AI大潮下的具身和人形，中國(guó)在跟跑還是并跑？

當(dāng)特斯拉Optimus再度更新、波士頓動(dòng)力Atlas秀后空翻，全球目光再次聚焦“具身智能”與“人形機(jī)器人”。觀察者網(wǎng)在2024 WAIC現(xiàn)場(chǎng)邀請(qǐng)智源、美的、格靈深瞳、真格基金四位一線(xiàn)操盤(pán)手，追問(wèn)一個(gè)核心命題：在AI大潮奔涌的當(dāng)下，中國(guó)究竟是在“跟跑”美國(guó)的腳步，還是已經(jīng)與之“并跑”甚至準(zhǔn)備“彎道超車(chē)”？從電機(jī)供應(yīng)鏈、強(qiáng)化學(xué)習(xí)算法，到落地場(chǎng)景與資本路徑，這場(chǎng)一個(gè)半小時(shí)的尖峰對(duì)話(huà)給出了答案——也留下了更大的懸念。

以下是7月27日上午，北京智源人工智能研究院研究員趙仲夏、美的人形機(jī)器人創(chuàng)新中心主任奚偉、格靈深瞳技術(shù)副總裁兼算法研究院院長(zhǎng)馮子勇、真格基金投資經(jīng)理陳勉諾在觀察者直播間的對(duì)話(huà)實(shí)錄：

從左至右：北京智源人工智能研究院趙仲夏、美的集團(tuán)奚偉、格靈深瞳馮子勇、真格基金陳勉諾 （點(diǎn)擊觀看直播回放）

文字實(shí)錄：

趙仲夏：各位線(xiàn)上的觀眾大家好，歡迎來(lái)到 WAIC 觀察者網(wǎng)直播間，現(xiàn)在我們?cè)?WAIC 的現(xiàn)場(chǎng)，看到進(jìn)場(chǎng)的時(shí)候會(huì)有一個(gè)鎮(zhèn)館之寶，是我們的人形機(jī)器人。我們本次直播的主題是“具身向左、人形向右——的人工智能和機(jī)器人產(chǎn)業(yè)將走向何方？”，首先我們來(lái)問(wèn)一下奚老師。我們知道在大眾的理解中，美的是一個(gè)家電或者是一個(gè)智能硬件的品牌，我想知道為什么美的要去做人形機(jī)器人？做人形機(jī)器人的初心是什么？

奚偉：大家對(duì)于美的可能一開(kāi)始的印象都是家電行業(yè)，包括我加入美的之前，也對(duì)美的業(yè)務(wù)并不了解。但事實(shí)上，美的在 2016 年開(kāi)始就開(kāi)始做一些全球化的布局，包括To B的轉(zhuǎn)型，從2016 年開(kāi)始收購(gòu)包括庫(kù)卡機(jī)器人相關(guān)的機(jī)器人的領(lǐng)域，目前美的To B領(lǐng)域有四大板塊：第一是樓宇科技，借助美的在暖通上面的積累，把技術(shù)應(yīng)用在樓宇相關(guān)領(lǐng)域，尤其商業(yè)樓宇；第二個(gè)是工業(yè)技術(shù)，也是美的在核心零部件上對(duì)整個(gè)工業(yè)進(jìn)行賦能，包括電機(jī)、減速機(jī)相關(guān)的一些產(chǎn)品；第三個(gè)就是機(jī)器人與自動(dòng)化，是在 2016 年收購(gòu)庫(kù)卡之后建立一個(gè)新的業(yè)務(wù)板塊；第四個(gè)是正在建立的一些新業(yè)務(wù)板塊，包括美的醫(yī)療、美云智數(shù)等一些新的 AI 的技術(shù)。

人形機(jī)器人是我們?nèi)ツ瓴砰_(kāi)始做規(guī)劃的，我們認(rèn)為美的進(jìn)入人形機(jī)器人是有天然的優(yōu)勢(shì)的：第一，我們?cè)诹悴考嫌幸呀?jīng)有一些技術(shù)的一些積累；第二，在整機(jī)上我們已經(jīng)開(kāi)始有完整的產(chǎn)品線(xiàn)，人形機(jī)器人作為下一個(gè)階段的一個(gè)新賽道，我們應(yīng)該當(dāng)仁不讓?zhuān)デ腥脒@個(gè)賽道。所以說(shuō)從去年開(kāi)始，我們?cè)谌诵螜C(jī)器人上去做一些嘗試，通過(guò)一些項(xiàng)目去積累技術(shù)。今年，我們開(kāi)始大力發(fā)展人形機(jī)器人相關(guān)的一些產(chǎn)品，包括應(yīng)用的一些嘗試。

趙仲夏：原來(lái)美的不只是一個(gè)家電公司，還是一個(gè)智能制造的公司，同時(shí)還是一個(gè)機(jī)器人的公司。說(shuō)到智能制造，我想知道美的從2016 年收購(gòu)庫(kù)卡到現(xiàn)在已經(jīng)快十年了，這十年中我們服務(wù)的主要客戶(hù)是什么？

奚偉：庫(kù)卡機(jī)器人在服務(wù)的行業(yè)有很多，目前主要集中在是汽車(chē)制造，同時(shí)也在像3C、船舶、飛機(jī)制造方面以及一些相關(guān)拓展。除了庫(kù)卡機(jī)器人之外，我們還有其他的一些行業(yè)，比如物流、電商相關(guān)行業(yè)，美的服務(wù)的行業(yè)跨度是非常大的。另外，美的本身也在制造行業(yè)，也需要很多機(jī)器人的支持，所以庫(kù)卡機(jī)器人在我們所有的美的燈塔工廠(chǎng)，應(yīng)用量也非常大。

趙仲夏：太棒了，汽車(chē)制造、船舶，都是中國(guó)制造業(yè)最關(guān)鍵的行業(yè)。然后我們來(lái)問(wèn)一下馮院長(zhǎng)。我們知道格靈深瞳應(yīng)該是中國(guó)第一家 AI 領(lǐng)域的計(jì)算機(jī)視覺(jué)公司，也是中國(guó)第一家上市的 AI 領(lǐng)域的計(jì)算機(jī)視覺(jué)公司。能不能跟我們介紹一下格靈深瞳和您這邊所在研究院？

馮子勇：對(duì)，格靈深瞳是首個(gè)科創(chuàng)板上市的 AI 企業(yè)，在2013 年開(kāi)始到現(xiàn)在已經(jīng) 12 年，我們一直深耕的是視覺(jué)技術(shù)。主要做的是圖像，還有視頻的分析跟理解。先介紹一下業(yè)務(wù)，譬如在金融行業(yè)，我們?yōu)榻鹑阢y行的上萬(wàn)家營(yíng)業(yè)網(wǎng)點(diǎn)，做邊緣端加中心端的視頻分析，在安防領(lǐng)域大家比較熟悉了，像人臉、人體、車(chē)輛這些都已經(jīng)落地到千家萬(wàn)戶(hù)。我們最近也新增了大模型相關(guān)的工作，譬如說(shuō)以文搜圖，幫助公安去找人更有價(jià)值。另外關(guān)于人體分析這一塊，我們也進(jìn)入到智慧體育方向，我們幫助中小學(xué)做體育考試訓(xùn)練，幫助中小學(xué)生們提升體育素養(yǎng)。隨著大模型的發(fā)展，我們也做了一些信創(chuàng)的這個(gè)工作，像 AI PC 大模型一體機(jī)，也在我們的產(chǎn)品范圍內(nèi)。再如剛才講到的視覺(jué)技術(shù)，我們發(fā)布了自己的視覺(jué)基礎(chǔ)大模型，叫MVT，最近有一個(gè)更新的版本，等一下再詳細(xì)介紹。

趙仲夏太棒了，格靈深瞳在大模型時(shí)代依然有自己的動(dòng)態(tài)、多模態(tài)的基礎(chǔ)模型誕生，這很難得，因?yàn)槎嗄B(tài)賽道已經(jīng)沒(méi)有太多玩家了。然后是勉諾，至少?gòu)奈乙粋€(gè)外行人角度思考，真格基金應(yīng)該是我最開(kāi)始聽(tīng)到的三家投資機(jī)構(gòu)之中的一家。能不能介紹一下真格基金在做什么？您個(gè)人會(huì)比較關(guān)注什么方向？最近有沒(méi)有在投一些好玩的項(xiàng)目？

陳勉諾：真格基金是一家早期風(fēng)險(xiǎn)投資機(jī)構(gòu)，主要是面向天使階段投資，我們最開(kāi)始由新東方的聯(lián)合創(chuàng)始人徐小平老師和王強(qiáng)老師創(chuàng)辦，一直關(guān)注前沿科技領(lǐng)域，在 AI 和機(jī)器人領(lǐng)域我們一直有超前的布局，像之前投的月之暗面、Manus、Genspark、Momenta、包括格靈深瞳等都是作為第一輪投資人進(jìn)行投資的創(chuàng)業(yè)項(xiàng)目，我們希望能夠在這個(gè)時(shí)代去推動(dòng)創(chuàng)業(yè)者在新的科技領(lǐng)域去做一些早期布局，能作為投資機(jī)構(gòu)給大家助力。

趙仲夏：對(duì)，在產(chǎn)學(xué)研端的話(huà)投資是必不可少的。那我們就進(jìn)入到人形的話(huà)題，奚老師給我們介紹一下人形機(jī)器人這個(gè)品類(lèi)？人形機(jī)器人到底是由什么組成的？它主要在做什么？

奚偉：好的，人形機(jī)器人一直是一個(gè)大家關(guān)注的熱點(diǎn)，最近可能更熱一些。其實(shí)早在 70 年代，人形機(jī)器人就開(kāi)始發(fā)展了，中間也發(fā)展了很多代。但我覺(jué)得比較有特色的就幾個(gè)。一個(gè)是 2000 年的時(shí)候，本田出的阿西莫機(jī)器人，2011年又做了一些改版。然后是波士頓動(dòng)力的Atlas，都是一個(gè)標(biāo)桿性的產(chǎn)品，但從我們歷史發(fā)展來(lái)看，之后到 2022 年，特斯拉發(fā)布了 Optimus 之后，把人形機(jī)器人帶到了一個(gè)新高度。

我覺(jué)得中國(guó)中間的過(guò)程主要是剛開(kāi)始的時(shí)候，我們的機(jī)電系統(tǒng)沒(méi)有那么強(qiáng)，學(xué)習(xí)能力、對(duì)機(jī)器人的控制能力也不夠，就導(dǎo)致了機(jī)器人發(fā)展一直在停滯不前。隨著如今強(qiáng)化學(xué)習(xí)、具身智能、大模型的一些突破性進(jìn)展，讓人形機(jī)器人得到了一個(gè)巨大發(fā)展。人形機(jī)器人，顧名思義就是像人一樣的機(jī)器人，它的復(fù)雜度在于，如果像人一樣去做，我們知道人大概身上有 200 多個(gè)骨頭，所以就有 200 多個(gè)關(guān)節(jié)。如果做這么復(fù)雜、精密的系統(tǒng)是非常困難的。

