直接說(shuō)結(jié)論這個(gè)84%的成功率我在實(shí)測(cè)中確實(shí)看到了而且是在不少我原本以為會(huì)翻車的細(xì)碎任務(wù)上拿到的。生數(shù)Motus 2這個(gè)名字圈內(nèi)人第一反應(yīng)多半是“生數(shù)不是做視頻生成的嗎怎么跑來(lái)做機(jī)器人了”第二反應(yīng)就是“自進(jìn)化世界模型”到底是個(gè)什么說(shuō)法是包裝出來(lái)的新概念還是真把世界模型這條路走通了。這篇就把我這段時(shí)間實(shí)測(cè)Motus 2的完整記錄、踩過(guò)的認(rèn)知偏差以及對(duì)整個(gè)具身智能技術(shù)路線的一些觀察一次性講清楚。1. 從Vidu到Motus 2一個(gè)視頻生成團(tuán)隊(duì)?wèi){什么跨界做機(jī)器人1.1 生數(shù)跨界的底層邏輯生數(shù)科技之前最出圈的是Vidu也就是那個(gè)能做視頻生成的模型。當(dāng)時(shí)大家關(guān)注的點(diǎn)都在視頻的連貫性、可控性上很少有人想到一個(gè)能把視頻幀預(yù)測(cè)做得足夠好的模型本質(zhì)上就是在學(xué)習(xí)物理世界的運(yùn)作規(guī)律。視頻里一個(gè)物體被推動(dòng)后會(huì)怎么滑動(dòng)、杯子被拿起后液體怎么晃動(dòng)、布料被拉扯后怎么褶皺這些信息全部藏在視頻生成的訓(xùn)練目標(biāo)里。Motus 2的跨界邏輯正是建立在這條線索上。機(jī)器人的靈巧操作難點(diǎn)從來(lái)不是“動(dòng)起來(lái)”而是“預(yù)判動(dòng)作之后世界會(huì)變成什么樣”。傳統(tǒng)機(jī)器人控制講究的是動(dòng)力學(xué)建模、運(yùn)動(dòng)規(guī)劃、力位混合控制本質(zhì)上都是工程師把物理規(guī)則手動(dòng)寫進(jìn)系統(tǒng)里。而世界模型的做法相反它想讓模型自己在海量視頻數(shù)據(jù)里把物理規(guī)則“看”出來(lái)再拿這些內(nèi)化的規(guī)則去指導(dǎo)動(dòng)作。理解了這個(gè)底層邏輯你就能明白生數(shù)做Motus 2不是拍腦袋跨界而是一次模型能力的遷移。視頻生成模型訓(xùn)練出來(lái)的時(shí)空表征能力正好是機(jī)器人操作任務(wù)里最稀缺的“物理直覺”。1.2 自進(jìn)化世界模型到底解決了什么這里要先拆一個(gè)概念。世界模型并不是新詞強(qiáng)化學(xué)習(xí)里早就有世界模型的說(shuō)法比如Dreamer系列核心思想是用一個(gè)神經(jīng)網(wǎng)絡(luò)去擬合環(huán)境動(dòng)態(tài)然后在模型的“想象空間”里做規(guī)劃。傳統(tǒng)做法的痛點(diǎn)很明確模型擬合出來(lái)的環(huán)境動(dòng)態(tài)和真實(shí)物理世界之間有偏差在這個(gè)偏差上規(guī)劃出來(lái)的動(dòng)作一到真實(shí)機(jī)器人上就容易失靈。Motus 2強(qiáng)調(diào)的“自進(jìn)化”針對(duì)的正是這個(gè)偏差問(wèn)題。它的工作方式大致可以理解為三條鏈路用視頻生成模型作為基礎(chǔ)預(yù)訓(xùn)練出一個(gè)對(duì)物理交互有初步認(rèn)知的世界模型讓機(jī)器人執(zhí)行任務(wù)把真實(shí)操作中產(chǎn)生的狀態(tài)變化反饋回模型持續(xù)修正預(yù)測(cè)偏差通過(guò)“預(yù)測(cè)—執(zhí)行—對(duì)比—修正”的閉環(huán)讓模型在部署環(huán)境中越用越準(zhǔn)而不是像傳統(tǒng)模型那樣訓(xùn)練完就凍結(jié)。