Infermove末端物流场景已经落地了20个月，比如给苏州、深圳的山姆会员店等前置仓做物流配送。Infermove机器人和公路无人配送车的显著区别：无人配送车只完成运输任务的中间一段，不会进入小区、商场、写字楼等场所，如果用来于本地生活类配送，两端都需要有人参与。相比之下，Infermove物流机器人以做到「门到门」的配送为设计目标，近期落地的一款具备上肢操作能力的物流机器人，它的下半身是一个带有装载能力的移动机器人本体，上半身支持三维世界的单臂交互能力，实现抓取、捡拾、操作按钮或开关、按电梯、打开有把手的推拉门等交互场景，已经非常贴近骑手的服务能力，属于具身智能范畴。

Infermove从自动驾驶到具身智能，挑战升维

末端物流场景面临的挑战：第一，环境的不规律。与公路上的自动驾驶汽车相比，机器人面临的物理环境是非结构化的，规律性更差。第二，规则的缺失。公路上有明确的交通规则，但在具身智能所面对的开放物理世界，交通参与者变得更加复杂，包括骑各种车的人甚至宠物，行为更加随机；第三，辅助工具的缺失。公路交通有成熟的生态，所以有一些辅助工具被开发出来，比如地图，但开放的物理世界中就缺乏这样的工具。要解决这些问题，就需要大量的训练数据。ChatGPT就是利用了人类过去几十年积攒下来的互联网数据。物理世界的数据可能在有了自动驾驶这样的行业之后才被系统地收集，而开放物理世界的训练数据就更稀缺了。Infermove利用骑手载具，独创「量大管饱」的骑手影子系统。

打破数据魔咒杀手锏——独创「量大管饱」的骑手影子系统

Infermove独创的骑手影子系统，利用末端物流场景下的骑手骑行数据和机器人产品落地数据构建双数据闭环来获取用于算法迭代的训练数据，目的是实现机器人在开放物理世界的自主移动能力。这种算法架构使得机器人性能的天花板非常高，理论上可以无限拟人。在数据获取层面，Infermove更看重真实数据，认为真实数据的价值是无可替代的。真实数据的获取分为两种，一种是on policy的，一种是off policy的。on policy数据目前是非常稀缺且昂贵的，因为它要在机器人落地之后才会有，因此要实现对off policy数据的充分利用。Infermove利用骑手驾驶电瓶车在短时间内获取大量数据，而且这些数据的营养也很丰富。作为一家看重仿真数据的公司，Vayu Robotics也是认同真实数据的价值的。他们会在硅谷雇佣一些骑手，产生一些真实世界的数据，然后在这个基础上利用仿真模拟器去训练。但这方面Infermove存在国情优势。我国是一个非机动车大国，一方面，意味着我们机器人的应用场景会比较大、比较丰富，覆盖各个城市的大街小巷。另一方面，也意味着我们的骑手产生的数据是量大管饱的。相比之下，美国的一些公司就不太容易大量获取这类数据，需要请一些专业的人，以高昂的成本去采集。中国骑手平均每人每天会跑100到200公里。苏州一个普通超市落地的前置仓，一般配备15到20个骑手。这些骑手一个月产生的数据轻轻松松就会超过10万公里，一年通常可以接近200万公里。作为对比，国内最头部的做Robotaxi的L4公司，自成立以来积累的数据基本上也只有几百万公里，像Waymo这样的全球头部公司也就两千万公里。当然，里程数是一个比较简单的维度。但在这个简单的维度上，Infermove利用骑手影子系统仅在单一前置仓落地不到两年所产生的数据量，就相当于一家国内头部自动驾驶公司自成立以来的路测积累总和。对比特斯拉。2014年推出第一款搭载Autopilot软硬件的车型，开始收集驾驶数据。截至今年初特斯拉推出V12.3，他们在过去十年间一共积累了将近20亿公里人类驾驶数据用于智能驾驶系统的训练，在全球范围内称得上。而对于中国的600万活跃骑手群体而言，20亿公里只是他们一两天跑的量，「中国骑手一天，特斯拉汽车十年」。可以说，骑手影子系统为Infermove迭代产品提供了非常可靠的数据保障。除了量大管饱，骑手影子系统产生的数据还有一些优势。第一，成本。骑手在送单的过程中积累数据，没有边际成本。第二，数据的丰富度。骑手的数据是在真实的生产环境中产生，而且越是经济发达、人口密集、接近城市中心的地方，它产生的数据就越多。这些数据包含一年四季、各种天气状况。它本身的复杂度、代表度都很好，避免了高度同质化的情况。所以，无论是从数量、质量还是成本来说，这个系统产生的数据都符合「好数据」的标准。

不仅落地，还能盈亏平衡

去年，图灵奖得主Hinton加入了一家名叫Vayu Robotics的机器人公司。当时Hinton发了一个帖子来阐述他加入Vayu的原因，就是看中了末端物流这场景的高安全性和可落地性。Hinton非常关注AI安全。他在帖子里提到，这个送货机器人的动能只有汽车的1%。Infermove机器人的极限动能是500焦耳，相当于一个70公斤的人从一把椅子高的地方跌落产生的能量。所以如果这个机器人不小心撞到人，它至多把人撞疼，不会撞伤，容错率很高。高安全性带来的是高可落地性。

Infermove目前落地的末端物流主要是外卖和商超两大块，客户分别是国内在这两个场景市占率最高的两大平台。在苏州，Infermove给山姆送了18个月，累计3万多单，实现盈亏平衡。从平均效率来讲，国内骑手平均每天送35到40单，机器人平均每天可以送20单，相当于两台机器人可以干一个人的活儿；从履约率，Infermove机器人的履约率可以达到98.5%，按照对于骑手的考核标准，可以达到A级（以98%为界）。在跟人类骑手进行平等的奖惩考核的情况下，机器人挣到的钱可以覆盖它的成本，包括折旧、电费、维修费、管理员工资等等。在具身智能产品还没有大规模量产的当下，这种盈亏平衡的情况是非常稀有的。

未来迭代方向：上肢、自然语言和多模态

Infermove机器人的上肢动作基本上可以拆解为一些操作电梯的按钮、操作货物包装袋等子问题，通过专门收集场景数据，利用模仿学习的算法去学习，机器人的能力就会逐步提升；让机器人听懂自然语言，Infermove已经在规划之中，下一代产品就会具备这样一个能力；关于多模态，Infermove的机器人已经在用多模态大模型了。即使是完成按电梯按钮、取货、开关门这样的操作，如果想达到一个比较好的泛化能力，最稳定的路径就是利用大模型的多模态能力。

（铁大科技）