目前我們的人形機(jī)器人大概平均在 40 個(gè)左右的關(guān)節(jié)，包括手的關(guān)節(jié)，如果是全身的關(guān)節(jié)大概是在 30 個(gè)左右，控制這樣復(fù)雜結(jié)構(gòu)的系統(tǒng)，如果用傳統(tǒng)的基于模型計(jì)算方法是不太容易實(shí)現(xiàn)的，但現(xiàn)在引入了強(qiáng)化學(xué)習(xí)之后，我們可以看到，不同的炫技視頻越來(lái)越多。核心原因是，因?yàn)閺?qiáng)化學(xué)習(xí)的出現(xiàn)，使得將調(diào)試機(jī)器人變成了一個(gè)非常簡(jiǎn)單的工作，另外就是仿真的一些能力。此外，因?yàn)橛蠥GI等技術(shù)，機(jī)器人的操作能力方面也得到了一個(gè)巨大進(jìn)步。

當(dāng)然我覺(jué)得是離實(shí)際的應(yīng)用還有一段距離，但隨著技術(shù)的不斷發(fā)展， 5 到 10 年之內(nèi)應(yīng)該會(huì)有很大進(jìn)步。

從應(yīng)用角度來(lái)去看，現(xiàn)在人形機(jī)器人是有一定瓶頸的，大家還在探索階段。最近看到有幾個(gè)新的投資事件，比如上汽要引入 500 臺(tái)人形機(jī)器人，真正進(jìn)工廠(chǎng)開(kāi)始做嘗試。所以我覺(jué)得通過(guò)應(yīng)用的牽引，會(huì)使人形機(jī)器人發(fā)展迭代速度越來(lái)越快，我也相信在未來(lái)3到5年，整個(gè)機(jī)器人產(chǎn)業(yè)的發(fā)展會(huì)有一個(gè)巨大進(jìn)步。

從產(chǎn)業(yè)鏈的角度來(lái)去看，人形機(jī)器人這幾年，尤其是核心部件產(chǎn)品，包括關(guān)節(jié)模組、傳感器也有巨大的進(jìn)步，所以成本會(huì)大幅下降，這些都是機(jī)器人大發(fā)展的重要原因。

趙仲夏： 好的，我們感覺(jué)就是人形機(jī)器人已經(jīng)發(fā)展很多年了，就像您剛剛聊到的，日本那邊有阿西莫，美國(guó) 20 年前就開(kāi)始做波士頓動(dòng)力，也有一些出圈的工作，但從來(lái)沒(méi)有像最近的中國(guó)和美國(guó)一樣百花齊放。此外，以前都是一兩個(gè)出圈的機(jī)器人，這次感覺(jué)有上百個(gè)出圈的機(jī)器人了。

我也想問(wèn)一下馮博士和勉諾，人形機(jī)器人發(fā)展這么多年，本次的像美的、宇樹(shù)、智元的人形機(jī)器人和早期的阿西莫和波士頓動(dòng)力相比，到底有什么區(qū)別？

馮子勇：從我的角度來(lái)說(shuō)，剛才也講到，過(guò)去很多機(jī)器人的控制是以規(guī)則或者以硬編碼為主。現(xiàn)在我們有了強(qiáng)化學(xué)習(xí)，有了VLA，可以把這個(gè)模型的訓(xùn)練融合到機(jī)器人里面。我們可以看到，隨著數(shù)據(jù)的積累，機(jī)器人的能力會(huì)不停地提升。比起我們手寫(xiě)規(guī)則，它的上限會(huì)更高，效果也會(huì)更好。這是我從機(jī)器學(xué)習(xí)這個(gè)層面上去看到的。

趙仲夏： OK，然后勉諾是否能來(lái)表達(dá)一下，您覺(jué)得這次人形機(jī)器人和之前的有什么主要區(qū)別？

陳勉諾：我們也一直在關(guān)注具身領(lǐng)域的發(fā)展。我們看到波士頓動(dòng)力早年的時(shí)候，其實(shí)以液壓傳動(dòng)為主，今天的機(jī)器人大家都普遍用電動(dòng)傳動(dòng)，這個(gè)是一個(gè)很大的本質(zhì)區(qū)別，因?yàn)橐簤簜鲃?dòng)到電動(dòng)傳動(dòng)能夠在里面加入到很多新的智能算法。第二個(gè)點(diǎn)是以前大家是基于rule-base的方式去做控制學(xué)來(lái)實(shí)現(xiàn)機(jī)器人的運(yùn)動(dòng)，今天我們可以用 learning-base 的方式來(lái)去實(shí)現(xiàn)更多任務(wù)的泛發(fā)性，比如說(shuō)可能在 manipulation 操作層面上帶來(lái)一些新的可能性。

在今天，中國(guó)本土的供應(yīng)鏈能力也得到了這個(gè)大幅的提升，所以在這一波的機(jī)器人浪潮里，中國(guó)的企業(yè)玩家越來(lái)越多，可以推導(dǎo)到當(dāng)年的電動(dòng)汽車(chē)領(lǐng)域。我們最開(kāi)始電動(dòng)汽車(chē)領(lǐng)域整個(gè)產(chǎn)業(yè)鏈也是相對(duì)落后的，但在整個(gè)的電動(dòng)車(chē)領(lǐng)域發(fā)展之后，我們對(duì)于新的產(chǎn)業(yè)鏈有了巨大的技術(shù)提升。

趙仲夏： 您說(shuō)得很對(duì)，之前大部分波士頓動(dòng)力都是液壓形式的，這次我們看到的幾乎所有人機(jī)器人都是電機(jī)形式的，而中國(guó)在電機(jī)領(lǐng)域做了很多很多的技術(shù)儲(chǔ)備，供應(yīng)鏈的優(yōu)勢(shì)也很高。

下一個(gè)話(huà)題，我們?cè)趫?chǎng)館里也看到，人形機(jī)器人有兩類(lèi)，全人形和輪式的人形機(jī)器人。奚老師，您覺(jué)得人形機(jī)器人一定要具備雙足嗎？

奚偉：從我的角度來(lái)講，它是以應(yīng)用來(lái)去驅(qū)動(dòng)的。雙足式的人形機(jī)器人它是一個(gè)通用機(jī)器人的載體，這也是行業(yè)的共識(shí)，未來(lái)如果是通用的人形機(jī)器人，我覺(jué)得應(yīng)該是雙足這個(gè)形態(tài)的。但是對(duì)于我們很多工程，即智能制造場(chǎng)景，尤其是工廠(chǎng)的智能制造場(chǎng)景，其實(shí)用輪式的更方便。因?yàn)樵诠S(chǎng)里邊大部分的場(chǎng)內(nèi)環(huán)境相對(duì)比較標(biāo)準(zhǔn)，用輪式機(jī)器人更容易。我們目前的機(jī)器人自動(dòng)化制造領(lǐng)域就是如此，尤其是和我們的 AGV 以及其他工業(yè)機(jī)器人進(jìn)行配合。

另一個(gè)是家庭場(chǎng)景，尤其中國(guó)的小戶(hù)型場(chǎng)景，用輪式機(jī)器人也是比較適合的。像掃地機(jī)器人，也是輪式的，所以家庭場(chǎng)景第一個(gè)是用輪式機(jī)器人，也會(huì)更安全。用雙足機(jī)器人還是要解決安全的問(wèn)題，才能真正進(jìn)到家庭里。

而通用機(jī)器人，是先有機(jī)器人再去找應(yīng)用。但在美的面向智能制造過(guò)程中，很多時(shí)候是先有應(yīng)用，再去找對(duì)應(yīng)適合的產(chǎn)品。從這個(gè)角度來(lái)講，我們就更希望有了合適的釘子去找更適合的這個(gè)錘子。目前來(lái)講，我們有三類(lèi)產(chǎn)品，一個(gè)叫類(lèi)人形，即剛才您說(shuō)的基于輪式的機(jī)器人加上雙臂的操作能力，第二個(gè)是全人形機(jī)器人，我們也在探索通用型人形機(jī)器人的使用方式，第三個(gè)是我們?cè)谔岬囊粋€(gè)概念，叫超人形機(jī)器人。

趙仲夏： 超人形機(jī)器人？

奚偉： 所謂超人形機(jī)器人，就是在工業(yè)應(yīng)用場(chǎng)景，比如像智能制造，有六大核心應(yīng)用，尤其工組裝線(xiàn)上核心的應(yīng)用，包括搬運(yùn)、上下料、打螺絲、端子插接、面板裝配、焊接等，每一個(gè)領(lǐng)域需要的技能等要求是比較高的，用傳統(tǒng)的通用機(jī)器人，雖然能適應(yīng)不同任務(wù)，但速度不夠快，達(dá)不到目前人的操作效率，所以我們希望設(shè)計(jì)一種可以突破人的效率的形態(tài)，更定制化的機(jī)器人，真正適應(yīng)到我們的工廠(chǎng)里邊去突破現(xiàn)在人形機(jī)器人的一些缺陷和不足。我覺(jué)得中間階段，一定會(huì)有這樣的一種機(jī)器人出現(xiàn)。

趙仲夏：明白，甚至最終的人形機(jī)器人也都是一個(gè)超人形的機(jī)器人，因?yàn)殡姍C(jī)的能量密度有可能會(huì)超過(guò)人類(lèi)未來(lái)。

勉諾這塊我記得你說(shuō)過(guò)，可以提供一些好玩的觀點(diǎn)，我覺(jué)得當(dāng)前從落地角度看的話(huà)，輪式可能會(huì)比人形會(huì)更好落地一些。因?yàn)殡p足的關(guān)節(jié)比較復(fù)雜，運(yùn)動(dòng)起來(lái)或在跨樓梯等特殊地形，會(huì)出現(xiàn)一些危險(xiǎn)情況。這塊話(huà)您有什么見(jiàn)解？您覺(jué)得人形機(jī)器人需要雙足嗎？

陳勉諾： 這是一個(gè)非常有爭(zhēng)議的話(huà)題，我們作為投資人也會(huì)經(jīng)常去思考。我自己經(jīng)歷過(guò)很大的思想轉(zhuǎn)變，最開(kāi)始我認(rèn)為輪式非常重要，因?yàn)槿祟?lèi)發(fā)展了這么多年，通過(guò)技術(shù)推進(jìn)，終于將雙腿這種行走效率低的方式進(jìn)行進(jìn)化，出現(xiàn)了自行車(chē)，又進(jìn)化了汽車(chē)出來(lái)，進(jìn)化了各種各樣的輪式產(chǎn)品，已經(jīng)說(shuō)明輪式的效率比雙足更高。

結(jié)果也是如此，輪式被使用得要多得多，但一個(gè)很有意思的現(xiàn)象是特斯拉為代表的一些企業(yè)，始終在堅(jiān)持要走人形的路線(xiàn)。我跟特斯拉 Optimus 的核心成員有過(guò)交流，他的觀點(diǎn)還挺打動(dòng)我的：我們自己做機(jī)器人動(dòng)力學(xué)都知道，如果輪式加上半身的雙手，很容易面臨一些彎曲身體的動(dòng)力學(xué)平衡問(wèn)題。如果用雙足形態(tài)，就能夠做出有效的支撐。而且能做彎曲身體形態(tài)，隨時(shí)調(diào)整全身的動(dòng)態(tài)性，這是雙足人形的優(yōu)勢(shì)，是一個(gè)很有意思的觀點(diǎn)。

