具身智能頂流圓桌：VLA難以解決機器人關鍵瓶頸

6月6日，2025北京智源大會開幕。在當天以具身智能為主題的圓桌環節中，幾家國內外知名的機器人企業代表出席參加，并發表了對行業的最新看法。本次圓桌嘉賓包括：

王興興|宇樹科技CEO

熊友軍| 北京人形機器人創新中心總經理

王 鶴| 北京大學助理教授、智源具身智能研究中心主任、銀河通用創始人兼CTO

盧策吾| 穹徹智能聯合創始人、上海交通大學教授、上海創智學院副院長

Karol Hausman| Physical Intelligence聯合創始人兼CEO

主持人：王仲遠| 智源研究院院長

RoboX對他們的鮮明觀點進行了篩選摘要，整理如下：

再談人形載體

王興興：過去幾年，我在一些活動中已公開說過多次，我并不堅持一定要做人形。對于宇樹來說，做機器狗和人形其實都是順理成章的事情。

在下肢層面，輪子、底盤都還是非常實用的。之所以大家現在喜歡用人形，尤其是上半身人形，還是主要因為現在的AI多數還是基于人的數據來進行采集和訓練，讓機器人與人體動作保持一致，數據采集會方便很多。另外，如果不做成人形，跳舞或者格斗基本都沒辦法做成。

不過，在真正AGI實現后，機器人會產生千奇百怪的形態，甚至可能比現在要多100倍。

熊友軍：我同意王興興的說法。具身智能的形態不一定局限于人形，人形只是具身智能里面一個比較好的載體。不過我比較認可人「形機器人應該是具身智能研究的最佳載體」，這是從未來市場容量這方面來考慮的。

1、未來機器人最大的市場應該是商用服務場景，包括家庭場景。今天工廠的應用場景只是一個開胃小菜。

2、從人機交互來看，人形的交互更自然，更容易被人接受。

3、我們所處的環境大部分都是為人類設計的，人形機器人在部署的過程中，適應起來是更加便利的。它可以方便地使用我們的工具，不需要做太多改造。

所以從這幾個角度來說，人形機器人應該是最好的一種選擇。

我明白大家的顧慮是覺得目前人形的成本和技術不占優勢，但如果放在一條長的時間線上來看的話，我堅持人形一定還會是一個較好的載體。

VLA只是一個起點

王鶴：自動駕駛驗證了一件事情，就是端到端的方案具備更好的擴展性。它能通過數據去真正地驅動模型，而不是靠無窮無盡的規則。

這條路其實自動駕駛走了很多年，但是現在鋪開的在全國各地都能開的車，其實不是通過模塊化的方案，而是端到端的。

從這個角度上講，VLA的意義在于什么？

VLA可以通過視覺觀測、自然語言下達的命令等信息，端到端地輸出動作，不經過任何的中間產物。它能夠真正地充分吸收數據背后的知識，發揮出最大的性能，而不受制于一些模塊化方案中間階段的誤差，以及無窮無盡的規則兜底等問題。

那么VLA究竟要突破什么？我相信也是有不同的觀點的。有些人認為應該把人類能做的一切事情，都快速地做進VLA，然后形成一個基座模型。

我覺得這是有點太著急了：我們人類其實除了視覺輸入，還有觸覺、聽覺、嗅覺、味覺，和溫覺。

所以VLA只能是一個起點。

要真想做到人類級別的具身智能，那只能不斷地融合新的模態。目前最適合做的，就是移動、抓取和放置。這幾個技能基本以視覺為主，末端再加上觸覺或力覺的傳感器，就能夠很好地執行。

而且它在工業、商業服務中有非常廣泛的應用。如果我們能把這樣的VLA先做好應用，在各種場景里都能部署進去，我們就會見證具身智能第一個真正高潮的到來。

盧策吾：V代表理解世界，L溝通交互，A改變世界，這是集合了機器人這幾年要干的事情。

而且這里的L很妙——語言是一種粘合劑，她能通過數據將各種高層應用連接在一起。

它確實有很好的擴展性，但也存在很大的限制，需要我們去推進。

我們也會想要星辰大海，走向通用智能，但相比于無人車來說，機器人的任務和交互復雜度太高了。所以，如果想做通用，那就得要壓縮它的不確定性。

VLA相當于是火鍋底料，現在只能清湯寡水，服務一部分人。要想服務更多人，我們需要不停地在里面加東西，也就是更多額外的信息，使得VLA更加powerful，能在兼容的框架里加更多的信息，壓縮不確定性。

在這樣的端對端的模型里，壓縮的方式有很多種。比如穹徹一直在做的力反饋。有了力反饋之后，它的穩定性會更高。

另外，在理解世界層面，如果能在視覺基礎上，加深對物理層面的理解，那也可以進一步地壓縮不確定空間。

所以在穹徹第二版的大腦中，又加了很多東西：比如優化數據資產的方法，以及力反饋帶來的新的試驗模型，數據需求量會大大下降。

我們很期待找到更聰明、更加理解世界的方式，一步一步推進到通用的拐點。

Karol Hausman：我認為目前仍存在一些瓶頸。最大的一個瓶頸就是這些模型的成功率尚未達到必要的水平。這不僅僅是收集數據的問題，似乎還需要在算法上進行一些改進。

