一位務實的科學家和他為機器人推開的那扇門｜甲子光年

“誰有本事做個機器人，讓它到千家萬戶都能開門，這就叫牛。”

作者｜劉楊楠 沈伊人

編輯｜王博

故事要從北京亦莊說起。

在這片曾以工業(yè)與制造園區(qū)著稱的土地上，廠房林立，路網(wǎng)密布，各色機械設備構(gòu)成了這里長期以來的底色。但在2023年，這里的氣質(zhì)悄然發(fā)生了變化。

2023年冬天，北京亦莊（北京經(jīng)濟技術開發(fā)區(qū)）悄然完成了一次“組局”。多方力量匯集，北京人形機器人創(chuàng)新中心有限公司（以下簡稱“北京人形”）注冊成立，它被賦予的使命并不掩飾其野心——打造通用機器人平臺和通用具身智能平臺，構(gòu)建軟硬件協(xié)同的技術底座，為尚未成熟的人形機器人產(chǎn)業(yè)搭起一條更穩(wěn)定的路徑。

這個故事的起點，與其說是公司成立，不如說是一群科學家和工程師的重新出發(fā)。有人在過去的創(chuàng)業(yè)周期中積累過經(jīng)驗，也看過行業(yè)的盲區(qū)與浮躁；他們選擇再次入局，是因為始終不甘心于“機器人能跑會跳，卻難以真正落地”的現(xiàn)狀。

唐劍就是其中之一。

北京人形機器人創(chuàng)新中心有限公司CTO 唐劍

這位曾任美國雪城大學終身教授、獲得過IEEE Fellow頭銜的科學家，在學術界研究了半輩子“AI驅(qū)動的系統(tǒng)控制”。后來進入產(chǎn)業(yè)界，先后擔任滴滴智能控制首席科學家、美的公司首席AI官，積累了豐富的產(chǎn)業(yè)落地經(jīng)驗。

2024年夏天，他來到了亦莊，成為了北京人形機器人創(chuàng)新中心有限公司CTO。他把這次重新出發(fā)歸因于與公司CEO熊友軍“志趣相投”，以及想要“讓人形機器人真正能進千家萬戶”的理想。

今年，因為一場人形機器人半程馬拉松，北京人形研發(fā)的“具身天工”機器人出圈了。

“具身天工Ultra”機器人獲得全球首個人形機器人半程馬拉松冠軍

這次出圈給北京人形帶來了大量關注，同時也讓公眾產(chǎn)生了一些誤解——“‘具身天工’只會跑步”“這只是一場秀”“機器人跑馬拉松沒有意義”。

“能跑”僅僅是北京人形“具身天工”機器人的一個標簽，在今年8月舉行的世界機器人大會上，「甲子光年」就注意到北京人形發(fā)布了具身世界模型體系、具身多模態(tài)大模型、人形機器人全自主導航系統(tǒng)、跨本體VLA模型等創(chuàng)新技術，并實現(xiàn)了復雜場景下的異構(gòu)多本體協(xié)同工作。

就在上個月，北京人形發(fā)布了一個讓機器人真正“看見、理解并行動于世界”的具身世界模型——WoW（World-Omniscient World Model），幫助具身智能機器人快速學習掌握各項技能，助力行業(yè)打造“好用”的機器人。

其實，北京人形既不是傳統(tǒng)國企，也不是一般意義上的創(chuàng)業(yè)公司，它從誕生之初就承載著整合行業(yè)資源的使命。翻開股東名單，優(yōu)必選、小米機器人、京城機電……這些在市場上或為“競爭對手”的企業(yè)，在這里成為了“同桌隊友”。

一方面，北京人形是“國家地方共建具身智能機器人創(chuàng)新中心”；另一方面，北京人形仍需自籌資金，直面市場競爭。

這種特殊生態(tài)位，也要求北京人形需要承擔更多商業(yè)目標之外的社會責任，攻克那些初創(chuàng)嫌太重、國企嫌太難、高校嫌太工程的共性難題。

在北京人形成立兩周年之際，「甲子光年」與唐劍進行了一次深入的對話。

我們能感受到的是，以唐劍為代表的北京人形技術團隊極為務實，不執(zhí)念于訓練與scaling law，目標明確，就是要提升機器人操作能力，實現(xiàn)快速落地。目前，北京人形圍繞具身智能進行全棧布局，軟硬件并舉，大力推進開源、數(shù)據(jù)采集與行業(yè)標準。

雖然還有未完成的目標，但唐劍多年技術理想也終于有望形成現(xiàn)實的回環(huán)——把機器人從實驗室送進千行百業(yè)、千家萬戶。

1.人形機器人的雙重瓶頸

當前，在從實驗室研發(fā)邁向多場景應用的關鍵時期，具身智能產(chǎn)業(yè)正面臨著一場嚴峻考驗。

在當下的創(chuàng)投圈與產(chǎn)業(yè)界，流傳著一種觀點，“具身智能的落地，難點不在具身，難在智能。” 這種觀點認為，隨著宇樹、具身天工、松延動力等企業(yè)的努力，運動控制的上限已被不斷突破，現(xiàn)在的瓶頸核心在于大模型不夠聰明。