所以我的觀點(diǎn)已經(jīng)改變了，今天我認(rèn)為，人形雙足的形態(tài)是一個(gè)有必要的形態(tài)。

特斯拉二代人形機(jī)器人Optimus在上海2024世界人工智能大會(huì)首次亮相 視頻截圖

但它到底在場(chǎng)景中有多少實(shí)用性，取決于這個(gè)場(chǎng)景的動(dòng)態(tài)復(fù)雜性。如果在一個(gè)非常固定的場(chǎng)景，比如家庭，沒(méi)有樓梯，沒(méi)有動(dòng)態(tài)復(fù)雜性的場(chǎng)景下，我覺(jué)得輪式就 OK 了。但如果在像工廠(chǎng)等有一些跨越階梯的場(chǎng)景，或者室外一些復(fù)雜場(chǎng)景，甚至可能未來(lái)移民火星，在這些高復(fù)雜動(dòng)態(tài)性的場(chǎng)景下，我覺(jué)得雙足形態(tài)是非常必要的，這也是我自己從認(rèn)知的一端轉(zhuǎn)向另外一端的一個(gè)極大轉(zhuǎn)變。

趙仲夏： 你剛剛有點(diǎn)說(shuō)服到我了，我在過(guò)去的時(shí)候從左端偏到了右端，剛剛聽(tīng)你講完之后，我又感覺(jué)又從右端到了左端。這么看人形的話(huà)，在它可以同時(shí)保持一些平衡性，然后并且有些地形跨越能力，從某種意義上它更靈活一些。

陳勉諾： 在動(dòng)態(tài)性的調(diào)整上，我覺(jué)得雙足還是有巨大的優(yōu)勢(shì)的，但只是說(shuō)今天我們無(wú)法去解決的問(wèn)題是這里邊使用了太多的電機(jī)。我也跟特斯拉Optimus的團(tuán)隊(duì)去交流如何考量成本的問(wèn)題，他們思考把電機(jī)換算成原材料，有多少用了稀有金屬，有多少可以用常規(guī)金屬，在這個(gè)金屬成本下，到底能把人形機(jī)器人成本控制到多低？也許有不同的視角，我覺(jué)得這是一個(gè)大家今天可能都值得思考的一個(gè)問(wèn)題。

如果成本降到足夠低，有一天，這種動(dòng)態(tài)性的人機(jī)器人就能解決高價(jià)值的、復(fù)雜的、今天輪式解決不了的場(chǎng)景問(wèn)題，那它就帶來(lái)了巨大的場(chǎng)景價(jià)值。

趙仲夏：我記得騰訊出過(guò)一款輪足的機(jī)器人，它是一個(gè)這樣的形態(tài)（雙足交叉），用來(lái)攙扶老人，這種形態(tài)也許會(huì)更穩(wěn)定。我看您之前有打過(guò) RoboMaster，RoboMaster 輪足也是一個(gè)非常好玩的品類(lèi)。然后您在RoboMaster經(jīng)歷里面怎么看待輪足這件事情呢？

陳勉諾：我覺(jué)得有一個(gè)形態(tài)大家可以去關(guān)注一下，智元前段時(shí)間發(fā)布了一個(gè)將輪式跟雙足進(jìn)行有機(jī)結(jié)合的，可以將輪式進(jìn)行折疊，變成一個(gè)雙足的形態(tài)。但這里邊有一些關(guān)鍵的技術(shù)問(wèn)題，比如從輪式變成雙足的過(guò)程中，對(duì)于中間關(guān)節(jié)的磨損是非常嚴(yán)重的。在這種關(guān)節(jié)的磨損上，其實(shí)現(xiàn)在有一些大的技術(shù)難題以及它的工程穩(wěn)定性難題解決不了，但這種形態(tài)本質(zhì)上解決了動(dòng)力學(xué)動(dòng)態(tài)穩(wěn)定性和在平坦地面上運(yùn)行效率兩者平衡的問(wèn)題。我們?cè)诖罅康闹毙械缆飞希鋵?shí)輪式由于摩擦系數(shù)的原因，它的效率是最高的。所以我覺(jué)得這是一個(gè)今天值得關(guān)注的形態(tài)。而之前定義的輪足形態(tài)還是有一定的挑戰(zhàn)，比如在動(dòng)態(tài)穩(wěn)定性上，尤其是跨越樓梯之類(lèi)場(chǎng)景的動(dòng)態(tài)穩(wěn)定上，因?yàn)榈紫率禽喪剑€是無(wú)法做到完全的平衡。但智元做的那一款機(jī)器人是有一定啟發(fā)性的，可以將輪式變成一個(gè)真的雙足步態(tài)行走的狀態(tài)。

趙仲夏： OK。輪足可以跳躍嗎？我看到你們?cè)缙诘谋荣惱锩孑喿愫芏嗍怯脕?lái)跳躍的。

陳勉諾：跳躍是一個(gè)很重要的技術(shù)問(wèn)題，當(dāng)你的環(huán)境變成動(dòng)態(tài)復(fù)雜的時(shí)候，控制會(huì)變得非常難做。所以在 RoboMaster里經(jīng)常會(huì)設(shè)置一些動(dòng)態(tài)復(fù)雜的問(wèn)題。這些問(wèn)題的解決，對(duì)于整個(gè)機(jī)器人控制學(xué)，以及我們今天看到有 learning-base 的方式來(lái)去做機(jī)器人的這個(gè)系統(tǒng)來(lái)說(shuō)，都會(huì)有巨大幫助。

趙仲夏： 這很酷。馮老師，我聽(tīng)說(shuō)您最近有在看靈巧手的項(xiàng)目，您怎么看待靈巧手這件事情？您覺(jué)得這種通用的手的末端，它后面的演進(jìn)方向是什么樣的？是通用末端好還是專(zhuān)有末端好？

馮子勇：這個(gè)要分場(chǎng)景的，從兩個(gè)維度上去看，一個(gè)是在數(shù)據(jù)采集維度，手的末端比較好的，就是我直接能跟人的手很好地對(duì)應(yīng)上，這時(shí)候人采集數(shù)據(jù)就很容易，也能把數(shù)據(jù)比較容易地投影到機(jī)器靈巧手上，這就是一個(gè)很好的數(shù)據(jù)，而且這個(gè)數(shù)據(jù)源非常多。但在有的場(chǎng)景，它的效率不夠高，像剛才奚老師說(shuō)的打螺絲之類(lèi)，可能用一個(gè)專(zhuān)用器具會(huì)更好，這種情況下，如果我們的場(chǎng)景還能采到更多的數(shù)據(jù)，用專(zhuān)用末端的優(yōu)勢(shì)還會(huì)更大。

另外，我自己覺(jué)得，靈巧手這個(gè)東西，對(duì)于“像人”是非常大的執(zhí)念，即人形機(jī)器人就應(yīng)該像人一樣，我覺(jué)得這在人的思維里面是非常重的。

趙仲夏：對(duì)，您之前跟我聊過(guò)人形人工智能是一個(gè)跟信仰有關(guān)的故事，我發(fā)現(xiàn)人形機(jī)器人某種意義上也是一個(gè)跟信仰有關(guān)的。

奚老師，美的的場(chǎng)景中也有各式各樣需要各種末端的，您是如何看待現(xiàn)在的靈巧手？在您這邊所有場(chǎng)景之間落地，您覺(jué)得靈巧手會(huì)是一個(gè)更好的未來(lái)嗎？

奚偉：我覺(jué)得通用人形機(jī)器人一定是要靈巧手的，尤其是五指靈巧手。因?yàn)槲覀円呀?jīng)習(xí)慣了和像人一樣的載體進(jìn)行交互了，而且我認(rèn)為可能將來(lái)人形機(jī)器人有一個(gè)階段會(huì)像阿凡達(dá)這樣，它會(huì)變成一個(gè)人的另外一個(gè)載體，如果有技術(shù)的話(huà)，可以把我們的意識(shí)去直接加載到機(jī)器人上來(lái)，進(jìn)行遠(yuǎn)程的操控，這個(gè)可能再有一階段會(huì)形成。它（人形機(jī)器人）不一定必須要完全自主，或許是變成我們另外一個(gè)替身，要在另外一個(gè)空間里你來(lái)進(jìn)行操作。如果是這樣的話(huà)，就需要用人的一個(gè)載體，讓我們所有的動(dòng)作在另外一個(gè)載體上進(jìn)行完全一對(duì)一的復(fù)刻，從這個(gè)角度來(lái)講，是需要有這樣的五指靈巧手的。

但我們現(xiàn)在很多的從應(yīng)用角度來(lái)講，我剛才也說(shuō)了，大部分場(chǎng)景并不需要這么復(fù)雜的結(jié)構(gòu)，而且復(fù)雜機(jī)構(gòu)會(huì)帶來(lái)很多的不穩(wěn)定性，尤其是行業(yè)還在發(fā)展階段，我們要迅速落地的話(huà)，必須要解決它的可靠性、穩(wěn)定性、待機(jī)時(shí)間、續(xù)航時(shí)間，很多現(xiàn)實(shí)問(wèn)題想解決，所以我覺(jué)得中間一定有很長(zhǎng)的發(fā)展過(guò)程。

趙仲夏：了解。Mario（陳勉諾），你最近有看什么靈巧手的項(xiàng)目嗎？我看樓上有好多家靈巧手公司，并且最近也在陸續(xù)出一些更高關(guān)節(jié)度、更多自由度的更高維度的手。您是如何看待靈巧手這個(gè)品類(lèi)的？你本身投資的偏好里面會(huì)重點(diǎn)關(guān)注靈巧手這個(gè)方向嗎？

資料圖：樂(lè)聚“夸父”人形機(jī)器人

陳勉諾：靈巧手也是一個(gè)爭(zhēng)議比較多的話(huà)題，大家普遍認(rèn)為，今天再怎么便宜的手都得幾萬(wàn)塊錢(qián)，因?yàn)樗旧斫Y(jié)構(gòu)的復(fù)雜性在這里，靈巧手成本無(wú)法降到一個(gè)非常低的狀態(tài)。我跟很多業(yè)界和學(xué)界的朋友探討過(guò)，我們生活中和工作中到底有多少是真的需要五指狀態(tài)來(lái)解決？其實(shí)大量的場(chǎng)景兩指夾爪形態(tài)就能完成，大約70%吧。所以今天兩指夾具在所有的具身智能里邊是大家演示 Demo 和場(chǎng)景實(shí)際使用最多的形態(tài)，因?yàn)?70% 的任務(wù)能夠在這個(gè)場(chǎng)景下得到有效解決，在這場(chǎng)景里面到底有多少任務(wù)可能是兩指夾解決不了的？比如說(shuō)當(dāng)你拿握起水（瓶）的時(shí)候，其實(shí)兩指也能夠握取，但這個(gè)握的過(guò)程中是點(diǎn)接觸，點(diǎn)接觸就意味著摩擦系數(shù)比較高，所以會(huì)有一些力的精準(zhǔn)掌控難題。但是如果你是握的方式，就會(huì)變得比較的容易。再比如擰轉(zhuǎn)的過(guò)程，可能五指會(huì)更加的靈活，所以我覺(jué)得在一些細(xì)分的場(chǎng)景下五指是非常有必要的。但五指確實(shí)要去解決一個(gè)問(wèn)題，就是在場(chǎng)景的實(shí)際使用過(guò)程中，如何考慮場(chǎng)景的價(jià)值和成本之間的 trade off。

