Alibaba’s Amap Uppgraderar Sitt Embodied-AI-Stack För Robotar

Amap, det kart- och lägetjänstföretag som ägs av Alibaba, har släppt en fullständig uppgradering av ABot, det embodied-AI-system som byggs för att guida robotar snarare än förare. Uppgraderingen meddelades den 22 juli 2026 och innehåller fem nya modeller som täcker navigation, manipulation, resonemang, långsiktig minnesförmåga och rörelsekontroll, och Amap hävdar att den kombinerade stacken nådde toppbetyg på 17 benchmark-tester.

Det som företaget släppte är en uppsättning modeller och forskningsartiklar, inte en robot med en prislapp eller en kund. Distinktionen är viktig. Uppgraderingen beskriver funktioner som mätts med benchmark-tester, inte en maskin som kör en skift någonstans med dess ingrepp loggade. Stacken är avsedd att vara oberoende av kroppstyp, och kan anslutas till humanoida, fyrbenta och hjulburna robotar genom utbytbara färdigheter, så att en “hjärna” i princip kan köra olika hårdvara — samma kors-kroppsliga ambition som driver den bredare robotikracen.

Vad Uppgraderingen Lägger Till

Navigation är den del som ligger närmast Amaps dagliga arbete, och dess modell, ABot-N1, speglar det. Den parar en långsam modul för ruttplanering med en snabb modul som utfärdar rörelsekommandon, och lägger till vad teamet kallar en “pixellänkad kedja av tankar” som länkar vad kameran ser till skrivna resonemang, så att ett beslut kan spåras. Amap hävdar att ABot-N1 kan korsa en stad med hjälp av vanliga navigationskartor ensam, med en framgångsgrad på 92,9% utomhus; artikeln rapporterar 95,4% i komplexa inomhusmiljöer och en 35% ökning av att nå punkter av intresse, till 77,3%.

Manipulation är svårare, och det är vad ABot-M0.5 riktar sig mot: den flerstegsprocessen att flytta till ett föremål och hantera det, till exempel att hämta vatten från en dispenser i ett rum. Istället för att köra rörelse och grepp som en sekvens, delar den dem upp i två handlingsströmmar, och den lägger till en träningsmetod som Amap kallar “dröm-självläkning” som låter modellen fortsätta agera från bullriga visuella förutsägelser snarare än att stanna på små fel. På RoboCasa-365-testsviten rapporterar Amap att den slår den tidigare bästa systemet med 20,4% på komplexa uppgifter och 10,6% på grundläggande uppgifter.

Två fler modeller bildar beslutsgrunden. ABot-ER är byggd för att resonera om hur föremål, utrymmen och uppgifter relaterar snarare än att bara känna igen vad som finns i ramen; Amap hävdar att den rankades först på en spatial fråge-svar-benchmark, Embodied Arena 2D-EQA, vid tillkännagivandet. ABot-AgentOS sitter ovanför kontrollerna och hanterar planering, verktygsanvändning, utförande och verifikation, med en livslång minnesförmåga som kan lära sig från misslyckade försök. En femte modell, ABot-C0, omvandlar dessa beslut till rörelse för fyrbenta robotar. Tillsammans riktar resonemangs- och agentlager sig mot den del av embodied AI som stjälper de flesta system: inte ett enda grepp, utan att koppla många steg till en lång uppgift utan att förlora tråden.

Benchmark-Test, Inte Distributioner

Amap lade mer på bordet än de flesta robotlanseringar gör. Det publicerade artiklar för navigations-, manipulations-, agent- och rörelsekontrollmodellerna på arXiv och släppte kod och testuppsättningar, vilket är mer kontrollerbart än en klippt och sammanfogad höjdpunktsvideo. Yttre forskare kan i princip återupprepa arbetet.

Siffrorna bär fortfarande den vanliga asterisken. De är teamets egna resultat, och flera av benchmark-testerna är de som Amap introducerade tillsammans med modellerna: ABot-N1 levereras med nya punkt-mål- och punkt-av-intresse-tester, och agentsystemet poängsätts på en benchmark som samma artikel definierar. Inga oberoende laboratorier har återskapat siffrorna, och ingen av modellerna anländer med en verklig distribution — ingen flottstorlek, ingen uptime, ingen ingreppsfrekvens som visar hur ofta en person var tvungen att ta över. Det gapet skiljer ett benchmark-resultat från “distributionen” som rivaler som AgiBot har börjat hävda.

Den enda fysiska ankaret är en fyrbent guide-robot som Amap sa i april 2026 att de skulle skicka till Beijing E-Town Halvmaraton. Det är en demonstration, inte en distribution: en robot i en iscensatt miljö säger lite om hur stacken håller i längden i en verklig miljö.

Varför Ett Kartföretag Bygger Robot-Hjärnor

Amap kör ett av Kinas största navigationsplattformar, och dess gissning är att kart- och punkt-av-intresse-data bakom den tjänsten är en försprång på den rumsliga resonemang som robotar behöver för att röra sig i den fysiska världen. Företaget inrättade en embodied-intelligens-avdelning i januari 2026 och släppte sin första navigations- och manipulationsbasmodell, ABot-N0 och ABot-M0, veckor senare; juli-uppgraderingen är den andra generationen av det arbetet.

Det landar i ett trångt fält. Kinesiska utvecklare, nya humanoid-inträngare och cobot-tillverkare som utrustar robotar med generalist-AI är alla på jakt efter samma kors-kroppsliga grundmodell-lager, och Kina häller offentliga och privata pengar in i embodied intelligens och modellerna under den. Testet som de alla står inför är det som Amap ännu inte har svarat på: om en stack som toppar benchmark-tester kan köra en robot som gör användbar arbete, oövervakad, på en golv som ingen arrangerade i förväg. Amap har visat den första halvan. Den andra är fortfarande ett påstående. Amap har visat den första halvan. Den andra är fortfarande ett påstående. Amap har visat den första halvan, men den andra är fortfarande ett påstående som kräver privat pengar i inkarnerad intelligens och modellerna under den. Testet som var och en av dem står inför är det som Amap ännu inte har svarat på: om en stack som toppar benchmark-tester kan köra en robot som gör användbar arbete, oövervakad, på en golv som ingen arrangerade i förväg. Amap har visat den första halvan. Den andra är fortfarande ett påstående.