的终极目标。我们真心希望机器人在制造业、食品加工业、回收业、农业、服务业乃至人们家中都能发挥重要作用。”

在RFM-1平台发布之际，越来越多的机器人公司开始讨论“通用”系统的未来。人形机器人公司如Agility、Figure、1X和Apptronik的涌现，在这场对话中扮演了关键角色。这种形态特别适合适应各种环境（就像它所模仿的人类一样），尽管车载AI/软件系统的稳定性是另一个完全不同的问题。

目前，Covariant的软件主要部署在工业机械臂上，执行包括拣选在内的各种仓库任务。尽管该公司承诺具备一定的硬件无关性，但目前尚未在人形机器人上部署。

“我们确实对更通用的机器人硬件领域发生的众多进展感到兴奋。”陈表示。“将智能拐点与硬件拐点相结合，我们将见证机器人应用的进一步爆发。但其中许多尚未完全实现，尤其是在硬件方面。超越分阶段视频是非常困难的。有多少人亲自与人形机器人互动过？这足以反映其成熟度。”

然而，在谈及RFM-1在机器人决策过程中的作用时，Covariant并不回避与人类进行比较。根据其新闻材料，该平台“为机器人提供了类似人类的推理能力，这是生成式人工智能首次成功让商业机器人对语言和物理世界有了更深入的理解。”

这是我们需要谨慎看待声明的领域之一，无论是在与抽象或甚至是哲学概念的比较方面，还是在它们在实际世界中的长期有效性方面。“类似人类的推理能力”是一个宽泛的概念，对许多人来说意味着不同的含义。在这里，这一概念适用于系统处理现实世界数据并确定执行当前任务的最佳行动方案的能力。

这与传统的机器人系统不同，传统机器人系统只能重复、无限地完成一项工作。从汽车装配线开始，这种单一用途的机器人就在高度结构化的环境中茁壮成长。只要任务变化极小，机械臂就能不受阻碍地重复工作。

然而，即使是最微小的偏差，也会很快导致故障。例如，物品在传送带上的摆放位置不准确，或者照明调整影响了机载摄像头。这些差异都会对机器人的执行能力产生巨大影响。现在想象一下，让机器人使用新零件、新材料，甚至执行完全不同的任务。那就更难了。

这时传统上就需要程序员介入。机器人必须重新编程。大多数情况下，会有工厂车间外的人参与进来。这大大消耗了资源和时间。如果想避免这种情况，就需要发生以下两种情况之一：1）车间工人需要学习编程；2）需要一种与机器人互动的新方法，这种方法更自然。

虽然让车间工人学习编程是件好事，但似乎不太可能有公司愿意为此投入资金并等待必要的时间。后者正是Covariant试图通过RFM-1实现的。虽然“ChatGPT for robots”这个类比并不完美，但这是一个合理的简称（尤其是考虑到创始人与OpenAI的联系）。

从客户角度看，该平台呈现为一个文本字段，与目前面向消费者的生成式AI的迭代版本非常相似。通过键入或语音输入文本命令，如“拿起苹果”，系统利用其训练数据（形状、颜色、大小等）来识别其面前最符合该描述的物体。

然后，RFM-1生成视频结果——本质上是模拟——以利用过去的训练来确定最佳行动方案。最后这一点类似于我们的大脑在执行动作之前计算出潜在结果的方式。

在一次现场演示中，系统对“拿起红色物体”等输入做出反应，甚至对更复杂的语义输入，如“在你穿鞋之前放在脚上的东西”，也做出了反应，导致机器人分别正确地拿起了苹果和一双袜子。

在讨论该系统的前景时，人们提出了许多大胆的想法。至少，Covariant的创始人在行业内有着令人印象深刻的背景。陈在伯克利大学师从皮特·阿贝尔（Pieter Abbeel）学习人工智能，阿贝尔也是Covariant的联合创始人兼首席科学家。阿贝尔在2016年成为OpenAI的早期员工，就在陈加入ChatGPT公司的一个月后。Covariant公司在次年成立。

陈表示，该公司预计新的RFM-1平台将与Covariant软件已经部署的“大多数”硬件配合使用。