在我們的視角下，也認(rèn)為五指靈巧手是一個(gè)非常必要的存在，但成本如果沒(méi)有下降到一定程度，可能在場(chǎng)景應(yīng)用過(guò)程中會(huì)有一定挑戰(zhàn)，但我們作為一個(gè)早期的風(fēng)險(xiǎn)投資機(jī)構(gòu)，在無(wú)論是對(duì)于這種五指靈巧手，還是對(duì)于人形，對(duì)于整個(gè)具身，我們都是非常積極地去看，積極地去布局，我們認(rèn)為這里有很多的機(jī)會(huì)。可能有一天我們發(fā)現(xiàn) pick and place 能解決的任務(wù)成本已經(jīng)非常低了，剩下那些高復(fù)雜任務(wù)的場(chǎng)景，它的價(jià)值就必然會(huì)抬升起來(lái)。之后它的價(jià)值和成本之間達(dá)到一定平衡的時(shí)候，這些五指靈巧手就能得到場(chǎng)景的應(yīng)用。

趙仲夏： 這個(gè)給了我們一個(gè)更好地去看待行業(yè)的思路。最近我們發(fā)現(xiàn)夾爪有的越做越大，有的越做越小，如果要做一些精細(xì)的情況就要點(diǎn)接觸，如果要做一些更好的方便抓握的話(huà)會(huì)做得更大。這個(gè)好像就包含了您剛剛說(shuō)的為什么人類(lèi)是手，簡(jiǎn)單地抓取任務(wù)，人類(lèi)有的時(shí)候也會(huì)不一樣。

陳勉諾：是的，有個(gè)視角可以給大家提供參考，從數(shù)據(jù)采集方面，如果你是五指形態(tài)也許更容易，今天有很多路線(xiàn)之爭(zhēng)，比如模仿學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，有一條路線(xiàn)是通過(guò)大量視頻的數(shù)據(jù)學(xué)習(xí)來(lái)調(diào)整機(jī)器人整個(gè)形態(tài)，那顯然是人的數(shù)據(jù)最容易采集。所以我們認(rèn)為這里有大量的機(jī)會(huì)空間，你可以更容易采集到數(shù)據(jù)。而兩指夾具的數(shù)據(jù)采集，顯然是你需要真的在實(shí)際場(chǎng)景去使用，采集數(shù)據(jù)的成本會(huì)比較高，所以我們也認(rèn)為五指可能在這個(gè)層面上更容易實(shí)現(xiàn)在場(chǎng)景中的一些任務(wù)的泛化性。這也是一個(gè)視角。但還是回歸到本質(zhì)的問(wèn)題，就是成本跟場(chǎng)景價(jià)值之間的tradeoff 問(wèn)題。

趙仲夏： 了解。好的，我們剛剛聊了很多跟人形機(jī)器人有關(guān)的爭(zhēng)議話(huà)題，要不來(lái)轉(zhuǎn)到另一個(gè)好玩的話(huà)題，就是人工智能和具身智能，想聽(tīng)聽(tīng)大家對(duì)具身智能這個(gè)概念的定義和看法，是不是像宇數(shù)那樣翻跟頭、跳舞就應(yīng)該算是具身智能？還是說(shuō)具身智能有另外一些更廣更大的概念？奚老師，要不您先聊一聊。

奚偉： 好的，具身智能我接觸比較早， 2016 年在 Berkeley 訪(fǎng)問(wèn) Peter 的時(shí)候，他就提出具身智能的概念，當(dāng)時(shí)他們主要提出的是傳統(tǒng)的我們做機(jī)器人控制分三部分，一部分是perception，一部分是planning，還有一部分control。所有東西要通過(guò)代碼來(lái)去實(shí)現(xiàn)，先做物體的識(shí)別定位，再做規(guī)劃，最后再做執(zhí)行。其實(shí)是，能不能把這個(gè)東西壓縮起來(lái)，直接從圖像到動(dòng)作一步完成。他提出這個(gè)東西，叫具身智能，因?yàn)楫?dāng)時(shí)我們對(duì)這個(gè)概念還是相對(duì)比較陌生，在 2016 年的時(shí)候就做機(jī)器人來(lái)講，一肯定要做這些，把它分解開(kāi)，就是 divide and conquer，但是我覺(jué)得從現(xiàn)在發(fā)展來(lái)看，就像宇數(shù)做的強(qiáng)化學(xué)習(xí)，可以認(rèn)為是一種具身智能，它的輸入傳感器是通過(guò)力傳感器，通過(guò)電流，也是通過(guò)傳感器形成最后的一個(gè)具身動(dòng)作，但它這動(dòng)作是通過(guò)仿真來(lái)實(shí)現(xiàn)的。

我們更多更廣義上的一些具身智能，是能夠從現(xiàn)實(shí)的環(huán)境中通過(guò)視覺(jué)，通過(guò)多模態(tài)的傳感器獲取到的經(jīng)驗(yàn)，能夠?qū)崿F(xiàn)更高意義上的這個(gè)決策和推理，最后能夠達(dá)到通用的操作的能力。所以從這個(gè)角度來(lái)講，我覺(jué)得目前的技能學(xué)習(xí)，或者說(shuō)像宇數(shù)這種跳舞動(dòng)作是屬于相對(duì)初級(jí)的階段，它的目標(biāo)比較明確，但通用的具身智能，它的目標(biāo)是比較復(fù)雜的，這個(gè)能力的具身智能還在一個(gè)需要發(fā)展的階段。

趙仲夏： OK，了解，感謝奚老師對(duì)具身智能概念的分享，讓我想到了之前有一個(gè)概念叫做視覺(jué)私服。從控制學(xué)角度去討論的話(huà)，有點(diǎn)回到了當(dāng)時(shí)大家講通過(guò)視覺(jué)去牽引一個(gè)任務(wù)完成，然后來(lái)適應(yīng)一些不同的泛化。

馮老師，您這邊從人工智能，然后 AGI 到大模型這個(gè)角度，研究得會(huì)比較深刻一些，您是如何看待具身智能這個(gè)概念的？能不能幫我們從人工智能角度聊一聊。

馮子勇：因?yàn)槲覀冊(cè)瓉?lái)做視覺(jué)，沒(méi)有機(jī)器人就相當(dāng)于我只有感知，到最后我的決策就是一個(gè)，譬如原來(lái)是輸出一些 label 框或什么東西，現(xiàn)在可以輸出語(yǔ)言，但是最終執(zhí)行還是給到人，就是我只能說(shuō)相當(dāng)于他輔助出了一些信息，然后人再去做操作。整個(gè)閉環(huán)是沒(méi)辦法進(jìn)行的。在我看來(lái)，具身智能是希望這個(gè)閉環(huán)能在整個(gè)模型，或者說(shuō)整個(gè)智能模型里面自己去產(chǎn)生閉環(huán)，我的這個(gè)傳感器進(jìn)來(lái)，我自己產(chǎn)生判斷，具體產(chǎn)生的action，最后 action 改變的世界又重新回來(lái)了，這個(gè)閉環(huán)是完全的。

我認(rèn)為這就是具身智能非常重要的一個(gè)概念，需要把整個(gè)東西閉環(huán)，并且是跟物理世界去交互，隨之就是我們可以在物理世界中隨著這種閉環(huán)，不停地去提升我的智能能力，而不是靠采集數(shù)據(jù)標(biāo)注員，智能來(lái)自于標(biāo)注員，而不是來(lái)自于這個(gè)智能體本身。

趙仲夏： 多少人工就有多少智能。

馮子勇：對(duì)，這個(gè)其實(shí)不太符合大家對(duì)智能的需求，所以我覺(jué)得具身智能在這個(gè)層面上應(yīng)該是，它會(huì)自主計(jì)劃，隨著他跟物理世界的接觸不停地去學(xué)習(xí)，這樣的一個(gè)概念。

趙仲夏：了解。說(shuō)到這個(gè)，我有些概念想請(qǐng)教一下馮老師，我們常聽(tīng)的LLM、VLM、 VLA 這些都是什么樣的概念？能不能稍微給我們解釋一下？

馮子勇：LLM 大家可能也比較熟悉了，這個(gè)現(xiàn)場(chǎng)大家都看到很多大語(yǔ)言模型，當(dāng)然在我看來(lái)，它雖然叫做大語(yǔ)言模型，但不只是語(yǔ)言模型，其實(shí)是邏輯模型，因?yàn)檎Z(yǔ)言是有邏輯的，我不會(huì)隨便說(shuō)一些奇奇怪怪的話(huà)，所以你也可以認(rèn)為它是大邏輯模型。

很多時(shí)候現(xiàn)在只有語(yǔ)言的輸入，但接上了vision，就像我剛才講了我們也在做 vision 相關(guān)的工作，我們?cè)诖蟾?021 年就開(kāi)始去摸索大視覺(jué)模型，當(dāng)時(shí)不叫大視覺(jué)模型，因?yàn)楫?dāng)時(shí)沒(méi)有這個(gè)概念，叫視覺(jué)基礎(chǔ)或者預(yù)訓(xùn)練模型。

這就是我們現(xiàn)在做的，我們把它叫做MVT，已經(jīng)到了 1.5 這個(gè)階段，它能夠把視覺(jué)傳感器進(jìn)來(lái)的圖像變化成視覺(jué)的token，這個(gè) token 就能進(jìn)到這個(gè)語(yǔ)言模型里面去。使得這個(gè)語(yǔ)言模型能夠作為一種視覺(jué)外語(yǔ)去理解它，這個(gè)邏輯至少在視覺(jué)跟語(yǔ)言上，或者視覺(jué)跟邏輯上融合在一起了，這就是大家能看到的 VLM 。

隨著機(jī)器人的發(fā)展，我不只想出一個(gè)文本，不想只出一句話(huà)，我還要有動(dòng)作，我還要有操作，我還要改變世界，那么就是 action 也出來(lái)了。

可能我們看到有很多技術(shù)路線(xiàn)，從一個(gè) hidden state，一個(gè)隱空間，就剛才說(shuō)的某一坨邏輯，然后 decode 出來(lái)怎么去操作，這里面有很多專(zhuān)門(mén)的技術(shù)，譬如說(shuō)DP，把這樣的一些技術(shù)操作去做，在我看來(lái)可能導(dǎo)航也是一種操作，再把這三者有機(jī)地聯(lián)系在一起，那么它就變成了一個(gè)VLA。

趙仲夏： OK，太棒了。感覺(jué)好像跟我們講了一下大模型下發(fā)展的一個(gè)歷史。Mario 你是如何看待具身智能這個(gè)概念的？這個(gè)概念真的非常火，但是好像大家對(duì)它的定義也沒(méi)有完全特別清晰。

陳勉諾：我自己原來(lái)就是做機(jī)器人，在我的認(rèn)知里邊，它其實(shí)只是說(shuō)把機(jī)器人做了延伸，因?yàn)榇竽Ｐ统鰜?lái)之后，智能有了進(jìn)一步的提升，所以原來(lái)可能大家對(duì)機(jī)器人還是局限在傳統(tǒng)的控制學(xué)范疇，然后今天終于加上了 AI 范疇。所以提出一個(gè)新的概念，讓大家可以有更多的研究話(huà)題。

