Peningkatan Embodied-AI Stack Amap Alibaba untuk Robot

Amap, lengan pemetaan dan layanan lokasi Alibaba, telah merilis peningkatan full-stack untuk ABot, sistem embodied-AI yang sedang dibangun untuk memandu robot bukan pengemudi. Diumumkan pada 22 Juli 2026, pembaruan ini menggabungkan lima model baru yang mencakup navigasi, manipulasi, penalaran, memori jangka panjang, dan kontrol gerakan, dan Amap mengatakan bahwa tumpukan gabungan mencetak skor tertinggi di 17 benchmark.

Apa yang dikeluarkan perusahaan ini adalah sekumpulan model dan makalah penelitian, bukan robot dengan harga atau pelanggan. Perbedaan ini penting. Rilis ini menjelaskan kemampuan yang diukur pada benchmark, bukan mesin yang menjalankan shift di suatu tempat dengan intervensi yang dicatat. Tumpukan ini dimaksudkan untuk menjadi body-agnostic, memasang humanoid, quadruped, dan robot roda melalui keterampilan yang dapat dipertukarkan sehingga satu “otak” dapat, dalam prinsip, mengemudi perangkat keras yang berbeda — ambisi lintas-tubuh yang sama yang berjalan melalui perlombaan robotik yang lebih luas.

Apa yang ditambahkan peningkatan

Navigasi adalah bagian yang paling dekat dengan pekerjaan sehari-hari Amap, dan modelnya, ABot-N1, mencerminkan hal itu. Ini memasangkan modul yang lambat untuk perencanaan rute dengan modul yang cepat yang mengeluarkan perintah gerakan, dan menambahkan apa yang disebut tim sebagai “rantai pikiran tingkat piksel” yang menghubungkan apa yang dilihat kamera dengan penalaran tertulis sehingga keputusan dapat dilacak. Amap mengatakan ABot-N1 dapat menyeberangi kota menggunakan peta navigasi biasa saja, dengan tingkat keberhasilan 92,9% di luar ruangan; makalah melaporkan 95,4% di adegan dalam ruangan yang kompleks dan keuntungan 35% dalam mencapai titik minat, hingga 77,3%.

Manipulasi lebih sulit, dan itu adalah apa yang ABot-M0.5 target: bisnis multi-langkah memindahkan objek dan menangani, seperti mengambil air dari dispenser di seberang ruangan. Alih-alih menjalankan gerakan dan genggaman sebagai satu urutan, itu membagi mereka menjadi dua aliran tindakan, dan itu menambahkan metode pelatihan yang disebut Amap “self-healing” yang memungkinkan model terus bertindak dari prediksi visual yang berisik daripada macet pada kesalahan kecil. Pada suite pengujian RoboCasa-365, Amap melaporkan mengalahkan sistem sebelumnya oleh 20,4% pada tugas kompleks dan 10,6% pada tugas dasar.

Dua model lain membentuk lapisan keputusan. ABot-ER dibangun untuk menalar tentang bagaimana objek, ruang, dan tugas berhubungan daripada hanya mengenali apa yang ada di dalam bingkai; Amap mengatakan itu menduduki peringkat pertama pada benchmark pertanyaan-memecahkan spasial, Embodied Arena 2D-EQA, pada saat pengumuman. ABot-AgentOS berada di atas pengontrol dan menangani perencanaan, penggunaan alat, eksekusi, dan verifikasi, dengan memori seumur hidup yang dapat belajar dari upaya gagal. Model kelima, ABot-C0, mengubah keputusan menjadi gerakan untuk robot quadruped. Bersama, lapisan penalaran dan agen target bagian dari embodied AI yang menjatuhkan sebagian besar sistem: bukan satu genggaman, tetapi menghubungkan banyak langkah menjadi tugas panjang tanpa kehilangan benang.

Benchmark, bukan penerapan

Amap meletakkan lebih banyak di atas meja daripada peluncuran robot kebanyakan. Ini menerbitkan makalah untuk model navigasi, manipulasi, agen, dan kontrol gerakan di arXiv dan merilis kode dan set pengujian, yang lebih dapat diperiksa daripada potongan sorotan yang diedit. Peneliti luar dapat, dalam prinsip, mengulangi pekerjaan.

Angka-angka masih membawa asterisk biasa. Mereka adalah hasil tim, dan beberapa benchmark adalah yang diperkenalkan Amap bersama dengan model: ABot-N1 dikirim dengan tes tujuan dan titik minat baru, dan sistem agen dinilai pada benchmark yang didefinisikan oleh makalah yang sama. Tidak ada laboratorium independen yang mereproduksi angka-angka, dan tidak ada model yang datang dengan penerapan dunia nyata yang dilampirkan — tidak ada ukuran armada, tidak ada waktu aktif, tidak ada tingkat intervensi yang menunjukkan seberapa sering seseorang harus mengambil alih. Celah itu memisahkan hasil benchmark dari “tahun penerapan” yang dimulai oleh pesaing seperti AgiBot.

Satu-satunya jangkar fisik adalah robot pemandu quadruped yang Amap katakan pada April 2026 akan dikirim ke Maraton Setengah Beijing E-Town. Itu adalah demonstrasi, bukan penerapan: satu robot dalam pengaturan yang diatur tidak mengatakan banyak tentang bagaimana tumpukan itu bertahan di seluruh ekor panjang lingkungan nyata.

Mengapa perusahaan pemetaan membangun otak robot

Amap menjalankan salah satu platform navigasi terbesar di Cina, dan taruhannya adalah bahwa data pemetaan dan titik minat di balik layanan itu adalah awal yang baik untuk penalaran spasial yang dibutuhkan robot untuk bergerak melalui dunia fisik. Perusahaan mendirikan divisi kecerdasan yang terwujud pada Januari 2026 dan merilis model dasar navigasi dan manipulasi pertamanya, ABot-N0 dan ABot-M0, beberapa minggu kemudian; pembaruan Juli adalah generasi kedua dari pekerjaan itu.

Ini mendarat di lapangan yang ramai. Pengembang Cina, peserta humanoid baru dan pembuat cobot yang memasang robot dengan AI umum semua mengejar fondasi lapisan model yang sama, dan Cina mengalirkan uang publik dan swasta ke kecerdasan yang terwujud dan model di bawahnya. Ujian yang mereka hadapi adalah yang belum dijawab Amap: apakah tumpukan yang mengalahkan benchmark dapat menjalankan robot yang melakukan pekerjaan yang berguna, tanpa pengawasan, di lantai yang tidak diatur sebelumnya. Amap telah menunjukkan setengah pertama. Yang kedua masih klaim.