Alibaba har officiellt presenterat sin första familj av modeller för "embodied AI" – alltså AI-modeller som är designade för att interagera direkt med den fysiska världen. Den nya serien har fått namnet Qwen-Robot och markerar ett stort steg för företaget när de nu integrerar stora språkmodeller (LLM) direkt med robotars fysiska handlingar.
Serien består av tre specialiserade modeller som hanterar olika aspekter av robotik, från navigering till fysisk interaktion.
Tre modeller för en fysisk verklighet
Qwen-Robot-familjen är uppdelad för att lösa specifika uppgifter inom robotik:
- Qwen-RobotNav: Denna modell fokuserar på visuellt baserad navigering. Den förenar förmågan att följa instruktioner med mål- och objektsspårning samt autonom körning. Modellen har tränats på 15,6 miljoner prover för att kunna tolka och navigera i komplexa miljöer.
- Qwen-RobotManip: Utvecklad för robotmanipulation och finmotorik. Arkitekturen bygger på Qwen3.5-4B VL och använder ett specialiserat ”action head” baserat på en flow-matching diffusion transformer. Den har tränats på över 38 100 timmar av öppen källdata för operationella uppgifter.
- Qwen-RobotWorld: Fungerar som en världsmodell som kan förutse fysiskt korrekta framtidsscenarier för både manipulation och körning. Den använder ett gränssnitt baserat på naturligt språk för att planera och förstå fysiska händelseförlopp.
Imponerande prestanda med Unitree Go2
I samband med lanseringen demonstrerades Qwen-RobotNav på en fyrbent robot av modellen Unitree Go2. Genom att använda hårdvaran NVIDIA Jetson Thor och en enda lågupplöst kamera lyckades roboten navigera genom en obekant lägenhet enbart baserat på verbala instruktioner. Detta gjordes utan någon tidigare kartläggning av ytan.
Enligt Alibaba uppnådde systemet en latens på endast 196 millisekunder, vilket möjliggör reaktioner i nästan realtid.
Intelligent planering och öppna verktyg
Förutom de tre kärnmodellerna introducerade Alibaba även Qwen-RobotClaw. Det är ett internt ramverk för agenter som hanterar långsiktiga uppgifter och minne. Det tillåter AI-agenter att anropa Qwen-Robot-seriens modeller som verktyg för att lösa problem.
Ett exempel som visades var en robot som självständigt planerade om sin rutt när den stötte på en skylt om att en toalett var ur funktion under sökandet efter ett badrum.
Alibaba har även valt att göra utvärderingsplattformen Chat2Robot tillgänglig via öppen källkod. Det är en webbaserad plattform för realtidsinteraktion med robotar, som för närvarande stöder Qwen-RobotManip tränad på 50 olika uppgifter via datasetet RoboTwin-Clean.
Framtiden för fysisk AI
Med lanseringen av Qwen-Robot positionerar sig Alibaba som en seriös utmanare på marknaden för fysisk AI-interaktion. Analytiker förväntar sig att denna marknad kommer att omsätta miljarder dollar inom de närmaste tre åren, då integrationen mellan avancerad mjukvara och fysisk hårdvara blir allt viktigare.