第二點(diǎn)是，對(duì)于具身智能概念的理解，主要因?yàn)樗?EmbodiedAI，其實(shí)是在于本身具備物理實(shí)體、然后能與環(huán)境做有效的交互，這可能區(qū)別于LLM范疇或者VLM范疇更偏數(shù)字世界，EmbodiedAI一定要有跟物理世界進(jìn)行交互，以及一個(gè)物理的實(shí)體。

從概念上去理解的話(huà)，廣義上不單單只局限于在機(jī)器人領(lǐng)域，只不過(guò)機(jī)器人是大家最fancy也是最容易想到的一個(gè)主要形態(tài)，這也是大家普遍提到具身智能就理解成機(jī)器人的原因。我的理解在廣義上來(lái)說(shuō)，它只要跟物理世界進(jìn)行交互，然后有具備一定的物理實(shí)體，可能具備一些這個(gè)物理感知，其實(shí)都可以被稱(chēng)之為 EmbodiedAI具身智能。但在整個(gè)與物理世界交互的形態(tài)里面，最重要的還是機(jī)器人的形態(tài)，因?yàn)闄C(jī)器人形態(tài)才能夠跟物理進(jìn)行有效的交互。有效交互指的是一定要跟物理世界有接觸，發(fā)生物理反應(yīng)才能夠叫有效交互。所以我們認(rèn)為 EmbodiedAI這個(gè)概念是機(jī)器人概念的一個(gè)延伸，但不限于機(jī)器人概念。

趙仲夏： 對(duì)，我感覺(jué)每次聽(tīng)勉諾講話(huà)都有點(diǎn)頓悟的感覺(jué)。馮老師，我們這邊關(guān)注到，最近有一個(gè)新的概念叫 world model世界模型，大家認(rèn)為也會(huì)在具身智能方向上產(chǎn)生一些比較好的潛力。您是怎么看這件事情的？我聽(tīng)說(shuō)您最近在做一些視頻模型，我們?cè)趺蠢斫庖曨l模型和 world model 呢？它們對(duì)具身智能是否有幫助？

馮子勇：OK，首先世界模型我認(rèn)為它是希望有一些視覺(jué)輸入之后，預(yù)測(cè)這個(gè)世界是怎么發(fā)展的，相當(dāng)于自己內(nèi)部會(huì)有一個(gè)預(yù)測(cè)模型，但這個(gè)模型有一些是顯示的，要生成下一幀或者下面一段時(shí)間的圖片或視頻。也有些就覺(jué)得，不需要顯示，拿到隱藏空間或者表達(dá)就 OK ，并不一定到 Pixel 像素層面去還原它。從我的角度更偏向于后者一點(diǎn)，只要大概知道接下來(lái)是怎么做的就 OK 了。

世界模型可以幫助我們?nèi)ヌ嵘齎LA，因?yàn)楝F(xiàn)在大家說(shuō)的 VLA 可能更狹義一點(diǎn)，就是直接到操作，但是那具體怎么到操作可能中間會(huì)有，但都是直接做。

當(dāng)然你可以用COT，就說(shuō)我做一些thinking，reasoning 這樣的序列來(lái)到達(dá)那個(gè)操作，但最后壓縮起來(lái)，還是應(yīng)該在這個(gè)模型的 latent 的 space 里面，是有一些預(yù)測(cè)的，但這個(gè)預(yù)測(cè)究竟是什么東西，我覺(jué)得學(xué)術(shù)界也在探討。

但我覺(jué)得世界模型還很重要，它不一定是顯示的表達(dá)出來(lái)，視頻模型是這樣的，就是我們自己，因?yàn)閯偛乓舱f(shuō)了，我們很多研究都是基于圖像，但不只基于圖像，而是原來(lái)基于視頻的技術(shù)發(fā)展有點(diǎn)落后。圖像一是因?yàn)閿?shù)據(jù)多，另外容易訓(xùn)，但視頻不太好去搜集標(biāo)注，從這個(gè)層面上訓(xùn)練的復(fù)雜度跟對(duì)算力的需求也非常大。

我們現(xiàn)在去看這個(gè)視頻是因?yàn)椋覀冎啦还苁钦嬲厝シ治鲞@個(gè)世界，還是機(jī)器人，它對(duì)于這個(gè)連續(xù)動(dòng)作還是非常有需求的，而不是我就看一張一張的圖，當(dāng)然現(xiàn)在很多 VLM 也好， VLA 都是我先把這個(gè)視頻流切成一張一張的圖，然后送到這個(gè)模型里面，這個(gè)相當(dāng)于我可以讓這個(gè)大語(yǔ)言模型它自己去串這個(gè)邏輯。

在我們自己做視覺(jué)的這個(gè)角度來(lái)看，很多視頻流在前端就已經(jīng)有一點(diǎn)被壓縮掉了，特別是我們?cè)谝曈X(jué)領(lǐng)域上，它是冗余的，特別是我們大部分視覺(jué)元素是不變的，視頻是可以做得更高效、更緊致，而且去表達(dá)我們真正關(guān)注的東西，像人的 forbia 一樣，他只關(guān)注到動(dòng)的東西，我們做機(jī)器人很多時(shí)候關(guān)注的也是這個(gè)狀態(tài)，世界狀態(tài)變化，別的可能不太關(guān)注。我覺(jué)得在這里面視頻的模型應(yīng)該是有可以做的空間，而且最后它肯定是也能服務(wù)到機(jī)器人上。因?yàn)槲覀兪且粋€(gè)動(dòng)態(tài)的場(chǎng)景，它不是靜態(tài)的。如果我們視頻能做得更好，那我相信機(jī)器人對(duì)場(chǎng)景的理解，對(duì)最終自己動(dòng)作的判斷也能做得更好。

趙仲夏： 了解。奚老師，您從應(yīng)用端角度來(lái)看的話(huà)，會(huì)去關(guān)注 world model 或者是視頻模態(tài)的進(jìn)展嗎？您覺(jué)得它對(duì)您這邊實(shí)際的人形機(jī)器人或者是區(qū)分智能落地會(huì)有很大幫助嗎？

奚偉： 我覺(jué)得這是對(duì)于復(fù)雜場(chǎng)景肯定是有幫助的。像勉諾剛才講的，對(duì)于通用的人形機(jī)器人，是要進(jìn)和世界進(jìn)行反復(fù)交互的，我們也在探索，比如在家庭場(chǎng)景四大件就是最典型的應(yīng)用，收納、清潔、洗衣、做飯，這四件事情看似簡(jiǎn)單，但非常復(fù)雜，比我們剛才說(shuō)的在工業(yè)場(chǎng)景應(yīng)用復(fù)雜得多。因?yàn)楣I(yè)場(chǎng)景已經(jīng)高度細(xì)分了，它每一個(gè)內(nèi)容是一個(gè)一個(gè)動(dòng)作，只要把它做得精準(zhǔn)就可以了，它就有產(chǎn)業(yè)價(jià)值。但是我們希望這些機(jī)器人真正像人一樣能夠在家庭里邊給我們應(yīng)用。

所以我覺(jué)得 world model 就是物理世界模型，它是建立物理之間相對(duì)關(guān)系一個(gè)更好的表述，因?yàn)槲覀兪侨狈Ρ磉_(dá)的，因?yàn)槿狈Ρ磉_(dá)才沒(méi)有推理的手段，才沒(méi)有范式。所以我覺(jué)得進(jìn)入到家庭來(lái)講， world model 是一個(gè)比較重要的基礎(chǔ)。

趙仲夏： 謝謝。勉諾，你最近有在看 world model 一些相關(guān)的公司嗎？你如果看 world model 的。

陳勉諾：我們也一直在關(guān)注學(xué)術(shù)前沿進(jìn)展。 world model 到具身智能之間的衍生其實(shí)是在一些主流具身智能學(xué)派里面的一個(gè)分支路線(xiàn)。我們有交流過(guò)一些學(xué)者在順著 world model 方式來(lái)去做 Robotics 領(lǐng)域，我們也認(rèn)為這條路線(xiàn)是非常行之有效的。我有跟 MIT 和 Physical Intelligence 等里面同學(xué)去交流，這條路線(xiàn)是可以行得通的，因?yàn)?worldmodel本質(zhì)上是對(duì)物理世界的數(shù)字重建，如果可以將物理世界進(jìn)行重建得非常完善的情況下，它就能夠很有效地將機(jī)器人也能在數(shù)字世界重建，就能夠有效地 train 機(jī)器人的model。但這里邊有一個(gè)很大的問(wèn)題，因?yàn)?world model 需要將物理世界重建，所以需要采集大量的數(shù)據(jù)，它的成本會(huì)變得非常高，要把物理世界完全數(shù)字實(shí)現(xiàn)難度是非常高的。在這條路線(xiàn)上

如果問(wèn) world model 對(duì)具身智能發(fā)展是不是有幫助？絕對(duì)是有幫助的，但能不能構(gòu)建完全行之有效的 world model 這個(gè)事情，成本是非常非常昂貴的，而且很難去完全實(shí)現(xiàn)。所以在我的認(rèn)知里面，一直也在關(guān)注 world model 實(shí)際進(jìn)展。但從 world model 到具身的實(shí)際使用過(guò)程，我覺(jué)得是一個(gè)非常長(zhǎng)期的過(guò)程，而且可能world model 本身構(gòu)建的過(guò)程也非常困難，我們當(dāng)然希望有一天能夠把 world model 重建出來(lái)，那這樣的話(huà)我們就能在數(shù)字世界映射一個(gè)真實(shí)的物理世界，那這個(gè)時(shí)候很多物理世界的客觀物理規(guī)律甚至可能新的科研發(fā)現(xiàn)都能在這個(gè)數(shù)字世界進(jìn)行重建。就不單單只是機(jī)器人領(lǐng)域了，整個(gè)科研領(lǐng)域，整個(gè)人類(lèi)的進(jìn)步都能夠得到更快的一個(gè)進(jìn)展。

趙仲夏： 太棒了，之前有聽(tīng)我的老師講，傳統(tǒng)的大源模型是讀萬(wàn)卷書(shū)，那 world model 或者說(shuō)具身有點(diǎn)像是行萬(wàn)里路。這樣的話(huà)最終會(huì)發(fā)生一些概念，完成一些對(duì)現(xiàn)實(shí)上的一個(gè)對(duì)齊，一旦對(duì)齊之后將會(huì)誕生一個(gè)更棒的超級(jí)智能。

說(shuō)完 world model，我們想聊一下強(qiáng)化學(xué)習(xí)。奚老師覺(jué)得強(qiáng)化學(xué)習(xí)在這次具身智能中扮演一個(gè)什么樣的角色？您覺(jué)得強(qiáng)化學(xué)習(xí)要如何使用？

奚偉：我是這么想的，大語(yǔ)言模型是一個(gè)概率模型，它生成內(nèi)容，但是并不保證它的準(zhǔn)確性。強(qiáng)化學(xué)習(xí)是一個(gè)優(yōu)化模型，它去把結(jié)果根據(jù)你的需求進(jìn)行優(yōu)化，比如跳舞，在訓(xùn)練過(guò)程中都要根據(jù)你的目標(biāo)來(lái)進(jìn)行優(yōu)化，所以強(qiáng)化學(xué)習(xí)是一個(gè)必要的工具。基本上現(xiàn)在所有的應(yīng)用都會(huì)用到強(qiáng)化學(xué)習(xí)，但它不是要取代大語(yǔ)言模型，這是相輔相成的，它是大語(yǔ)言模型的一個(gè) building block。我認(rèn)為，強(qiáng)化學(xué)習(xí)是必需的。