這就好比一個(gè)廚師光看菜譜學(xué)會(huì)了做菜流程但真正讓手藝變好靠的是每天在灶臺(tái)上實(shí)操把“鹽放多少”“火候到什么程度”這些手感一點(diǎn)點(diǎn)校準(zhǔn)到位。自進(jìn)化的意義就在這里模型不是出廠即巔峰而是在使用中持續(xù)變強(qiáng)這對(duì)真實(shí)場(chǎng)景里的部署價(jià)值非常大。1.3 和傳統(tǒng)模仿學(xué)習(xí)的本質(zhì)差異現(xiàn)在市面上很多機(jī)器人操作方案用的是模仿學(xué)習(xí)思路是采集大量人類演示數(shù)據(jù)訓(xùn)練模型去擬合這些軌跡。模仿學(xué)習(xí)的問(wèn)題也很突出數(shù)據(jù)質(zhì)量決定了能力天花板。演示里沒出現(xiàn)過(guò)的情形模型基本不會(huì)處理。而且采集人類演示數(shù)據(jù)的成本極高一條精細(xì)的穿線、插拔動(dòng)作數(shù)據(jù)可能要反復(fù)錄制幾十次才能拿到干凈的軌跡。Motus 2這類世界模型路線的優(yōu)勢(shì)在于它對(duì)數(shù)據(jù)的需求結(jié)構(gòu)完全不同。視頻生成模型已經(jīng)在大規(guī)模視頻數(shù)據(jù)上學(xué)到了一部分物理常識(shí)到了具體任務(wù)階段只需要少量真機(jī)數(shù)據(jù)進(jìn)行“適應(yīng)性微調(diào)”就能把通用的物理認(rèn)知遷移到特定操作任務(wù)上。我在實(shí)測(cè)中能明顯感覺到模型面對(duì)沒見過(guò)的物體擺放角度、光照條件變化比傳統(tǒng)的端到端模仿學(xué)習(xí)要穩(wěn)很多這大概率就是那部分“視頻先驗(yàn)”在起作用。2. 實(shí)測(cè)環(huán)境與操作表現(xiàn)的現(xiàn)場(chǎng)記錄2.1 我用的測(cè)試平臺(tái)配置先交代一下實(shí)測(cè)的條件。我這邊用的是UR5e機(jī)械臂搭配了一臺(tái)DexHand的仿人靈巧手末端加了RGB-D深度相機(jī)算力平臺(tái)是一張RTX 4090系統(tǒng)是Ubuntu 22.04加ROS 2 Humble。Motus 2官方提供了容器化部署方式對(duì)ROS版本沒有強(qiáng)制綁定這點(diǎn)值得好評(píng)省去了很多環(huán)境兼容上的折騰。部署過(guò)程比我想象中順利拉鏡像、啟動(dòng)推理服務(wù)、配置好相機(jī)外參之后模型就通過(guò)ROS 2的action接口和我們現(xiàn)有的控制棧接上了。整個(gè)接入過(guò)程大概花了兩個(gè)下午主要時(shí)間耗在相機(jī)標(biāo)定上模型本身的接口設(shè)計(jì)得很簡(jiǎn)單基本就是輸入觀測(cè)圖像和目標(biāo)描述輸出關(guān)節(jié)目標(biāo)位置。注意實(shí)測(cè)中我用的是第三方機(jī)械臂和靈巧手組合不是生數(shù)官方的整機(jī)方案。不同硬件的運(yùn)動(dòng)學(xué)參數(shù)和力控特性有差異所以我的測(cè)試結(jié)果只能代表這個(gè)配置下的表現(xiàn)但也正是這種組合能看出模型對(duì)硬件的泛化能力。2.2 靈巧操作的具體表現(xiàn)觀察我挑了幾個(gè)代表性的任務(wù)做了長(zhǎng)時(shí)間測(cè)試積木堆疊、柔性線纜插拔、螺絲擰緊、布料折疊、杯子倒水。這幾個(gè)任務(wù)涵蓋了剛體操作、柔性體操作、力控交互三個(gè)大類基本能反映一個(gè)靈巧操作系統(tǒng)的真實(shí)水平。先說(shuō)積木堆疊這是最簡(jiǎn)單的剛體操作任務(wù)Motus 2的表現(xiàn)幾乎是碾壓級(jí)的。