五大頂流人形機器人團(tuán)隊談：冠軍機器人，如何進(jìn)家庭？

作者 | 山竹

出品 | 鋅產(chǎn)業(yè)

機器人馬拉松、機器人足球賽、機器人技能大賽，乃至機器人格斗大賽……

過去這半年，稱得上是中國人形機器人史上最高光的半年。

盡管人形機器人不斷被質(zhì)疑落地問題——

高盛在年初調(diào)研宇樹后指出，“人形機器人的轉(zhuǎn)折點尚未到來”；

特斯拉前機器人項目負(fù)責(zé)人近日也表示，“Optimus這樣的人形機器人并不適合在工廠中工作”；

我們在各類機器人大賽中，更是直觀的看到了人形機器人頻頻摔倒和罷工……

但這些似乎并沒有影響人形機器人作為未來科技產(chǎn)業(yè)被重資押注。

從地方政府的投入來看，全國核心省市幾乎都已經(jīng)成立了人形機器人創(chuàng)新中心。

就在本周，湖北人形機器人創(chuàng)新中心官宣投用，目前這一創(chuàng)新中心已經(jīng)有9家機器人企業(yè)入駐，擬簽約和意向入駐企業(yè)17家，7000平米的創(chuàng)新中心涵蓋動作訓(xùn)練、數(shù)據(jù)采集、應(yīng)用實踐、人才培訓(xùn)幾個基地。

從商業(yè)化情況來看，已經(jīng)成為中國人形機器人企業(yè)最具代表性的存在的宇樹科技，此前曾官方回應(yīng)，宇樹在2020年就實現(xiàn)了盈利，公司的四足機器人、人形機器人也已經(jīng)賣到了全球不少高校、研究所和機器人團(tuán)隊。

近日，宇樹更是傳出了更名、或?qū)⑸鲜械南?/strong>，宇樹科技90后創(chuàng)始人王興興也成了杭州具身智能產(chǎn)業(yè)聯(lián)盟首任輪值董事長。

就“當(dāng)下發(fā)展勢頭正猛，但未來商業(yè)化不明朗”的人形機器人，今天在2025北京智源大會上，宇樹科技創(chuàng)始人王興興、北京人形機器人創(chuàng)新中心總經(jīng)理熊友軍、銀河通用創(chuàng)始人王鶴、穹徹智能聯(lián)合創(chuàng)始人盧策吾，以及Physical Intelligence聯(lián)合創(chuàng)始人Karol Hausman——

這幾位產(chǎn)業(yè)派、學(xué)術(shù)派，以及創(chuàng)新中心的代表人物進(jìn)行了一場人形機器人主題對話，談了各家機器人的最新進(jìn)展，各類機器人大賽帶來的行業(yè)影響，以及VLA的價值和邊界。

就此次對話，我們就關(guān)鍵內(nèi)容整理如下：

01冠軍機器人，也難進(jìn)家庭

問：前幾天在CMG世界機器人大賽機甲格斗擂臺賽中，宇樹的機器人獲得了冠軍，請介紹一下這個冠軍機器人？

王興興：冠軍機器人是我們?nèi)ツ臧l(fā)布的G1。

無論是今年春晚上的機器人表演，還是近期的機器人格斗賽，我們是希望真正給大家展示一下當(dāng)前全球人形機器人發(fā)展情況，并且?guī)诱麄€機器人行業(yè)發(fā)展。

目前，機器人還不能直接在家里或工廠里干活，這是全球機器人產(chǎn)業(yè)面臨的挑戰(zhàn)。

當(dāng)然，我們是希望機器人可以真正去干活，但在機器人能夠真正干活之前，我們希望可以通過已經(jīng)達(dá)到的一些技術(shù)成果進(jìn)行商業(yè)化拓展。

我相信機器人格斗大賽在未來一兩年會成為比較受歡迎的體育賽事，我覺得這是一件激動人心的事。

問：兩個月前，在北京首個人形機器人半程馬拉松比賽中，天工機器人奪冠，請介紹一下奪冠的天工和天工2.0的升級？

熊友軍：天工1.0在半程馬拉松比賽中跑出2小時40分的成績，被證明是最能跑的機器人。

天工2.0在1.0版本基礎(chǔ)上做了升級，我們希望它能更好用、做更多事，所以我們的升級重點在上肢——在機器人上肢增加了自由度和靈巧手，提升了負(fù)重能力。

北京人形機器人創(chuàng)新中心成立于2023年11月2日，是全國首個省級人形機器人創(chuàng)新中心，2024年10月升級為國家地方共建具身智能機器人創(chuàng)新中心。

