骷髅手「盘核桃」见过吗？
这个神奇的「手」源自Meta刚刚发布的AI平台MyoSuITe。
让人不禁联想起终结者的即视感。
小扎表示，元宇宙的「阿凡达」们有了希望。
在传统行业中，有一句话流传甚广：「一流企业做标准，二流企业做品牌，三流企业做产品」。
虽然这句话有些绝对，但它传达了一个重要信息：行业标准对企业的重要性。
谁掌握了标准，谁就能够在行业中占据主导地位，制定游戏规则。
在AI时代，科技巨头们也在争夺「标准」这一高地，相关的术语变得多样化，如框架、平台、基准等，皆与行业标准息息相关。
Meta当然不例外。
小扎全力投入元宇宙，似乎万事皆可与之挂钩。
我们可以训练模型来完成复杂的动作，比如转笔或转钥匙。这项研究不仅加速了假肢、身体康复和手术技术的发展，还为元宇宙打造更真实的化身提供了可能。我们将开放这些模型的源代码，以便研究人员进一步推动这一领域的发展。
没想到，下面展示的竟然是转笔，而非「抓罐子」。
不过，这似乎有点粗糙。
另外，还有转钥匙的演示。（已习惯，不再多说）
尽管目前模型看起来还处于初步阶段，各种细节的控制已经相当完善。
滑动控制条伸出大拇指，然后收回剩下四指，最后转动胳膊。
来，给你竖个大拇指！
如果研究能够进一步进展，Meta的「阿凡达」们将拥有解剖上正确的骨骼和动作，而不仅仅是可爱的卡通形象。
神经与运动智能的统一
生物体越聪明，其表现出的运动行为就越复杂。
因此，必须考虑一个重要问题：是什么导致了这种复杂的决策和运动控制？
Meta认为，开发MyoSuITe正是为了探索这个问题。
论文地址：https://dRive.Google.coM/file/d/10Le1OMOpy-Veb7n41ywRYLxyIPoGfHtt/view
MyoSuITe提供了一套肌肉骨骼模型和任务套件，利用机器学习来解决生物力学控制问题。
Meta表示，MyoSuITe的另一个重要意义在于统一了智能的两个方面：运动智能与神经智能，并为机器学习社区开源了一套全面的基准。
人类的生物力学是一个复杂的多关节、多执行器的肌肉骨骼系统。一块肌肉的收缩涉及多个关节的运动，而每个关节的运动均由多块肌肉控制。
在如此复杂的系统中，智能行为的合成和表达需要中枢神经系统与外周肌肉骨骼系统之间的有效协调，前者通过数十亿个神经元组成的网络进行决策，后者则将这些意图转化为动作。
MyoSuITe是基于对现有模型和功能的深入研究而开发的，其研发基础是手臂和手的OpenSiM模型，目前已经广泛应用于人类神经机械控制、人机交互和康复等领域。
MyoSuITe提供了一个测试多个生理上精确的肌肉骨骼模型的组合，模型构建分为三步：
- 几何图形转换，包括关节的几何形状、肌肉附着点和包裹面的转换，这一步骤是在之前工作的基础上进行的。
- 动力臂优化，优化MuJoCo中包裹面的三维位置，以实现与参考OpenSiM模型相匹配的力矩臂。
- 肌肉力量优化，对MuJoCo中的肌肉参数进行优化，以实现与对照OpenSiM模型相匹配的肌肉发力。经过严格的建模和验证，最终建立了三个复杂程度不同的模型。
MyoSuITe中包含的肌肉骨骼模型：A：MyoFingeR（4个关节、5块肌肉），B：MyoElbow（1个关节、6块肌肉），C：MyoHand（23个关节、39块肌肉）。
手指（MyoFingeR）：建立一个简化的4自由度（DoF）手指模型，使用5个拮抗性肌肉-肌腱单元驱动，研究团队为其提供了简单的扭矩驱动器，以便于比较研究。
手肘（MyoElbow）：一个1自由度人类肘关节的模型，基于OpenSiM的默认设置测试手臂模型，使用多个激动剂/拮抗剂对进行驱动。
手（MyoHand）：包括前臂、手腕和手，灵巧的人手需要协调多块高度冗余的肌肉，构成一个复杂的肌肉骨骼模型，包含29块骨头、23个关节、39个肌肉-肌腱单元。
多年来，人工智能领域试图通过神经结构或神经网络来模仿智能行为，而在生物力学界则主要通过体内和体外研究开发肌肉骨骼系统，以了解外周的驱动力。
有了MyoSuITe，研究人员有望在感觉-运动控制的细节上取得更大进展，依靠不同的本体感觉信号来协调全身的运动控制，这是在丰富的互动环境中表现出智能行为所必需的。
MyoSuITe的生理上真实的肌肉骨骼模型的计算效率和可扩展性是现有模型的4000倍。
如此强大的资源和计算效率使得转笔、转钥匙、单手盘核桃等动作不在话下。
这些演示展示了MyoSuITe的潜力，未来的重点将为运动康复、假肢开发和人体工程学应用。
未来的假肢或许会比原装的还要好用。
MuJoCo开源
从AlphaGo到MuZeRo，过去机器学习算法解决的复杂问题众多，但在复杂运动控制方面的应用相对较少，Meta认为，主要原因是缺乏与外界复杂环境的互动能力。
换句话说，现有框架未能嵌入复杂的运动任务，也缺乏足够的计算效率或可扩展性以满足机器学习算法的数据需求。
Meta表示，MyoSuITe有望填补这些空白。
目前，MyoSuITe已在MacOS和Linux上使用MuJoCo v2.1.0进行测试。
巧合的是，DeepMind也在同一天对MuJoCo进行了开源。
项目地址：https://Github.coM/DeepMind/Mujoco
MuJoCo最初由华盛顿大学运动控制实验室主任、神经科学家Emo Todorov开发，并于2015年通过创业公司Roboti LLC被打造为商业产品。
2021年10月，DeepMind宣布收购MuJoCo物理模拟器，并承诺将其作为一个免费的、开源的、社区驱动的项目进行开发和维护。
在当今的机器人研究中，物理模拟器是关键工具，通常分为商业闭源软件和学术开源软件。第一类虽然有时可免费使用，但对用户而言不透明，且难以修改和理解。
