推动物理AI演进

深耕驾驶自动化,赋能人形机器人。

物理 AI 需要在现实世界的复杂环境中接受检验,并具备理解动态环境、应对不确定性以及在广泛场景中实时行动的能力。

Mobileye 的物理 AI 方法建立在四项原则之上,旨在支持自动驾驶车辆和人形机器人在无法预写脚本、也难以预测的复杂动态物理世界中运行。

原生安全架构

原生安全架构

通过对 AI 具有控制权的独立、可验证安全层进行工程设计,旨在确保关键决策始终符合安全优先原则。

边缘案例驱动学习

边缘案例驱动学习

以意外场景的长尾为基础进行学习,旨在使系统能够应对物理 AI 面临的最具挑战性的场景。

专用技术栈

专用技术栈

AI、感知、计算平台和机器被设计为统一的垂直整合系统,以支持优化各组件及整体系统性能。

规模优先工程

规模优先工程

从原型阶段起优化成本、性能与可制造性,加快创新走向大众市场部署的进程。

规模化物理 AI 的核心要素是什么?

AI必须以实用为本

物理 AI 不仅依赖单一模型。Mobileye 的方法将先进学习技术、专用组件和系统级逻辑结合起来,覆盖感知、规划、决策和控制。各层均被设计为在一个集成系统内高效履行其功能,同时优化整体性能。

AI必须精简高效

自主机器必须在现实世界的约束下运行,包括算力、功耗、成本、延迟、可靠性以及可制造性。Mobileye 的方法围绕高效架构展开,旨在将 AI 能力与实际部署的现实需求达成平衡。

EyeQ™系统集成芯片

AI必须灵活应变

物理世界变化多样,无法预写脚本。Mobileye 开发的 AI 系统旨在应对多种场景、环境和用例,同时以结构化工程和验证为基础。该方法支持路上自动驾驶的规模化,也为 Mobileye 拓展至人形机器人领域提供参考。

产品概览

AI必须安全为先

Mobileye 系统设有稳健的安全防护措施,包括多种形式化安全模型。我们还在硬件、软件和 AI 流程的关键技术中采用冗余,以支持安全决策。我们的重点是构建既智能、又基于严格验证并面向现实部署的系统。

规模化物理 AI 的核心要素是什么?

AI必须以实用为本

物理 AI 不仅依赖单一模型。Mobileye 的方法将先进学习技术、专用组件和系统级逻辑结合起来,覆盖感知、规划、决策和控制。各层均被设计为在一个集成系统内高效履行其功能,同时优化整体性能。

AI必须精简高效

自主机器必须在现实世界的约束下运行,包括算力、功耗、成本、延迟、可靠性以及可制造性。Mobileye 的方法围绕高效架构展开,旨在将 AI 能力与实际部署的现实需求达成平衡。

EyeQ™系统集成芯片

AI必须灵活应变

物理世界变化多样,无法预写脚本。Mobileye 开发的 AI 系统旨在应对多种场景、环境和用例,同时以结构化工程和验证为基础。该方法支持路上自动驾驶的规模化,也为 Mobileye 拓展至人形机器人领域提供参考。

产品概览

AI必须安全为先

Mobileye 系统设有稳健的安全防护措施,包括多种形式化安全模型。我们还在硬件、软件和 AI 流程的关键技术中采用冗余,以支持安全决策。我们的重点是构建既智能、又基于严格验证并面向现实部署的系统。

Mobileye旗下的 Mentee

专为应对物理世界的复杂挑战而打造的人形机器人。

Mentee 旨在将 AI 应用于现实世界。凭借少样本学习、大规模仿真和垂直整合机器人技术,Mentee 被设计为可在数小时而非数周内学习新任务、在现实环境中以较高成功率执行任务,并通过仿真持续改进,从而能够在家庭和工作场所安全地与人协同作业。

了解Mentee

bridge imagebridge imagebridge image

Mobileye 的物理 AI 基础体现了其数十年来在现实驾驶自动化领域积累的经验,并将塑造其汽车 AI 领先地位的相同工程理念应用于复杂动态物理环境中的人形机器人。

Mobileye 的物理 AI 基础体现了其数十年来在现实驾驶自动化领域积累的经验,并将塑造其汽车 AI 领先地位的相同工程理念应用于复杂动态物理环境中的人形机器人。

物理AI常见问答

物理 AI是指能够感知、理解并作用于物理世界的人工智能。与仅处理数字信息的 AI 系统不同,物理 AI 应用于车辆、机器人以及其他需要与现实环境交互的自主系统中。这些系统通过传感器、软件与算力,根据对周围环境的观察做出决策并执行任务。
生成式 AI 旨在创作内容,例如文本(包括代码)、图像和音频;而物理 AI则旨在理解并响应现实世界。生成式 AI 或许能为问题生成文字解答,但物理 AI 系统旨在感知周围环境、做出决策,并在动态环境中安全、可靠地采取行动。这两项技术可以互补,但其设计初衷截然不同。
物理 AI 的应用涵盖高级驾驶辅助系统(ADAS)、自动驾驶汽车、仓储机器人、配送机器人、工业自动化系统、智能机械以及人形机器人等。这些系统能够利用 AI 感知周围环境、理解实时动态,并据此做出相应的行动响应。
物理 AI 系统通常融合多项技术,包括人工智能、计算机视觉、传感器数据处理、机器学习、地图定位、仿真模拟以及高性能计算。许多系统还依赖摄像头、毫米波雷达、激光雷达或其他传感器来采集环境信息,支撑决策制定。
在 Mobileye,人形机器人的研发还融入了先进的训练与学习技术,例如旨在通过少量示例即可掌握新任务的“少样本学习”,以及“Real2Sim2Real”的开发方法—利用真实世界数据构建逼真的仿真环境,再将仿真中获得的成果迁移回现实运行。这些方法旨在帮助物理 AI 系统更高效地适应复杂多变的环境。
物理 AI 系统利用从现实环境中采集的数据进行训练,例如图像、视频、传感器读数以及运行数据。研发人员借助这些数据教导系统如何识别目标、理解情境并做出恰当响应。仿真模拟常被用于补充训练,使系统能够应对比现实世界中更丰富多元的场景。
在自动驾驶车辆中,物理 AI 可帮助车辆感知周围环境、识别其他道路使用者、理解路况、预测交通动态并做出驾驶决策。它有助于实现从避免碰撞、驾驶辅助,到高度自动化及完全自动驾驶系统的各项功能。
在机器人领域,物理 AI 帮助机器人理解周围环境,并以更高的自主性执行任务。这包括在工作空间内的导航、识别与抓取物体、遵从指令以及适应变化的环境。物理 AI 的应用涵盖工业自动化、物流、服务机器人以及进入家庭的人形机器人。
/html>