我們天工2.0的升級是系統(tǒng)性的，具體有四個方面升級：

一是硬件平臺，之前1.0版本主打適應(yīng)草地、沙地、丘陵等多種復(fù)雜地形，現(xiàn)在的2.0版本可用于工廠或危險環(huán)境完成任務(wù)；

二是軟件平臺，今年3月我們發(fā)布了第一個通用具身智能體“慧思開物”，一腦多機、一腦多能平臺，包括具身智能大腦和小腦，大腦負(fù)責(zé)人機交互、環(huán)境感知、意圖識別、任務(wù)規(guī)劃，小腦負(fù)責(zé)運動和執(zhí)行，并將執(zhí)行結(jié)果反饋給大腦，實現(xiàn)閉環(huán)；

三是數(shù)據(jù)平臺，我們圍繞訓(xùn)練具身智能體構(gòu)建了一個大型數(shù)據(jù)采集和機器人訓(xùn)練中心，我們構(gòu)建了20多個虛實結(jié)合采集場景；

四是可靠性平臺，我們牽頭建設(shè)了北京的測試平臺。

問：銀河通用機器人的模型有何新進(jìn)展？

王鶴：去年我們展示了人形機器人吸取盒狀物體，今年我們基于VLA技術(shù)打造了更貼近一般商超貨架場景的應(yīng)用。

我們輪式底盤的人形機器人基于自研端到端大模型，不依賴軌跡生成就可以從密集貨架上抓取物品，目前可以處理瓶裝、袋裝、薯片等多樣商品。

這個模型是閉環(huán)的，支持動態(tài)交互，我們的技術(shù)特點是使用低成本合成數(shù)據(jù)訓(xùn)練的機器人模型。

問：穹徹智能目前有何新進(jìn)展？

盧策吾：從產(chǎn)品角度來看，去年我們發(fā)布了穹徹大腦V1版本，我們今年7月馬上將會發(fā)布V2版本，這里體現(xiàn)了對物理世界的理解和交互。

力反饋對復(fù)雜、動態(tài)接觸、魯棒性極高的模仿人類下意識場景很關(guān)鍵，例如刮胡子需要持續(xù)接觸，力度要恰到好處，否則會刮傷或刮不干凈。

我們的技術(shù)已經(jīng)批量在食品加工行業(yè)落地，例如制作冰淇淋要求動作控制要精確到每毫秒，還要模仿人類手感。

我們的力反饋結(jié)合位置反饋的模型適用于高密度接觸場景，未來也可以拓展到生活場景，如照顧老人、幫人類擦臉等。

問：Physical Intelligence的具身智能機器人和模型有哪些最新進(jìn)展？

Karol：π 0.5是我們引以為傲的模型，目前對于具身智能機器人來說，最大的挑戰(zhàn)是如何在從未見過的環(huán)境中執(zhí)行任務(wù)。

我們最終選擇了極具多樣性的家庭環(huán)境作為機器人的訓(xùn)練環(huán)境，在家庭環(huán)境中，每個房間都和另一個房間都是完全不一樣的。

從實驗結(jié)果來看，我們的機器人只需在100個房間中完成訓(xùn)練，就能泛化到第101個房間中，盡管成功率還不完美。

這表明具身智能機器人訓(xùn)練對于數(shù)據(jù)需求已經(jīng)不高，泛化前景也很樂觀，但目前我們?nèi)蕴幱谠缙陔A段。

02 大賽的意義：科普、訓(xùn)練、產(chǎn)業(yè)化

問：今年具身智能很火，也出現(xiàn)了很多機器人賽事，如何看機器人賽事活動的意義？

王興興：從春晚上表演節(jié)目到打格斗比賽，我認(rèn)為這些賽事是向大眾展示機器人一個很好的平臺，可以讓大眾更早接觸到機器人。

我們現(xiàn)在讓機器人跳舞、打格斗賽，其實是希望通過AI技術(shù)讓機器人實現(xiàn)各種全身動作，跳舞、格斗只是其中的一部分，我們是希望機器人最終可以執(zhí)行端茶倒水、洗衣做飯等任務(wù)。

