Alibaba’s Amap Opgraderer Sin Embodied-AI-Stack Til Robotter

Amap, det kinesiske kort- og lokalitets-tjeneste-selskab Alibaba, har frigivet en fuld-stack-opgradering til ABot, det embodied-AI-system, som de bygger for at guide robotter i stedet for chauffører. Annoceret den 22. juli 2026, omfatter opdateringen fem nye modeller, der dækker navigation, manipulation, reson, langsigtede hukommelse og bevægelseskontrol, og Amap siger, at den kombinerede stack satte top-score på 17 benchmarks.

Det, som virksomheden har leveret, er en samling modeller og forskningspapirer, ikke en robot med en prissætning eller en kunde. Forskellen er væsentlig. Udgivelsen beskriver kapaciteter, der måles på benchmarks, ikke en maskine, der kører en skift på et sted med dens indgreb logget. Stacken er designet til at være krop-agnostisk, så den kan tilsluttes til humanoid-, firben- og hjulrobotter gennem udskiftelige færdigheder, så en “hjerne” i princippet kan køre forskellige hardware – det samme tværgående ambition, der løber gennem den bredere robotløb.

Hvad opgraderingen tilføjer

Navigation er den del, der er tættest på Amaps daglige arbejde, og deres model, ABot-N1, afspejler det. Den parrer en langsom modul til ruteplanlægning med en hurtig, der udsteder bevægelseskommandoer, og tilføjer, hvad teamet kalder en “pixel-niveau-kæde-af-tanker”, der forbinder, hvad kameraet ser, til skrevne resoneringer, så en beslutning kan spores. Amap siger, at ABot-N1 kan krydse en by ved hjælp af almindelige navigationskort alene, med en succesrate på 92,9% udendørs; papiret rapporterer 95,4% i komplekse indendørs scener og en 35% stigning i at nå punkter af interesse, til 77,3%.

Manipulation er sværere, og det er, hvad ABot-M0.5 sigter mod: den multi-trins forretning med at flytte til et objekt og håndtere det, såsom at hente vand fra en dispenser på tværs af et rum. I stedet for at køre bevægelse og greb som én sekvens, splitter den dem i to handlinger, og den tilføjer en træningsmetode, som Amap kalder “drøm-selvhelbredelse”, der låser modellen til at fortsætte med at handle fra støjende visuelle forudsigelser i stedet for at gå i stå på små fejl. På RoboCasa-365-test-suiten rapporterer Amap, at de slår den tidligere bedste system med 20,4% på komplekse opgaver og 10,6% på grundlæggende opgaver.

To yderligere modeller danner beslutningslaget. ABot-ER er bygget til at resonere om, hvordan objekter, rum og opgaver relaterer til hinanden, i stedet for kun at genkende, hvad der er i rammen; Amap siger, at det rangerede som nummer ét på en spatial spørgsmål-svar-benchmark, Embodied Arena 2D-EQA, på tidspunktet for annonceringen. ABot-AgentOS sidder oven på kontrolenhederne og håndterer planlægning, værktøjsbrug, udførelse og verificering, med en livslang hukommelse, der kan lære af mislykkede forsøg. En femte model, ABot-C0, konverterer disse beslutninger til bevægelse for firben-robotter. Sammen sigter resonans- og agent-lagene mod den del af embodied AI, der fejler de fleste systemer: ikke en enkelt greb, men at lægge mange trin sammen i en lang opgave uden at tabe tråden.

Benchmarks, ikke installationer

Amap har lagt mere på bordet end de fleste robotlanceringer. De har offentliggjort papirer for navigation-, manipulation-, agent- og bevægelseskontrol-modellerne på arXiv og har frigivet kode og test-sæt, hvilket er mere kontrollerbart end en klip og accelereret højdepunkts-klip. Udenforstående forskere kan i princippet gentage arbejdet.

Tallene bærer stadig den sædvanlige asterisk. De er teamets egne resultater, og flere af benchmarkene er dem, som Amap introducerede sammen med modellerne: ABot-N1 kommer med nye punkt-mål- og punkt-af-interesse-test, og agent-systemet er vurderet på en benchmark, som det samme papir definerer. Ingen uafhængig laboratorium har reproduceret cifrene, og ingen af modellerne kommer med en reel installation vedlagt – ingen flådestørrelse, ingen driftstid, ingen indgrebsrate, der viser, hvor ofte en person havde brug for at overtage. Denne lukke adskiller en benchmark-resultat fra “installation-året”, som rivaler som AgiBot er begyndt at kræve.

Den eneste fysiske anker er en firben-vejledningsrobot, som Amap sagde i april 2026, at de ville sende til Beijing E-Town Halvmaraton. Det er en demonstration, ikke en installation: en robot i en iscenesat situation siger lidt om, hvordan stacken holder til over den lange hale af et virkeligt miljø.

Hvorfor et kort-selskab bygger robot-hjerner

Amap kører et af Kinas største navigations-platforme, og deres væddemål er, at de kort- og punkt-af-interesse-data, der ligger bag denne tjeneste, er et forspring på den rumlige reson, robotterne har brug for for at flytte sig gennem den fysiske verden. Virksomheden etablerede en embodied-intelligens-afdeling i januar 2026 og udgav deres første navigation- og manipulation-basismodeller, ABot-N0 og ABot-M0, uger senere; juli-opgraderingen er den anden generation af dette arbejde.

Det lander i et overfyldt felt. Kinesiske udviklere, nyere humanoid-deltagere og cobot-producenter, der udstyrer robotter med generalist-AI, er alle jagende den samme tværgående grund-lag-modell-lag, og Kina hælder offentligt og privat penge ind i embodied-intelligens og modellerne under det. Testen, som de alle står over for, er den, som Amap endnu ikke har svaret på: om en stack, der top-scorer på benchmarks, kan køre en robot, der udfører nyttigt arbejde, utilgængeligt, på en gulv, som ingen har arrangeret i forvejen. Amap har vist den første halvdel. Den anden er stadig et krav.

private penge ind i inkarneret intelligens og modellerne under det. Testen, som de alle står over for, er den, som Amap endnu ikke har svaret på: om en stack, der top-scorer på benchmarks, kan køre en robot, der udfører nyttigt arbejde, utilgængeligt, på en gulv, som ingen har arrangeret i forvejen. Amap har vist den første halvdel. Den anden er stadig et krav.