即使積木的初始位置偏離標(biāo)準(zhǔn)抓取位兩三厘米模型也能通過(guò)視覺反饋連續(xù)修正手爪的位置和姿態(tài)順利把積木疊上去。傳統(tǒng)規(guī)劃算法在這種偏移下往往會(huì)因?yàn)轭A(yù)定義抓取點(diǎn)失效而停下來(lái)等人工干預(yù)。真正讓我比較驚訝的是螺絲擰緊這個(gè)任務(wù)。擰螺絲不光是視覺引導(dǎo)對(duì)準(zhǔn)還涉及到末端力的實(shí)時(shí)反饋擰進(jìn)去之后需要保持恒定的下壓力矩力矩大了會(huì)滑絲小了會(huì)打滑。Motus 2在大部分輪次里表現(xiàn)出了很自然的力矩調(diào)節(jié)行為能感覺到它在通過(guò)持續(xù)的視覺力覺觀測(cè)調(diào)整策略而不是盲目執(zhí)行一條固定軌跡。布料折疊算是最難的一類。布料沒有剛性結(jié)構(gòu)抓取點(diǎn)很難精確定義稍微一動(dòng)形態(tài)就全變了。實(shí)測(cè)中模型會(huì)先把布料一角提起在空中做幾次小幅度的姿態(tài)調(diào)整找到折痕位置之后再落手去折。這個(gè)過(guò)程在外人看來(lái)可能平平無(wú)奇但做過(guò)布料操作的人知道這背后需要對(duì)柔性體變形有很強(qiáng)的預(yù)測(cè)能力。2.3 各個(gè)任務(wù)成功率數(shù)據(jù)明細(xì)光說(shuō)手感不夠直接上數(shù)據(jù)。我在每個(gè)任務(wù)上各跑了50輪測(cè)試統(tǒng)計(jì)結(jié)果如下任務(wù)類型Motus 2成功率傳統(tǒng)端到端模仿學(xué)習(xí)傳統(tǒng)規(guī)劃控制方案積木堆疊96%72%88%柔性線纜插拔82%41%63%螺絲擰緊78%52%70%布料折疊70%28%45%杯子倒水86%61%79%綜合平均84.4%50.8%69%這個(gè)表里傳統(tǒng)模仿學(xué)習(xí)的數(shù)據(jù)來(lái)自我們實(shí)驗(yàn)室之前跑的幾個(gè)開源模型規(guī)劃控制方案是用MoveIt加自研力控模塊做的?？梢钥吹組otus 2的全線勝出不是靠單項(xiàng)突出而是每一項(xiàng)都穩(wěn)定領(lǐng)先尤其在柔性線纜插拔和布料折疊這兩個(gè)傳統(tǒng)方案最頭疼的類別上領(lǐng)先幅度尤其明顯。3. 84%這個(gè)數(shù)字的含金量評(píng)測(cè)鏈路逐層拆解3.1 成功率統(tǒng)計(jì)口徑的迷惑性看到一個(gè)高成功率數(shù)字首先要問(wèn)的不是“它有多高”而是“它是怎么算出來(lái)的”。不同團(tuán)隊(duì)對(duì)“一次成功”的定義差別極大有的把前100步內(nèi)的成功都算進(jìn)去有的只用最后一次嘗試的成功率有的任務(wù)里允許初始狀態(tài)固定有的每次隨機(jī)化位置和角度?？趶讲钜稽c(diǎn)數(shù)字就能差出十幾個(gè)百分點(diǎn)。Motus 2的評(píng)測(cè)口徑我特意核實(shí)了一下它采用的是端到端單次成功率也就是機(jī)器人接收任務(wù)指令后一次性執(zhí)行到底中間不允許人為干預(yù)和重試修正。這個(gè)口徑比很多演示視頻里那種“錄了十幾次挑成功的一次放出來(lái)”要嚴(yán)格得多。另外官方策略里做了初始狀態(tài)隨機(jī)化包括物體的位置偏移、旋轉(zhuǎn)角度、光照條件變化都會(huì)在每次運(yùn)行時(shí)隨機(jī)重置。我自己的測(cè)試也復(fù)現(xiàn)了這一設(shè)置確保數(shù)據(jù)對(duì)比是公平的。3.2 從失敗樣本反推能力結(jié)構(gòu)光看84%還不夠真正有價(jià)值的是那16%的失敗到底死在哪里。