Alibabas Amap oppgraderer sin embodied-AI-stakk for roboter

Amap, kart- og lokalitetstjenestearmen til Alibaba, har gjort en fullstendig oppgradering av ABot, det embodied-AI-systemet de bygger for å guide roboter i stedet for sjåfører. Annonsert 22. juli 2026, oppdaterer denne fem nye modeller som dekker navigasjon, manipulering, resonnering, langtidsminne og bevegelseskontroll, og Amap sier at den kombinerte stakken setter toppscore på 17 benchmarks.

Det selskapet har levert er en samling modeller og forskningspapirer, ikke en robot med en prislapp eller en kunde. Forskjellen er viktig. Utgivelsen beskriver evner målt på benchmarks, ikke en maskin som kjører en skift på et sted med inngrep logget. Stakken er ment å være kropp-agnostisk, koblet til humanoid, firedobbel og hjulroboter gjennom bytbar ferdighet så en “hjerne” i teorien kan drive forskjellige maskinvare — samme kropp-uavhengige ambisjon som går igjennom den videre robotikken.

Hva oppgraderingen legger til

Navigasjon er det nærmeste Amaps daglige jobb, og dens modell, ABot-N1, reflekterer det. Den kombinerer en langsom modul for ruteplanlegging med en rask som gir bevegelseskommandoer, og legger til det teamet kaller en “pixel-nivå-kjede-av-tenkning” som kobler hva kameraet ser til skrevet ut resonnering så en beslutning kan spores. Amap sier ABot-N1 kan krysse en by ved å bruke vanlige navigasjonskart alene, med en suksessrate på 92,9% utendørs; papiret rapporterer 95,4% i komplekse innendørs scener og en 35% økning i å nå punkter av interesse, til 77,3%.

Manipulering er vanskeligere, og det er hva ABot-M0.5 måler: den flertrinns forretningsvirksomheten med å flytte til et objekt og håndtere det, som å hente vann fra en dispenser på andre siden av rommet. I stedet for å kjøre bevegelse og grep som en sekvens, deler den dem inn i to handlingsstrømmer, og den legger til en treningsmetode Amap kaller “drøm selv-healing” som lar modellen fortsette å handle fra støyende visuelle forutsigelser i stedet for å stoppe på små feil. På RoboCasa-365-testsettet rapporterer Amap å slå den tidligere beste systemet med 20,4% på komplekse oppgaver og 10,6% på grunnleggende oppgaver.

To flere modeller danner beslutningslaget. ABot-ER er bygget for å resonere om hvordan objekter, rom og oppgaver henger sammen i stedet for bare å gjenkjenne hva som er i rammen; Amap sier det rangerte først på et romlig spørsmål-svar-benchmark, Embodied Arena 2D-EQA, på annonsedatoen. ABot-AgentOS sitter over kontrollerne og håndterer planlegging, verktøybruk, utførelse og verifisering, med en livslang minne som kan lære av mislykkede forsøk. En femte modell, ABot-C0, konverterer disse beslutningene til bevegelse for firedobbel roboter. Sammen måler resonnerings- og agent-lagene den delen av embodied AI som feiler de fleste systemer: ikke en enkelt grep, men å kjede mange trinn sammen i en lang oppgave uten å tape tråden.

Benchmarks, ikke deployeringer

Amap la mer på bordet enn de fleste robot-lanseringer gjør. Det publiserte papirer for navigasjons-, manipulering-, agent- og bevegelseskontrollmodellene på arXiv og ga ut kode og testsett, som er mer kontrollerbart enn en klipp-og-spedopp-høydepunkt-reel. Utenfor forskere kan i teorien gjenta arbeidet.

Tallene bærer fortsatt den vanlige asterisken. De er teamets egne resultater, og flere av benchmarkene er de som Amap introduserte sammen med modellene: ABot-N1 kommer med nye punkt-mål- og punkt-av-interesse-tester, og agentsystemet scores på en benchmark som samme papir definerer. Ingen uavhengig laboratorium har reprodusert tallene, og ingen av modellene ankommer med en virkelig verdens deployering vedlagt — ingen flåtestørrelse, ingen oppetid, ingen inngripen rate som viser hvor ofte en person måtte ta over. Denne gapet skiller en benchmark-resultat fra “deployeringsåret” som rivaler som AgiBot har startet å hevde.

Den eneste fysiske ankeret er en firedobbel guide-robot Amap sa i april 2026 at de ville sende til Beijing E-Town Half Marathon. Det er en demonstrasjon, ikke en deployering: en robot i en iscenesatt setting sier lite om hvordan stakken holder seg over den lange halen av en virkelig miljø.

Hvorfor et kartfirma bygger robot-hjerner

Amap kjører ett av Kinas største navigasjonsplattformer, og dens veddemål er at kart- og punkt-av-interesse-dataene bak denne tjenesten er en fordel på den romlige resonneringen roboter trenger for å flytte seg gjennom den fysiske verden. Selskapet etablerte en embodied-intelligens-avdeling i januar 2026 og ga ut sine første navigasjons- og manipulering-basemodeller, ABot-N0 og ABot-M0, uker senere; juli-oppgraderingen er den andre generasjon av dette arbeidet.

Det lander i et trangt felt. Kinesiske utviklere, nyere humanoid-inngang og cobot-produsenter som utstyrer roboter med generalist AI er alle jagende samme kropp-uavhengige grunnlagsmodell-lag, og Kina heller offentlig og privat penger inn i embodied intelligens og modellene under det. Testen de møter er den Amap ennå ikke har svart på: om en stakk som toppscore på benchmarks kan kjøre en robot som gjør nyttig arbeid, uoppmerksom, på en gulv ingen har arrangert på forhånd. Amap har vist den første halvdel. Den andre er fortsatt et krav.