趙仲夏： 這個(gè)非常確定，強(qiáng)化學(xué)習(xí)是必需的，我很喜歡這個(gè)結(jié)論。馮博您如何看待強(qiáng)化學(xué)習(xí)？

馮子勇：首先從強(qiáng)化學(xué)習(xí)技術(shù)發(fā)展的歷史來(lái)先看一下，強(qiáng)化學(xué)習(xí)并不是現(xiàn)在才有，過(guò)去已經(jīng)一直在，只是過(guò)去大家發(fā)現(xiàn)強(qiáng)化時(shí)學(xué)習(xí)，像這個(gè)阿巴狗這樣的，它只能存在于仿真環(huán)境里，譬如說(shuō)像游戲。

過(guò)去我認(rèn)為叫小模型，就是它只能上 RL 的時(shí)候，需要大量的數(shù)據(jù)去train，就像我們以前做小模型就是我要標(biāo)很多很多的數(shù)據(jù)，只訓(xùn)那一個(gè)任務(wù)，在這個(gè)上面也是一樣的，當(dāng)有一個(gè)很好的預(yù)訓(xùn)練，相當(dāng)于我的知識(shí)，我的邏輯，我的所有東西都已經(jīng)學(xué)得差不多了，最后才來(lái)激活他，來(lái)激發(fā)他新的這些，或者說(shuō)在原來(lái)這些潛力下面去組織一些新的能力。這是這兩個(gè)的范式一點(diǎn)點(diǎn)不一樣。

RL 還是很重要，但 RL 里面還有一個(gè)最重要reward，就是做過(guò) RL 的同事或者說(shuō)研究人員都知道 reward 非常難調(diào)。那在具身里面 reward 怎么辦？我們看到有的公司比如Dana是設(shè)計(jì)了一個(gè)不錯(cuò)的reward，那我覺(jué)得在這個(gè)方面應(yīng)該也是非常有搞頭，就是大家應(yīng)該多去想想 reward 怎么搞。

趙仲夏： 說(shuō)到 Daya ，勉諾，是你們投的公司對(duì)不對(duì)啊？要不要給我們介紹一下 Dana 在做什么？或者您如何看待強(qiáng)化學(xué)習(xí)的使用。

陳勉諾：Dyna Robotics也是朝著具身智能的方面去做努力，在不斷地收集數(shù)據(jù)，嘗試在真實(shí)的場(chǎng)景中構(gòu)建能夠真的走進(jìn)到這個(gè)工業(yè)和生活場(chǎng)景中的機(jī)器人的這樣一家公司。

我說(shuō)一下對(duì)強(qiáng)化學(xué)習(xí)的理解。因?yàn)槲以瓉?lái)是做控制學(xué)背景出身，對(duì)于可能 learning 這個(gè)方向沒(méi)有特別強(qiáng)的概念。后來(lái)學(xué)到了一個(gè)很重要的概念理解，模仿學(xué)習(xí)可以理解成就是那些只會(huì)做習(xí)題集的普通學(xué)生，然后強(qiáng)化學(xué)習(xí)是那些做了習(xí)題集之后他能夠去解更難問(wèn)題的優(yōu)秀學(xué)生。所以其實(shí)強(qiáng)化學(xué)習(xí)在機(jī)器人領(lǐng)域我覺(jué)得是一個(gè)必然很重要的發(fā)展路徑。

比如 DeepSeek R1 那篇文章發(fā)出來(lái)之后，大家就看到如果你有比較大的base model ，在上面加上 RL 之后，那它其實(shí)就能夠帶來(lái)很強(qiáng)的智能的泛化性，這個(gè)理解也很簡(jiǎn)單，就像普通一個(gè)班級(jí)，同學(xué)們都做了很不錯(cuò)的習(xí)題練習(xí)之后，里邊有一些極度聰明的同學(xué)，你給他一個(gè) reward 獎(jiǎng)勵(lì)，給他一道更難的題這樣一個(gè)目標(biāo)函數(shù)，然后他就能在這里邊去形成自己新的解題思路。

所以我們認(rèn)為在機(jī)器人領(lǐng)域也是一樣的，只不過(guò)可能今天在機(jī)器人領(lǐng)域，或者在具身智能領(lǐng)域，現(xiàn)在還沒(méi)有很好的 base model，所以大家普遍在于數(shù)據(jù)采集，然后去建立 base model 的狀態(tài)。所以RL重要嗎？我覺(jué)得未來(lái)RL非常非常重要。

還有一個(gè)路徑大家也可以去看，原來(lái)我們看四足狗的這種形態(tài)，在我創(chuàng)業(yè)的時(shí)候，那個(gè)時(shí)候在 2018 年左右，四足狗整個(gè)步態(tài)穩(wěn)定性其實(shí)是比較差的。但今天四足狗整個(gè)的步態(tài)非常像狗，這里面其實(shí)就是采集了大量的狗的真實(shí)數(shù)據(jù)，之前像騰訊的RoboticsX實(shí)驗(yàn)室有一段時(shí)間專(zhuān)門(mén)采集狗的運(yùn)動(dòng)動(dòng)態(tài)數(shù)據(jù)，動(dòng)捕做了很多動(dòng)態(tài)數(shù)據(jù)，把動(dòng)捕的數(shù)據(jù)放到機(jī)器人里面去 train 它的RL model，然后讓它可以去實(shí)現(xiàn)。

只不過(guò)locomotion這種運(yùn)動(dòng)學(xué)更容易實(shí)現(xiàn)，它不需要非常高精度的控制，所以我們今天看到 RL+locomotion其實(shí)在場(chǎng)景中更容易實(shí)現(xiàn)。可能下一步具身智能要解決問(wèn)題就是RL+manipulation操作層面上。但操作是一個(gè)更復(fù)雜任務(wù)，你需要去定義這個(gè)任務(wù)到底是什么，它具備一定的復(fù)雜性，以及你要解決有一個(gè)能夠在數(shù)字世界里邊去建立的仿真環(huán)境，因?yàn)镽L本身是需要有真實(shí)數(shù)據(jù)在仿真環(huán)境下跑最終得到一個(gè)有效的模型，然后再把模型返回到真機(jī)的場(chǎng)景下去實(shí)現(xiàn)結(jié)果的這樣一個(gè)過(guò)程。這可能是今天我們要面臨的一個(gè)挑戰(zhàn)，也是今天所有的具身智能的公司大家在去解決的問(wèn)題。大家可能普遍去構(gòu)建仿真環(huán)境，去采集真機(jī)數(shù)據(jù)，構(gòu)建仿真數(shù)據(jù)，然后仿真數(shù)據(jù)去Train一個(gè)還不錯(cuò)的 base model，把真實(shí)數(shù)據(jù)去放進(jìn)來(lái)，然后定一個(gè)有效的任務(wù)目標(biāo)函數(shù)，再讓它能夠在真實(shí)環(huán)境里面去解決。

另外一個(gè)我也挺認(rèn)同今天具身智能是一個(gè)更復(fù)雜的場(chǎng)景任務(wù)，因?yàn)樗锢硎澜邕M(jìn)行交互，所以它的目標(biāo)函數(shù)更難去定義。我們都知道RL里邊最重要的是reward function的建立，其實(shí)構(gòu)建Reward Function是很難的一件事情。比如說(shuō)我們今天看到大語(yǔ)言模型RL在什么樣的場(chǎng)景下是最有效？它在 coding 和math層面上很容易實(shí)現(xiàn)，因?yàn)檫@個(gè)目標(biāo)函數(shù)非常容易定義。但跟物理世界的任務(wù)怎么樣去有效定義這是一個(gè)今天還沒(méi)有被完全定論的問(wèn)題，也是我經(jīng)常跟具身智能行業(yè)的學(xué)者和業(yè)界人士探討的問(wèn)題。什么樣的任務(wù)體系是今天能夠被定義為一個(gè)Benchmark，我們能夠讓把它作為一個(gè)很重要的任務(wù)評(píng)測(cè)集，能讓具身智能系統(tǒng)在里邊去不斷地追求它的目標(biāo)極致。

今天可能大家有一些概念，比如疊衣服任務(wù)。今天具身智能公司一個(gè)最重要的 demo 就是疊衣服，為什么疊衣服會(huì)成為一個(gè)重要的案例？因?yàn)樗袔讉€(gè)層面，第一個(gè)它有翻折的復(fù)雜性，第二個(gè)它是跟柔性物體接觸，這都是是重要的Benchmark點(diǎn)，但今天坦白來(lái)說(shuō)還沒(méi)有一個(gè)很有效的Benchmark ，也意味著 RL 在這個(gè)階段還沒(méi)有得到大范圍的使用，但我認(rèn)為它在未來(lái)，尤其當(dāng)我們建立了有效的 base model，會(huì)像 DeepSeek R1 那樣，有一天能夠綻放出巨大的光彩，而且我認(rèn)為是必經(jīng)之路。

趙仲夏： 您說(shuō)這個(gè)讓我想到了一個(gè)好玩的概念叫 BA base model，有點(diǎn)像是人的頓悟，因?yàn)槲覀冎v智能涌現(xiàn)是頓悟時(shí)刻，然后 RL 有點(diǎn)像佛祖的點(diǎn)化，但是佛祖只能點(diǎn)化一個(gè)有慧根的模型。所以我們現(xiàn)在相當(dāng)于行業(yè)或者研究一直在做數(shù)據(jù)采集，也是為了先訓(xùn)一個(gè)聰明的有慧根的 base model，然后等待 RL 點(diǎn)化，我覺(jué)得這個(gè)很有意思。

然后我們?cè)倭囊恍└鼘掽c(diǎn)的問(wèn)題，大家覺(jué)得如何看待具身智能和通用人工智能？具身智能是通用人工智能的必由之路嗎？來(lái)，要不奚老師您來(lái)跟我們講一下？

奚偉：具身智能和通用人工智能具有相關(guān)性，但完全是兩個(gè)不同的東西。具身智能一定是要和物理世界發(fā)生關(guān)系的，要通過(guò)傳感器去對(duì)物理世界進(jìn)行建模，再去通過(guò)決策操縱你的機(jī)構(gòu)，然后發(fā)生關(guān)系。但通用人工智能是對(duì)我們所有的知識(shí)規(guī)則的一個(gè)一個(gè)總結(jié)，它能形成一個(gè)有效的一個(gè)個(gè)推理，更多的是在一個(gè)抽象層面的能力，它并不一定需要一個(gè)具身載體，所以我認(rèn)為通用人工智能是對(duì)具身智能能力的一個(gè)巨大的提升，它應(yīng)該是一個(gè) building block，人工智能可以去賦能的一個(gè)技術(shù)，它可以賦能不同的，包括機(jī)器人。美的也在提家電機(jī)器人化，也是把要把家電作為人工智能載體，結(jié)合在家電里邊放的一些傳感器，可以變成具身智能家電這樣的一個(gè)新物種。

我覺(jué)得這些東西都需要感知能力、邏輯推理和決策能力，包括一些動(dòng)運(yùn)和操作的能力。所以我認(rèn)為通用人工智能是具身智能下一階段能夠發(fā)光發(fā)熱的一個(gè)巨大的動(dòng)力。