我一直相信，當(dāng)具身智能發(fā)展到一定階段后，一個足夠智能的家用機器人一定可以跳舞，也可以打格斗比賽。

我們公司的終極目標(biāo)是希望機器人能干活，但目前直接讓機器人進(jìn)入家庭或工廠干活還不現(xiàn)實。

在這個終極目標(biāo)沒有實現(xiàn)之前，我們可以通過表演和比賽展示機器人，讓大眾更了解機器人，并產(chǎn)生一些商業(yè)價值。

例如人形機器人租賃市場已經(jīng)很火爆，本身已經(jīng)帶來一些產(chǎn)業(yè)價值。

熊友軍：機器人比賽很有意義，尤其是北京即將在鳥巢舉辦世界人形機器人運動會，我認(rèn)為它的意義體現(xiàn)在三個方面：

第一，它是機器人知識普及的盛會，通過比賽我們可以讓大眾對機器人發(fā)展?fàn)顩r有一個全面的了解。

據(jù)我們所知，這次在鳥巢的機器人比賽會有短跑、長跑、障礙賽、接力賽、足球、舞蹈等大家喜聞樂見的項目，大家愿意看，看的過程中就會對機器人知識和發(fā)展?fàn)顩r有比較深的了解，做了科技普及。

第二，它也是一個很好的技術(shù)訓(xùn)練場，很多比賽場景源自于人類真實生活場景，如物流搬運、醫(yī)藥分揀、酒店服務(wù)場景，這些都是企業(yè)或行業(yè)提出的需求，對提升機器人技術(shù)有很大幫助。

第三，它是機器人企業(yè)與潛在客戶溝通的橋梁，通過這類比賽會加速機器人產(chǎn)業(yè)化。

Karol：國外的機器人比賽沒有中國這樣火爆，海外也有如Robot Cup機器人比賽，不過更多還是學(xué)術(shù)性比賽，我很期待看到這些賽事未來的發(fā)展。

問：人形機器人這些大賽與產(chǎn)業(yè)落地有怎樣的聯(lián)系？

王鶴：具身智能一個當(dāng)下目標(biāo)是——推動具身智能產(chǎn)業(yè)化。

雖然我們看到了很多炫酷的技能，但是要反思這樣的技能在新的環(huán)境里、新的目標(biāo)物體下，以及挑剔的用戶和高成功率場景下能否成功執(zhí)行任務(wù)。

銀河通用和智源共同的思考是：一定要先將一些最重要的技能打通，我們這里主要關(guān)注移動、抓取、放置三項技能。

無論是在生活超市、工廠料庫，還是在外賣前置倉中，如果我們可以用人形機器人進(jìn)行24小時服務(wù)，這樣就可以形成具身智能走向產(chǎn)業(yè)化、服務(wù)人類、創(chuàng)造生產(chǎn)力的開始，推動人形機器人生產(chǎn)力時刻的到來。

一個好消息是，銀河通用的機器人在北京已經(jīng)開了7家無人藥店，機器人可以24小時分揀藥品并對接騎手，解決夜間急需用藥的需求，我們年底將會在北京、上海、深圳開100家藥店。

未來我們希望超市下訂單、車廠配料這些場景可以由機器人來實現(xiàn)，我們也希望可以和后續(xù)賽事進(jìn)行對接，通過賽事推動可落地的技能形成。

盧策吾：同意王鶴老師的觀點。

賽事是很好的起點，能看到機器人的性能，但下一步要讓機器人產(chǎn)生價值，能干活兒，需要進(jìn)行技能比賽。

我們正在逐步將機器人的技能性提高，我們穹徹智能正在逐步將物理世界中持續(xù)接觸所需的力位反饋模型應(yīng)用到食品加工等場景中，未來我們希望可以看到更多關(guān)于機器人技能的比賽。

03人形機器人，是不是最佳形態(tài)？

問：張拔院士指出，人形機器人不是具身智能和AGI的最佳路徑，通用機器人需要有硬件多樣性和軟件通用性。你如何看人形機器人的形態(tài)？

王興興：我并不堅持必須要做人形機器人。我們之前是做四足機器人的，從四足機器人到做人形機器人是順理成章的事。

就機器人的腿部而言，輪式底盤非常實用，那為什么現(xiàn)在大家還要做人形？

這是因為現(xiàn)在的AI大部分是基于人的數(shù)據(jù)采集和訓(xùn)練，尤其是機器人的上半身保持與人類動作一致，便于AI數(shù)據(jù)采集和訓(xùn)練。

此外，就跳舞、格斗等任務(wù)而言，如果機器人做成別的樣子，也就沒辦法執(zhí)行這些任務(wù)。

未來在AGI、通用AI出現(xiàn)后，會出現(xiàn)千奇百怪的機器人形態(tài)，工廠、醫(yī)療等領(lǐng)域出現(xiàn)的機器人形態(tài)會是現(xiàn)在的百倍不止。