我認為，即使我們擁有無限量的數據，也無法僅憑現有的算法，在復雜、長期且需要高度靈巧的任務中實現100%的成功率。

我認為這需要新的技術，這也是我們正在努力解決的問題。

如果你幾個月前問我這個問題，我會說最大的瓶頸是泛化能力。但基于PI已經分享的成果，我相信我們已經掌握了如何改進泛化能力的方法。而且我認為，解決泛化能力問題的答案主要來自于數據。

然而，當涉及到性能問題時，我認為這更多是一個算法問題，而非數據問題。

各企業的最新進展

王興興：無論是在春晚上的集群表演，還是格斗比賽，我們都希望給大家展示出當前的機器人技術發展狀況，也希望帶動整個行業的發展。

目前機器人還不能直接去家里或工廠干活，但在實現之前，我們已經取得了一些技術成果，也進行了一些商業化拓展及嘗試。

我相信類似于機器人格斗的賽事，明年會成為在全球都備受歡迎的體育賽事。

（在現場，參加機器人格斗競技的宇樹G1上臺進行了拳擊表演，擬人度與靈活度極高。）

熊友軍：天工1.0在半程馬拉松比賽上，跑出了2小時40分的成績，被證明是最能跑的機器人。而我們希望天工2.0能做更多的事情，所以重點升級了上肢部分，所以它有更多的自由度，同時加裝了靈巧手，也有了更多的負重能力。

這是一次系統性的更新，包括了4方面平臺能力的升級：

1、硬件平臺：主打草地、沙地、丘陵、石子等各種路形地面的適應能力。

2、大腦升級：今年3月，北京人形機器人創新中心發布了通用的具身智能「慧思開物」平臺，它是一腦多機的平臺，包含了具身智能的大腦和小腦。

3、中心構建了大型的數據采集和機器人訓練中心，包含了20多個場景，方便虛實結合的數據采集。

4、中心構建了數據采集處理、服務人才培養的一整套體系，用來升級不斷迭代和升級慧思開物的智能體。

（在現場，熊友軍用語音指令讓天工2.0「準備一些茶點」，后者聽懂指令并選取了幾種食品）

王鶴：今年我們利用VLA技術，打造了適用性更強的端到端具身大模型，更貼近一般商超貨架的這樣的場景。

該模型能夠對貨架上琳瑯滿目的、形態各異貨品進行識別抓取。

從技術特點來看，我們不同于PI，訓練數據主要使用了合成數據，而且是價格非常的低廉、能夠擴增的合成數據。

（王鶴用一臺輪式底盤的人形機器人進行了演示，他通過語音指令，讓機器人從密集的貨架上，成功取下安慕希酸奶和果粒爽果凍。）

盧策吾：我們去年發布了穹徹具身大腦的V1版本，接下來會在7月發布V2版本，新版本體現了對于世界物理的理解和交互。

這里我們要強調力反饋——人類在做很多動作的時候，其實人都是下意識的。

比如刮胡子就是一個很典型的案例，在連續接觸皮膚的過程中，力氣大一點的話會刮傷皮膚，力氣小一點又會刮不干凈，所以力反饋就是魯棒性極高的、模仿人類的下意識動作的關鍵技術。

還有一個案例是挖冰淇淋。它每次抓取時都需要應對變化，動作要非常精確。尤其當凍得比較硬的時候，如果不具備力反饋，是挖不出來的。

接下來，將力反饋擴展到生活場景中是非常必要的，比如照顧人時幫忙擦臉、按摩等多種交互。

（盧策吾還演示了刮冰淇淋的人形機器人，并表示該功能已經在食品加工行業批量化落地。）

Karol Hausman：我覺得目前機器人還遠未達到應有的水平。我們希望將機器人通用大模型提供給所有人，讓那些正在執行實質任務、改變世界的機器人都能從中受益。

在很長一段時間里，我們都認為讓機器人適應一個完全陌生的環境是不可能的。

在此背景下，我們選擇以終極挑戰——家庭環境作為測試場景。對我們而言，這就是檢驗其泛化能力的最高標準——工廠環境往往比較相似，但家庭環境卻并非如此。

在開展這項研究時，我們面臨一個重大問題：機器人需要見識多少種不同的數據，才能具備在全新家庭環境中泛化的能力？結果發現，這個數字其實并不大。

我們發現，機器人只需見識100個不同的家庭，就能具備在第101個家庭環境中泛化的能力。

當然，這并不意味著每次都能成功，機器人仍然會經常失敗，但我認為這已經展現出了非常好的前景——或許我們并不需要那么多的數據，機器人也不需要見識數據集中如此龐大的多樣性，就能真正具備泛化能力。

我們才剛剛起步，但這已經是一個極具希望的跡象，也是我們未曾預料到的。