趙仲夏： 好的，謝謝奚老師。馮老師，您是如何看待具身智能和通用人物智能的關(guān)系的呢？

馮子勇：我也覺(jué)得是這樣的，通用人工智能這個(gè)詞，不同的單位有不同的解釋方式，有些人認(rèn)為只要大語(yǔ)言模型到了一個(gè)非常好的時(shí)刻，它就是通用人工智能。但有些認(rèn)為，還是要跟這個(gè)世界包含在一起才叫通用人工智能。

在我看來(lái)，剛才奚老師也說(shuō)了，通用人工智能肯定能幫助具身智能更好地提升，更好落地，更好發(fā)展。如果我們本身就是在這個(gè)世界里面的，這個(gè)世界的實(shí)踐也能提升我們自己的智能能力，那有沒(méi)有可能我們現(xiàn)在還沒(méi)看到，因?yàn)槲覀兌荚谟么笳Z(yǔ)言模型的能力，還沒(méi)有反饋給大語(yǔ)言模型。如果有一天，能夠做到物理的反饋，能給大語(yǔ)言模型帶來(lái)新的知識(shí)，這時(shí)候這兩個(gè)是不矛盾的，甚至可能是一體的。

奚偉： 互為補(bǔ)充。

趙仲夏： 對(duì)，勉諾你如何看待AGI？

陳勉諾： 我是這么理解，具身智能是通用人工智能的一個(gè)子集，通用人工智能追求的是在世界實(shí)現(xiàn)一個(gè)完全的智能，完全智能不可能只有數(shù)字世界里進(jìn)化，它也需要跟物理世界進(jìn)行有效交互，而且它的這個(gè)終極目標(biāo)是，我們經(jīng)常說(shuō)的知行合一，也就是不單單要知道知識(shí)，也能夠能行動(dòng)出來(lái)。

如果把知行合一當(dāng)做人類(lèi)的最高標(biāo)準(zhǔn)，那對(duì)于整個(gè)通用人工AGI來(lái)說(shuō)，不單單只有智能的上限，還要需要有action，需要有行動(dòng)，所以我認(rèn)為具身智能是通用人工智能的一個(gè)子集，而且是一個(gè)非常關(guān)鍵的環(huán)節(jié)，只有有了具身智能，才能跟物理世界進(jìn)行交互，才能感知物理世界，采集物理世界的數(shù)據(jù)，將物理世界的規(guī)律在智能的領(lǐng)域里進(jìn)一步地提升，形成一個(gè)雙向的閉環(huán)。所以我認(rèn)為具身智能、大語(yǔ)言模型、多模態(tài)模型其實(shí)都是整個(gè) AGI 或者通用人工智能的子集。

趙仲夏：好的，那我們進(jìn)行下一個(gè)話(huà)題。中國(guó)的人工智能和具身智能產(chǎn)業(yè)將走向何方？跟產(chǎn)業(yè)落地相關(guān)的。Mario，你最近有投資哪些具身或者機(jī)器人的企業(yè)？在調(diào)研走訪(fǎng)的時(shí)候有沒(méi)有看到一些跟行業(yè)落地有關(guān)的趨勢(shì)。

陳勉諾： 我們投了幾家目前比較活躍的幾家公司，一個(gè)是剛剛有提到的 Daya Robotics，第二個(gè)是方舟無(wú)限，做機(jī)械臂的，還有做靈巧手和電機(jī)的舞肌科技，以及之前投的像非夕機(jī)器人， 優(yōu)艾智和都在往具身智能這個(gè)方向形態(tài)去轉(zhuǎn)變。

在落地場(chǎng)景方面，坦白來(lái)說(shuō)，今天還屬于在技術(shù)發(fā)展的前端，甚至我認(rèn)為今天具身智能的時(shí)代都遠(yuǎn)還沒(méi)有到 GPT 3 時(shí)刻。所以今天大家去談落地有點(diǎn)為之過(guò)早，甚至可能還有很多的彎路，大家還要去摸索、去探索，可能要給產(chǎn)業(yè)更多的時(shí)間和空間，讓大家在技術(shù)方向做更多的探索。

在落地層面上，我覺(jué)得應(yīng)該核心關(guān)注幾個(gè)點(diǎn)。第一，因?yàn)槲以瓉?lái)是做SLAM做移動(dòng)機(jī)器人的創(chuàng)業(yè)者，在那一波里邊有哪些場(chǎng)景是解決不了的？我理解就是手腦協(xié)同、 manipulation 和智能泛發(fā)性帶來(lái)的操作泛化性這個(gè)層面上的任務(wù)。比如今天工廠(chǎng)的流水線(xiàn)上，那些沒(méi)有被傳統(tǒng)機(jī)械臂和沒(méi)有被 AGV 去解決場(chǎng)景，都是既有高價(jià)又極度需要人力的場(chǎng)景，這種場(chǎng)景其實(shí)是需要今天的具身智能很容易落地可能的場(chǎng)景。

另一個(gè)點(diǎn)是應(yīng)用場(chǎng)景具備一定的復(fù)雜性，比如 Dyna Robotics，他們?cè)诮鉀Q的場(chǎng)景是美國(guó)的一些餐廳后廚，后廚環(huán)境復(fù)雜性強(qiáng)，同時(shí)美國(guó)人力成本比較高，這種情況下需要有個(gè)機(jī)器人去解決。

我覺(jué)得今天可能真的有效的是找到一個(gè)智能程度相對(duì)比較低、人力成本非常高的場(chǎng)景，去替代人工成本，會(huì)是一些行之有效的場(chǎng)景。

趙仲夏： 了解。馮院長(zhǎng)，剛剛勉諾提到了給智能一些時(shí)間，給研究者一些時(shí)間。我之前的感受是通用智能的每一次迭代都會(huì)摧毀在專(zhuān)有領(lǐng)域的所有努力，無(wú)論早期的 CV 到后面的自動(dòng)駕駛都一樣。您這邊應(yīng)該算是從 AI 1.0 走出來(lái)的公司，然后您對(duì)人形機(jī)器人和具身智能的落地是怎么看待的？有沒(méi)有一些經(jīng)驗(yàn)可以跟大家分享一下？

馮子勇：落地還早，說(shuō)明就是還有的做嘛。從我的角度來(lái)看，落地還是數(shù)據(jù)先行，現(xiàn)在我已經(jīng)看到不管企業(yè)、政府還是學(xué)校，還有一些其他組織都在牽頭做各種各樣的數(shù)據(jù)采集工廠(chǎng)或者各種機(jī)構(gòu)什么的都有。

所以廣泛的數(shù)據(jù)采集是必不可少的，但是在采什么數(shù)據(jù)上可能大家有一些分歧，像仿真的數(shù)據(jù)，動(dòng)補(bǔ)的數(shù)據(jù)，各家都在說(shuō)自己好的，沒(méi)有定論。從預(yù)訓(xùn)練的角度，我的想法是回顧像GPT 跟 CLIP 這樣的模型，大家用的主要是互聯(lián)網(wǎng)數(shù)據(jù)，GPT 用的就是 common crawl，基本上是整個(gè)互聯(lián)網(wǎng)的語(yǔ)料， CLIP 也是在 common crawl 里面把圖文的 pair 給取出來(lái)了。所以我有一個(gè)幻想，可能答案還在互聯(lián)網(wǎng)里面，可能數(shù)據(jù)一直在那，只是大家還沒(méi)有找到一些非常有智慧的方法把它給找出來(lái)，去做具身的預(yù)訓(xùn)練，這是我的想法。

從 action 模型的角度，我更傾向最好是有一個(gè)設(shè)備能跟著人一起走，就像眼鏡。

趙仲夏： 今天的會(huì)場(chǎng)好多眼鏡。

馮子勇：對(duì)，有一個(gè)對(duì)比，像特斯拉的FSD，大家在開(kāi)車(chē)的時(shí)候把自己的操作給記錄下來(lái)了，就將采數(shù)據(jù)和產(chǎn)品融合到一起，這樣的話(huà)，特斯拉有多少，就得有多少數(shù)據(jù)采集員，那這個(gè)量是非常可觀的。眼鏡是這里面最像的一個(gè)，我個(gè)人覺(jué)得一個(gè)是它可以適合所有人戴。在任何地方、任何場(chǎng)景采任何數(shù)據(jù)，然后人肯定戴了之后會(huì)有操作，只要把操作也記錄下來(lái)，像Meta，他們有一個(gè)新的演進(jìn)形態(tài)是Arial好像。

趙仲夏： 對(duì)，面向研究者的眼鏡，還得申請(qǐng)。

馮子勇：它有一個(gè)機(jī)電的手環(huán)，相當(dāng)于我在操作的時(shí)候，把手的操作也記錄下來(lái)，是不是這樣的數(shù)據(jù)在量大了之后，就能從量變直接達(dá)到質(zhì)變？有那一刻像 FSD 最開(kāi)始，也是從小模型到一個(gè)主干多個(gè)分支的模型，到 OCC 網(wǎng)絡(luò)，到直接到現(xiàn)在它可能也是數(shù)據(jù)采集到了，它就可以直接上端到端了。

另外一個(gè)，剛才說(shuō)具身真的離落地可能還有點(diǎn)時(shí)間，我也規(guī)劃了一個(gè)項(xiàng)目，關(guān)于多模態(tài)的，這里其實(shí)在 VLM 到具身中間還加了一個(gè)叫 GUI agent，因?yàn)?GUI agent 也是操作物理的世界更加簡(jiǎn)單，而且不停地能重復(fù)。如果我們能在上面做得好，那可以談具身，但如果在這上面都還磕磕巴巴的，就證明離具身的確有點(diǎn)距離。

趙仲夏： 對(duì)，您剛剛提到眼鏡的時(shí)候，我的一個(gè)觀察是現(xiàn)在大部分的搖操也要逐漸變成 VR 搖操了，而 VR 搖操很像一個(gè)人的手眼關(guān)系。這應(yīng)該和眼鏡也是可以互通的。

奚老師，這個(gè)就是您這邊的重頭戲了。您剛才有提到家電智能化、智能家電或者具身家電這個(gè)概念，您跟我們先解釋解釋什么叫做具身家電吧？

奚偉： 具身家電我們還沒(méi)提這個(gè)詞，我們現(xiàn)在是家電機(jī)器人化的概念。現(xiàn)在智能家電會(huì)比較注重的是IoT，就是家電互聯(lián)這一塊，但是家電可能也具有一定的機(jī)器人屬性，能夠讓家電進(jìn)行主動(dòng)服務(wù)，這是下一步家電需要走的方向，要把機(jī)器人屬性加入到一部分家電的能力中。

比如烤箱，大部分人做飯其實(shí)不太熟悉怎么去使用烤箱，怎么能做出更像大廚的牛排等食品。比如烤牛排，假如把一部分機(jī)器人的屬性，可能把烤箱內(nèi)部也做一些升降機(jī)構(gòu)，能夠自動(dòng)升降，自動(dòng)推出，調(diào)料也可以自動(dòng)添加，或者根據(jù)它的溫度場(chǎng)景進(jìn)行調(diào)配。我們就把烤箱也變成一個(gè)智能體，而不是現(xiàn)在只會(huì)拉開(kāi)門(mén)，東西放進(jìn)去再定個(gè)時(shí)就完了。此外，我們希望烤箱能夠更精準(zhǔn)地、定制化地給客戶(hù)服務(wù)。把視覺(jué)加進(jìn)去之后，比如把食材放進(jìn)去，它可以自動(dòng)識(shí)別，自動(dòng)給你定制菜譜，自動(dòng)根據(jù)你的需求進(jìn)行調(diào)味，這些都可以從我們的產(chǎn)品上實(shí)現(xiàn)。