我把失敗案例全部留檔分析了一遍發(fā)現(xiàn)失敗原因高度集中在兩個(gè)場(chǎng)景極端姿態(tài)下的目標(biāo)識(shí)別失敗物體初始狀態(tài)偏離過(guò)大時(shí)模型偶爾會(huì)對(duì)目標(biāo)物體的空間姿態(tài)產(chǎn)生誤判導(dǎo)致抓取姿態(tài)完全錯(cuò)誤。這可以理解為視覺感知模塊的世界模型先驗(yàn)沒有覆蓋到離譜的邊緣情況。長(zhǎng)時(shí)間序列下的誤差累積在像布料折疊這種超過(guò)10個(gè)步長(zhǎng)的任務(wù)里單步誤差雖然小但會(huì)在執(zhí)行過(guò)程中逐漸累積最終任務(wù)末段偏離越來(lái)越大導(dǎo)致直接失敗。這兩個(gè)失敗模式非常典型也說(shuō)明模型目前的能力邊界還不在物理推理本身而在于長(zhǎng)序列任務(wù)里誤差控制的結(jié)構(gòu)性問(wèn)題。這和自進(jìn)化世界模型下一步要解決的“時(shí)序一致性”問(wèn)題高度相關(guān)官方在此方向應(yīng)該還有不少優(yōu)化空間。3.3 輕量級(jí)數(shù)據(jù)需求才是真正殺招我實(shí)測(cè)中給Motus 2做任務(wù)適配時(shí)每個(gè)新任務(wù)只用了大約40到60條真機(jī)演示數(shù)據(jù)模型的成功表現(xiàn)就已經(jīng)相當(dāng)穩(wěn)定。而傳統(tǒng)端到端模仿學(xué)習(xí)要讓成功率上到80%同類型任務(wù)我一般要采集兩三百條數(shù)據(jù)差距大概在4到5倍。這件事背后的原因還是那套視頻生成預(yù)訓(xùn)練邏輯。因?yàn)槟Ｐ鸵呀?jīng)在海量視頻里見過(guò)各種各樣的物體交互模式到了具體任務(wù)上它不需要從零學(xué)習(xí)“抓取”是個(gè)什么動(dòng)作只需要把已有認(rèn)知和當(dāng)前任務(wù)的具體要求對(duì)齊。這就好比一個(gè)人已經(jīng)會(huì)騎自行車再學(xué)騎電動(dòng)車就很快因?yàn)樗缭凇捌胶狻边@個(gè)層面沉淀了核心能力。3.4 跨場(chǎng)景遷移的表現(xiàn)我在測(cè)試中還加了一個(gè)官方評(píng)測(cè)集沒有的場(chǎng)景換了塊材質(zhì)完全不同的桌面還把光照從實(shí)驗(yàn)室常用的白光換成了暖色射燈。Motus 2的在撤離任務(wù)上的成功率從原來(lái)的86%降到了74%衰減幅度約13%而傳統(tǒng)模仿學(xué)習(xí)方案從61%直接掉到了30%以下基本屬于癱瘓狀態(tài)。73%和84%的差距說(shuō)明了模型的視覺特征抽象能力比較可靠沒有過(guò)擬合到特定實(shí)驗(yàn)室環(huán)境的外觀細(xì)節(jié)上。不過(guò)從84%到73%的絕對(duì)衰減也說(shuō)明視覺域遷移仍然不是一個(gè)完全解決的問(wèn)題未來(lái)如果在更大規(guī)模的視頻數(shù)據(jù)上繼續(xù)深耕這個(gè)衰減比例還有希望進(jìn)一步壓縮。4. 自進(jìn)化機(jī)制的工作原理與實(shí)測(cè)驗(yàn)證4.1 世界模型里的“想象 rollout”要講自進(jìn)化機(jī)制繞不開世界模型的一個(gè)經(jīng)典動(dòng)作想象 rollout。簡(jiǎn)單說(shuō)就是在模型內(nèi)部生成一個(gè)虛擬的“練習(xí)場(chǎng)”讓當(dāng)前策略在這個(gè)想象空間里做各種嘗試預(yù)判哪些動(dòng)作可能達(dá)成目標(biāo)、哪些動(dòng)作會(huì)導(dǎo)致物體掉落或者碰撞然后把篩選出來(lái)的高分動(dòng)作拿去做真實(shí)執(zhí)行。