不過，目前的AI都是數(shù)據(jù)驅(qū)動的，長的像人的人形機器人在訓(xùn)練和落地過程中會有很大優(yōu)勢。

熊友軍：具身智能載體多樣，不一定局限于人形，人形只是其中一種形態(tài)，但從未來市場容量開看，我認(rèn)為人形機器人是具身智能的最佳載體，具體可以從以下幾個方面來考慮：

首先，今天機器人不一定像人，但從市場應(yīng)用來看，商用服務(wù)和家庭市場會是一個很大的市場，今天走入工廠只是“開胃小菜”，人形機器人市場體量未來會很大。

其次，人形機器人便于人機交互，未來機器人走入家庭成為我們的伙伴、朋友，人形更容易讓人接受。

最后，人類環(huán)境是為人而設(shè)計的，人形機器人在部署和適應(yīng)環(huán)境過程中，更便于使用工具，也不需要過多環(huán)境改造。

雖然短期來看，人形機器人成本和技術(shù)不占優(yōu)勢，但長期來看，人形將會是最佳形態(tài)。

04VLA：泛化可用數(shù)據(jù)改善，性能需要算法創(chuàng)新

問：VLA已經(jīng)成為自動駕駛的主流方案，但機器人操作空間更復(fù)雜，如何看VLA的泛化性？

王鶴：自動駕駛驗證了端到端方案有更好的擴(kuò)展性，能夠通過數(shù)據(jù)驅(qū)動模型而非規(guī)則驅(qū)動，現(xiàn)在進(jìn)入道路的自動駕駛車輛采用的就是這種端到端方法。

VLA的意義在于可以直接通過視覺觀察，通過自然語言下達(dá)命令，最終模型會不經(jīng)過任何中間環(huán)節(jié)、端到端的輸出動作。

從端到端角度來看，VLA模型可以充分吸收數(shù)據(jù)背后的知識并發(fā)揮出最大性能，不用受制于模塊化方案中間的錯誤和即連誤差，也不需要寫無窮無盡規(guī)則兜底的問題。

現(xiàn)在的VLA是研究熱點，但究竟要突破什么，大家想法各有不同。

有人希望可以將人類能夠做的所有事在VLA中快速實現(xiàn)，然后形成基座模型，從這個角度來講，我們還是太著急了。

人類除了有視覺外，還有力覺、觸覺、嗅覺、味覺等，VLA只是起點，要想真正做到人類級別的具身智能，需要不斷融合新的模態(tài)。

VLA現(xiàn)在最適合做的是移動、抓取、放置，這幾個技能是以視覺為主，末端加一個觸覺或力覺傳感器就能執(zhí)行的很好，在工業(yè)、商業(yè)領(lǐng)域的很多場景可以得到廣泛應(yīng)用。

如果我們能將這樣的VLA先做好，在任何場景中不需要微調(diào)就能實現(xiàn)部署落地，這將會是見證具身智能高潮到來的起點。

盧策吾：VLA的本質(zhì)是：通過視覺理解世界，通過語言與人類溝通，通過動作改變世界。

VLA要做到通用，就需要壓縮它的不確定性，VLA相當(dāng)于是個“火鍋底料”，現(xiàn)在只能“清湯寡水”，只能服務(wù)一部分人，要服務(wù)更多人的話，就需要不斷往里面加“東西”，需要不斷加入額外的信息，使得它能執(zhí)行更多任務(wù)。

例如，我們可以加入力反饋，很多時候人的下意識動作是不用動腦的，人擦桌子的時候不用每毫秒計算，有了力反饋后穩(wěn)定性和魯棒性會很高。

此外，我們?nèi)绻軌蚋玫乩斫馕锢硎澜纾涂梢赃M(jìn)一步壓縮空間，所以我們在穹徹V2版本大腦里加入了“數(shù)字基因”——可以將世界產(chǎn)生的無窮無盡的數(shù)據(jù)資產(chǎn)加入其中，力反饋也帶來了新的訓(xùn)練模型，使得數(shù)據(jù)量需求逐漸下降。

只要找到好的模態(tài)不斷壓縮空間，找到聰明的方式融到模型中，就可以將VLA一步一步往前推進(jìn)。

問：跨本體的VLA在實踐中有何瓶頸？是數(shù)據(jù)規(guī)模問題還是算法問題？

Karol：目前最大的瓶頸是成功率不足，尤其在復(fù)雜、長時序、靈巧任務(wù)中。即使有無限數(shù)據(jù)，現(xiàn)有算法也難以達(dá)到100%成功率，需新算法再突破。

幾個月前我認(rèn)為泛化性是瓶頸，但π 0.5顯示泛化可通過數(shù)據(jù)改善，而性能更需算法創(chuàng)新。