趙仲夏： 客戶(hù)導(dǎo)向這個(gè)感同身受，我感覺(jué)做牛排嚴(yán)重打擊了我的積極性。我最后問(wèn)了一個(gè)餐廳大廚，他跟我講要不你先把油溫升上去，先把鍋弄熱了，然后你再放，有沒(méi)有可能鍋不熱永遠(yuǎn)做不出來(lái)？我覺(jué)得這個(gè)太酷了。另外，我們看到美的既有自己的工廠(chǎng)，還有一個(gè)整體的制造業(yè)，包含未來(lái)的面向家用的全領(lǐng)域。您覺(jué)得人形機(jī)器人未來(lái)是一個(gè)怎樣的落地格局？我們什么時(shí)候才能真的每個(gè)家庭都擁有一個(gè)或者幾個(gè)人形機(jī)器人？

奚偉： 剛才馮院長(zhǎng)，還有勉諾也說(shuō)了，這個(gè)還需要一點(diǎn)時(shí)間，但從一個(gè)從業(yè)者的角度來(lái)講，還是要應(yīng)用來(lái)牽引，否則一直在說(shuō)我們要打磨技術(shù)，我們要去要給一定時(shí)間、一定空間才能發(fā)展。我覺(jué)得需要不斷地在應(yīng)用上去探索，反哺我們技術(shù)上的一些缺陷，所以從我們角度來(lái)講，工業(yè)場(chǎng)景的應(yīng)用比較具體，也比較聚焦，它在產(chǎn)業(yè)的賦能角度來(lái)講，可能短期會(huì)產(chǎn)生比較大的價(jià)值，所以我們也像特斯拉、很多創(chuàng)業(yè)者，都是從工業(yè)場(chǎng)景入手。

這樣做最大的好處是，我們不一定完全需要這種通用的具身智能，才能夠達(dá)到進(jìn)入工廠(chǎng)的階段。我們可能把它分階段變成小模型，比如一些小的通過(guò)視覺(jué)模型，通過(guò)一些傳統(tǒng)的規(guī)劃，也可以做到一定的泛化能力。這個(gè)過(guò)程中，把這些數(shù)據(jù)采集回來(lái)，去訓(xùn)練更具有通用性的具身智能大模型，不斷地進(jìn)行迭代。就像特斯拉，先做一個(gè) FSD ready 的這樣一個(gè)車(chē)，然后放到工廠(chǎng)里，可以先去做一定的自主化或者自動(dòng)化。但是它不一定是要完全的自主化，過(guò)程中我們通過(guò)人機(jī)混合的方式進(jìn)行數(shù)據(jù)采集，但不斷地迭代模型，最終實(shí)現(xiàn)端到端的這種具身智能模型。這是一個(gè)必由的路徑，它一定不會(huì)是一蹴而就。今天是0，明天接到完全的具身智能。

相對(duì)來(lái)講，工業(yè)場(chǎng)景比較好結(jié)構(gòu)化，從工業(yè)場(chǎng)景我覺(jué)得下一步是商用場(chǎng)景，需要有一些人機(jī)交互，相對(duì)的，它的任務(wù)有一定的復(fù)雜度，但也會(huì)比較結(jié)構(gòu)的，比較具體的，比如在餐飲行業(yè)、奶茶店、咖啡店，都是比較簡(jiǎn)單的一個(gè)任務(wù)，當(dāng)他在商業(yè)行業(yè)能夠用起來(lái)之后，我覺(jué)得最終是引進(jìn)家庭的。

進(jìn)入家庭有幾個(gè)問(wèn)題，一個(gè)是安全問(wèn)題，再比如說(shuō)真正的語(yǔ)言的人機(jī)交互問(wèn)題、個(gè)性化的定制問(wèn)題，還有一些隱私問(wèn)題，都會(huì)要去解決，這時(shí)候才能真正每一個(gè)家庭或者甚至每一個(gè)人都能用上機(jī)器人的個(gè)人助手。

人民網(wǎng)研究院數(shù)據(jù)統(tǒng)計(jì)，從具身智能人形機(jī)器人專(zhuān)利累計(jì)受理量數(shù)據(jù)看，截至 2022 年末，中國(guó)已占據(jù)40%的份額。

趙仲夏： 這個(gè)很棒啊。我們是在觀察者網(wǎng)的直播間，（時(shí)間關(guān)系）也是我們的最后一個(gè)問(wèn)題。我個(gè)人的感覺(jué)，人形機(jī)器人如果真的落地，本質(zhì)上是生產(chǎn)力的解放。當(dāng)生產(chǎn)力解放之后，經(jīng)濟(jì)基礎(chǔ)決定上層建筑，整個(gè)社會(huì)結(jié)構(gòu)都會(huì)完成一次解放，然后也許就有可能實(shí)現(xiàn)大家社會(huì)學(xué)上的一些比較好的愿景。所以我覺(jué)得它應(yīng)該是一個(gè)世界人民的視野。在本次的人形機(jī)器人和具身智能的競(jìng)爭(zhēng)與合作過(guò)程中，大家覺(jué)得中美之間有什么優(yōu)勢(shì)或者各自的劣勢(shì)？對(duì)這塊的話(huà)想問(wèn)一下大家對(duì)這件事的看法，要不奚老師您先回答。

奚偉： 我覺(jué)得中國(guó)的優(yōu)勢(shì)還是很明顯的，機(jī)電優(yōu)勢(shì)、產(chǎn)業(yè)的優(yōu)勢(shì)無(wú)庸置疑。人形機(jī)器人在中國(guó)發(fā)展兩年，整個(gè)產(chǎn)業(yè)鏈發(fā)展非常迅速。尤其是今年，關(guān)鍵模組也是飛速降價(jià)，讓很多的從業(yè)者能夠參與到行業(yè)來(lái)，而且進(jìn)入成本可以開(kāi)始做一些規(guī)模化的應(yīng)用。這個(gè)是中國(guó)的巨大優(yōu)勢(shì)。

但在包括具身智能、 AI 技術(shù)等的發(fā)展上，我覺(jué)得中美兩國(guó)還在并肩競(jìng)爭(zhēng)階段，我認(rèn)為從某些角度來(lái)講，美國(guó)有一定的領(lǐng)先優(yōu)勢(shì)，中國(guó)更多的還是在 follow 、了解、快速地發(fā)展。

趙仲夏： 馮老師，您怎么看待這件事情？

馮子勇：中國(guó)的人工智能的人才還是非常的強(qiáng)的，大家可以看到，不管是中國(guó)本身的，從 paper 層面，從創(chuàng)新層面，哪怕是在美國(guó)，一半的人才也都是華人，所以人才儲(chǔ)備是很強(qiáng)的，中國(guó)也有非常廣泛的落地場(chǎng)景，像咱們美的，今天在現(xiàn)場(chǎng)也看到很多。

另外，中國(guó)的政策優(yōu)勢(shì)也很明顯，政府非常大力地支持。需要改進(jìn)的，剛才也都說(shuō)了，我們的創(chuàng)新性就更多的還是以 follow 為主。

趙仲夏： 了解。勉諾，你可能對(duì)中美之間都會(huì)接觸得更多一點(diǎn)，你是如何看待這件事情的？

陳勉諾： 從我的視角下，我自己看到中美確實(shí)兩邊形成了更加鮮明的優(yōu)勢(shì)。在中國(guó)，大家可以看到更高的人才密度的這個(gè)涌現(xiàn)，我們今天說(shuō) AI 和具身智能的整個(gè)行業(yè)的競(jìng)爭(zhēng)，變成了中國(guó)的中國(guó)人和美國(guó)的中國(guó)人的競(jìng)爭(zhēng)。

從我的視角下，我自己看到中美確實(shí)兩邊形成了更加鮮明的優(yōu)勢(shì)。在中國(guó)，大家可以看到更高的人才密度的涌現(xiàn)，我們今天說(shuō) AI 和具身智能的整個(gè)行業(yè)的競(jìng)爭(zhēng)變成了中國(guó)的中國(guó)人和美國(guó)的中國(guó)人的競(jìng)爭(zhēng)。

另外一個(gè)層面上，中國(guó)的硬件優(yōu)勢(shì)還是很鮮明的。在美國(guó)可能我們只知道有特斯拉這樣一家電動(dòng)汽車(chē)公司，在中國(guó)有蔚小理，有小米等等這樣一些硬件公司，中國(guó)本身的供應(yīng)鏈的優(yōu)勢(shì)能夠讓硬件這個(gè)事情變得更容易去實(shí)現(xiàn)，這也是為什么在美國(guó)可能軟件比較盛行，而在中國(guó)硬件可能做的更好，這是中國(guó)本土環(huán)境下的長(zhǎng)足優(yōu)勢(shì)。

另外，我們也看到每一次革命的發(fā)生都會(huì)帶來(lái)一次大國(guó)之間格局的變化，比如說(shuō)從農(nóng)業(yè)時(shí)代到電氣時(shí)代，再到互聯(lián)網(wǎng)時(shí)代，到今天的智能化時(shí)代。我覺(jué)得今天可能中國(guó)在更迭上是有巨大機(jī)會(huì)的。

但我們也得正視，中國(guó)在改革開(kāi)放之后，整個(gè)的經(jīng)濟(jì)發(fā)展速度變快，科技的發(fā)展速度變快，但還是有一些領(lǐng)域我們?nèi)匀挥幸恍┎蛔悖热缭谒懔Ψ矫妗Ｆ鋵?shí)今天可能中國(guó)的人工智能瓶頸不在于人才，而在于缺乏比較好的算力，這也是有我們投的公司在去做這個(gè)事情。

此外我也看到在機(jī)器人和AI場(chǎng)景下還有一些現(xiàn)象，由于在美國(guó)可能人力成本比較貴，所以在真正的落地場(chǎng)景里邊，無(wú)論AI 還是機(jī)器人可能在美國(guó)落地會(huì)更加容易，美國(guó)的市場(chǎng)會(huì)更加的高效。

所以中國(guó)有大量的，無(wú)論是硬件公司還是軟件公司去做出海，這個(gè)也是我們需要去正視的問(wèn)題，因?yàn)樵谥忻赖母窬窒拢袊?guó)本土的市場(chǎng)在這個(gè)人力的成本沒(méi)有到達(dá)很高的情況下，確實(shí)在本土市場(chǎng)這一塊有一定的挑戰(zhàn)。

所以我們也一直倡導(dǎo)今天的創(chuàng)業(yè)者要具備全球化視野，要去做全球化市場(chǎng)，利用中國(guó)本土的優(yōu)勢(shì)服務(wù)全球的市場(chǎng)。

趙仲夏： 太棒了，我感覺(jué)勉諾可以做我的創(chuàng)業(yè)導(dǎo)師。好的，我們也進(jìn)行了一個(gè)半小時(shí)了。我們這場(chǎng)具身和人形機(jī)器人的討論，今天也就到此為止，非常感謝奚老師、馮老師還有勉諾給我們帶來(lái)的非常精彩的觀點(diǎn)分享。也感謝大家，感謝各位觀眾。