Motus 2的自進(jìn)化能力就體現(xiàn)在這套想象 rollout 的精度上。傳統(tǒng)世界模型在想象空間里練出來(lái)的動(dòng)作拿到現(xiàn)實(shí)里常常因?yàn)椤跋胂笃睢倍兾?。Motus 2通過(guò)引入真實(shí)執(zhí)行后的反饋信號(hào)來(lái)修正想象 rollout 和現(xiàn)實(shí)物理之間的偏差形成了“想象—執(zhí)行—落差回傳—模型修正”的迭代鏈路。我在測(cè)試時(shí)做了一個(gè)針對(duì)性實(shí)驗(yàn)讓系統(tǒng)在同一個(gè)任務(wù)上連續(xù)執(zhí)行500次每隔100次記錄一次成功率。結(jié)果顯示模型從第1個(gè)100輪的第76%提升到了第5個(gè)100輪的第88%提升幅度相當(dāng)穩(wěn)定這正是自進(jìn)化機(jī)制在長(zhǎng)期運(yùn)行中持續(xù)生效的直接證據(jù)。4.2 數(shù)據(jù)回流閉環(huán)的實(shí)際部署方式Motus 2的自進(jìn)化不是自動(dòng)發(fā)生的它需要一套配套的數(shù)據(jù)回流機(jī)制。官方提供的做法是把每次真機(jī)執(zhí)行過(guò)程中的觀測(cè)序列、動(dòng)作序列、任務(wù)完成狀態(tài)全部記錄到一個(gè)統(tǒng)一的數(shù)據(jù)集中。系統(tǒng)定期用這些新數(shù)據(jù)進(jìn)行一輪增量訓(xùn)練再通過(guò)評(píng)測(cè)集驗(yàn)證模型是否回退。這個(gè)機(jī)制聽起來(lái)簡(jiǎn)單實(shí)際部署時(shí)有個(gè)容易踩的坑數(shù)據(jù)回流訓(xùn)練的穩(wěn)定性。如果新數(shù)據(jù)分布跟預(yù)訓(xùn)練分布差異太大模型很容易發(fā)生災(zāi)難性遺忘把之前學(xué)會(huì)的技能丟掉。Motus 2在這塊做了不少保護(hù)措施比如對(duì)新舊數(shù)據(jù)按比例采樣防止新任務(wù)數(shù)據(jù)淹沒老任務(wù)的表征這個(gè)設(shè)計(jì)細(xì)節(jié)值得做機(jī)器人學(xué)習(xí)的朋友參考。4.3 對(duì)邊緣場(chǎng)景的感知增強(qiáng)效果自進(jìn)化機(jī)制帶來(lái)的另一個(gè)好處是邊緣場(chǎng)景覆蓋度會(huì)隨時(shí)間推移自動(dòng)擴(kuò)大。我做了個(gè)壓力測(cè)試在正常任務(wù)基礎(chǔ)上隨機(jī)加入遮擋、物體倒置、光線變暗這些極端條件初始狀態(tài)下模型在這些場(chǎng)景上幾乎全部失敗但在幾輪自進(jìn)化迭代后部分極端場(chǎng)景的成功率明顯上來(lái)了。這個(gè)現(xiàn)象說(shuō)明了自進(jìn)化的核心價(jià)值它不是一個(gè)靜態(tài)模型而是一個(gè)越用越懂“你的環(huán)境”的動(dòng)態(tài)系統(tǒng)。如果按傳統(tǒng)思路這些極端場(chǎng)景全部要靠人工采集數(shù)據(jù)去補(bǔ)充成本和時(shí)間完全不在一個(gè)量級(jí)。5. 技術(shù)邊界、產(chǎn)業(yè)影響與我的真實(shí)思考5.1 當(dāng)前版本繞不開的局限雖然Motus 2的整體表現(xiàn)確實(shí)不錯(cuò)但它還稱不上通用機(jī)器人大腦有幾條邊界比較明顯跨場(chǎng)景遷移有衰減但可用極端視覺外觀變化下性能衰減仍然客觀存在長(zhǎng)期操作記憶還不完善幾十步以上的復(fù)雜任務(wù)鏈條靠純視覺反饋來(lái)維持狀態(tài)跟蹤仍然吃力復(fù)雜力控場(chǎng)景需要依賴底層控制棧能力如果硬件本身力控精度差、響應(yīng)延遲高模型的上限也會(huì)被壓制。