盛数科技发布Vidar多视图物理AI训练模型

盛数科技于昨日正式发布其创新型“Vidar多视物理AI训练模型”。该模型采用视频扩散技术（Video Diffusion for Action Reasoning）与有限物理数据相结合，通过模拟视频和语义理解为机器人在现实环境中的决策提供支持。公司称，这款模型将为训练真实场景中的机器人提供更具可扩展性的发展路径。

传统物理AI训练模式需要依赖机器人在现实环境中的交互数据，这种方法成本高昂、依赖硬件、且难以大规模应用；而纯模拟训练则因缺乏现实中的多变性与极端场景数据，难以满足实际应用需求。Vidar创新性地将有限的物理训练数据与生成视频相结合，通过虚拟模拟环境生成预测并创造新的假设场景。这种“多视”模拟模式能够以较低成本、无需繁琐的数据采集过程，为AI模型提供真实环境的数据复杂性与丰富性。

Vidar基于盛数科技旗舰视频生成平台Vidu构建，能够完成双臂操作任务、进行多视视频预测，甚至在经过微调后响应自然语言声音指令。公司称该模型本质上是一个数字化“大脑”，能够驱动机器人智能化行动。

Vidar的核心创新在于采用模块化的两阶段学习架构，将感知与控制解耦以实现更大的灵活性与可扩展性。第一阶段，通过大规模视频数据和适量的物理视频数据训练模型感知能力；第二阶段，任务无关的模型AnyPos将视觉理解转化为机器人可执行的运动指令。这一结构的优化显著降低了训练与部署AI模型的难度，成本更低且可扩展性更强。

盛数科技表示，Vidar模型仅需20分钟的训练数据即可从中推导出高度概括化的机器人动作和任务。这一数据量仅为业界领先模型（例如RDT与π0.5）训练需求的180至11,200分之一。Vidar构建了一个以大规模普通视频、物理嵌入视频数据及机器人特定示例为基础的三层数据金字塔结构，通过降低数据瓶颈实现更高效的机器人训练。

此外，Vidar基于U-ViT架构，融合扩散模型与变压器架构，支持长时间跨度的时序建模、多角度视频一致性以及物理决策的提升。Vidar可以快速从模拟过渡到现实应用，这对于动态环境中机器人系统的设计尤为重要，同时显著减少工程复杂性。

Vidar以其高效、可扩展且成本友好的特点，为机器人技术在多个领域的加速应用提供可能。无论是家庭助手与老年护理，还是智能制造与医疗机器人，该模型都能够快速适应新环境，实现多任务处理。盛数科技表示，“Vidar创造了一个机器人开发的AI原生路径，它不仅高效且更贴近实际，为视觉理解与智能行动之间架起了一座桥梁。”

Vidar 的推出标志着盛数科技在多模态 AI 领域的进一步突破。公司透露，其基础视频模型 Vidu 自问世以来，已取得显著成果：
– 第一个月用户量突破 100 万；
– 三个月内用户量达到 1000 万；
– 前四个月累计生成视频超 1 亿个；