波士顿动力与丰田研究所（TRI）联合发布重大AI进展，标志着人形机器人Atlas向通用任务处理迈出关键一步。双方通过引入大型行为模型（Large Behavior Models, LBMs），赋予Atlas前所未有的自主学习与适应能力。 传统机器人依赖繁琐的预编程指令，难以应对复杂多变的现实环境。新系统则采用端到端AI策略，将感知、决策与控制整合进一个统一神经网络，使Atlas能协调全身动作，完成行走、蹲下、抓取、搬运等复杂任务。在演示视频中，Atlas自主完成一系列连贯操作：从推车上取下Spot机器人的机械腿并折叠放置，拉开货架抽屉归置零件，再处理散落的零件桶并转移至新推车。整个过程涉及多种动作组合，一气呵成。 更关键的是，新模型赋予Atlas动态环境下的纠错能力。当研究人员故意合上箱子或掉落零件时，机器人能自主尝试打开箱盖或俯身捡起，无需预设应急代码，而是通过学习包含干扰与恢复行为的演示数据，实现“智能应变”。 该模型基于4.5亿参数的扩散Transformer架构，训练数据来自高度沉浸式VR遥操作系统。操作员通过VR实时操控Atlas，系统同步记录视觉图像、本体感觉数据及语言指令，构建多模态训练集。研究团队采用“通用性策略”思路，融合来自不同任务和机器人平台的数据，训练出一个能泛化处理多种任务的单一模型，显著提升适应力与可迁移性。 得益于这一范式，Atlas能灵活应对不同材质与形状的物体，无需为每类物体重新编程。同时，部署后动作执行速度可达人类演示的1.5至2倍，部分场景甚至超越人类操作员效率。 该系统依托物理测试与高保真模拟的闭环开发流程，大幅加速迭代并降低风险。尽管距离大规模商用仍有挑战，尤其是海量高质量数据的获取成本问题，但此次突破为通用人形机器人的发展提供了全新路径。