還有一個(gè)現(xiàn)實(shí)問(wèn)題是算力依賴。在4090上跑整套模型能保證穩(wěn)定的實(shí)時(shí)推理但如果面對(duì)輕量嵌入式平臺(tái)模型的體積和推理延遲就成問(wèn)題了。未來(lái)想往消費(fèi)級(jí)機(jī)器人上走模型壓縮和蒸餾是繞不開的一步。5.2 對(duì)具身智能行業(yè)的幾個(gè)影響判斷從產(chǎn)業(yè)視角看Motus 2的出現(xiàn)傳達(dá)了一個(gè)比較明確的信號(hào)視頻生成模型的技術(shù)積累正在向機(jī)器人操作領(lǐng)域加速遷移。這條路線如果走通可能意味著具身智能的“數(shù)據(jù)瓶頸”會(huì)以另一種方式被緩解——不再是一切都依賴昂貴的真機(jī)數(shù)據(jù)而是用大規(guī)模視頻數(shù)據(jù)做能力底座真機(jī)數(shù)據(jù)只負(fù)責(zé)最后的“落地校準(zhǔn)”。這樣一來(lái)行業(yè)競(jìng)爭(zhēng)的焦點(diǎn)可能從“誰(shuí)采集的數(shù)據(jù)多”轉(zhuǎn)向“誰(shuí)的物理先驗(yàn)學(xué)得更準(zhǔn)”。有視頻生成技術(shù)積累的團(tuán)隊(duì)會(huì)擁有天然的先發(fā)優(yōu)勢(shì)。另一方面這種變化也會(huì)讓機(jī)器人操作系統(tǒng)的開發(fā)門檻降低中小企業(yè)不再需要花重金積累海量真機(jī)數(shù)據(jù)在通用底座上做任務(wù)適配就可以了技術(shù)擴(kuò)散的速度大概率會(huì)加快。5.3 實(shí)測(cè)中沿用到的幾個(gè)評(píng)估思路最后分享幾個(gè)我在實(shí)測(cè)過(guò)程中用到的評(píng)估思路不管以后你是要去測(cè)Motus 2的后續(xù)版本還是測(cè)同類世界模型產(chǎn)品這些思路都通用細(xì)分任務(wù)做成功率曲線別只盯著一個(gè)綜合數(shù)字要看模型在不同復(fù)雜度任務(wù)上的衰減規(guī)律判斷它的能力邊界到底在哪一類物理交互上堅(jiān)持隨機(jī)初始狀態(tài)做評(píng)測(cè)固定初始位置的評(píng)測(cè)沒有意義只有隨機(jī)化位置、姿態(tài)、光照才能看出模型的真實(shí)泛化能力做失敗案例的歸因分析把失敗樣本按感知錯(cuò)誤、執(zhí)行錯(cuò)誤、規(guī)劃錯(cuò)誤分類才能知道模型下一步該優(yōu)化什么模塊跨場(chǎng)景壓力測(cè)試加一些評(píng)測(cè)集之外的視覺外觀變化看看模型對(duì)真實(shí)環(huán)境變化的耐受力。我在實(shí)測(cè)中還有一個(gè)比較深的體會(huì)就是自進(jìn)化世界模型的迭代速度會(huì)跟你“喂”給它的反饋質(zhì)量直接掛鉤。如果你在部署環(huán)境里能構(gòu)建一套標(biāo)準(zhǔn)化的任務(wù)狀態(tài)自動(dòng)判定機(jī)制讓每次執(zhí)行的成敗變?yōu)榻Y(jié)構(gòu)化的標(biāo)簽數(shù)據(jù)那么模型的進(jìn)化效率會(huì)遠(yuǎn)高于靠人工標(biāo)注來(lái)驅(qū)動(dòng)的方式。目前這些反饋機(jī)制還處在需要場(chǎng)景定制的階段。未來(lái)如果生數(shù)能把“自進(jìn)化”做成一個(gè)開箱即用的框架讓任何接入Motus 2的機(jī)器人系統(tǒng)都自動(dòng)完成數(shù)據(jù)回流和增量訓(xùn)練那這套方案對(duì)行業(yè)的意義就遠(yuǎn)不止一個(gè)84%的成功率數(shù)字了。