對于這個觀點，唐劍雖不否認，卻并不完全認同。

事實上，在具身智能領域，一直有一個核心共識是“硬件決定下限，軟件決定上限”，即機器人的硬件形態(tài)由場景與用戶需求定義，而軟件則用于解鎖硬件的潛能。

然而，當前行業(yè)中普遍存在一種線性的開發(fā)模式：本體團隊完成硬件后交由運控團隊，運控調(diào)試完畢再交給算法團隊。在唐劍看來，這種流水線作業(yè)并非最優(yōu)解。

真正的突破需要軟硬件深度協(xié)同、雙向閉環(huán)。例如，為實現(xiàn)更優(yōu)的運動控制，北京人形的算法團隊會向硬件團隊反饋關鍵指標，機器人不僅要輕量化，其上下肢的重量分配比例更是至關重要。只有軟硬件雙向奔赴，機器人才能實現(xiàn)系統(tǒng)性能的最大化。

只是，目前來看，機器人的硬件和軟件各有瓶頸。他將行業(yè)瓶頸分為線性瓶頸與非線性瓶頸兩大維度。

“現(xiàn)在其實你看到的運動表現(xiàn)特別出色的，都是一些小尺寸的機器。其實真正的全尺寸、真的非常類人的機器人，比如身高在1.6米以上的，在整個運動性能上還沒有表現(xiàn)得特別出色。” 唐劍直言。

業(yè)界公認，隨著機器人身高和體重的增長，運動控制的難度呈指數(shù)上升。目前的硬件技術路線尚未完全收斂，依然面臨著諸多物理層面的限制，唐劍將其歸類為“線性瓶頸”。

例如，關節(jié)與散熱方面， 關節(jié)的扭矩密度目前仍然較低，且在大負載運動下發(fā)熱現(xiàn)象嚴重，直接限制了機器人的爆發(fā)力和持久性。

在精細操作方面，靈巧手是核心。想要高自由度，體積就很難做小；想要體積小，自由度往往受限，通常只有6個，這使得精細操作（如穿針引線或復雜裝配）極難掌握。

天軼2.0在世界人形機器人運動會獲物料整理冠軍

端側(cè)算力方面，公眾在演示視頻中看到的流暢動作，后臺往往拖著一臺搭載英偉達4090顯卡的高性能工作站。真正依靠機器人板載芯片（如Orin）進行實時推理時，算力依然捉襟見肘。行業(yè)一直期待著下一代芯片（如Thor）或國產(chǎn)算力芯片的突破。

機器人續(xù)航方面，現(xiàn)有電池能量密度低，而固態(tài)電池雖然能量密度高，但循環(huán)壽命短，尚無法滿足商業(yè)化落地對續(xù)航和壽命的雙重需求。

盡管困難重重，但唐劍對此態(tài)度相對樂觀。他之所以稱其為“線性瓶頸”，是因為這些問題本質(zhì)上是工程問題，“假以時日，只要有資本和人力投入下來，每年都會有一個比較大的進步。”

相比之下，更棘手、也更具不確定性的是非線性瓶頸，其核心在于軟件，包括數(shù)據(jù)、算法以及配套的軟件開發(fā)工具鏈。

“核心就是大模型的泛化能力什么時候能達到ChatGPT時刻？” 唐劍表示，“我不知道，很難講。什么時候有突破，也可能就是明年，也可能是很長，三年、五年甚至十年的時間。”

在這個非線性瓶頸中，數(shù)據(jù)以及機器人的大腦、小腦都均面臨不同程度的瓶頸。

數(shù)據(jù)方面，行業(yè)極度缺乏高質(zhì)量、標準化的具身交互數(shù)據(jù)。一方面，高質(zhì)量、場景化的數(shù)據(jù)集采集成本極高。單一企業(yè)難以覆蓋足夠多的場景，導致模型泛化能力受限；另一方面，很多創(chuàng)業(yè)公司都將辛苦采集的數(shù)據(jù)視為核心壁壘，互不開放。加之機器量產(chǎn)斷檔、檢測標準缺失，導致實驗室成果難以轉(zhuǎn)化為穩(wěn)定可靠的產(chǎn)品。

此外，機器人大腦的核心發(fā)力點在于理解物理世界的運行規(guī)律，并能將想法高效反饋到動作上。而小腦則需在跑步、打拳等空間移動的基礎上，在精細化操作上尋求突破。

近期，運控算法層面出現(xiàn)了一波小爆發(fā)。通過引入新的算法，如應對外部擾動的魯棒性算法，小尺寸機器人的抗干擾能力大幅提升。唐劍預測，這股技術浪潮很快會傳導至全尺寸機器人，帶來運控能力的整體躍升。

但他也強調(diào)，無論是本體的輕量化設計，還是軟件的泛化能力，未來依然有巨大的提升空間。

面對上述瓶頸，行業(yè)內(nèi)各玩家的布局目前更加碎片化：有人專攻小腦，有人死磕大腦，有人只做本體。這種選擇背后，往往反映了創(chuàng)業(yè)團隊資金和人員稟賦的局限。

2.北京人形的“具身基建”

站在獨特的生態(tài)位上，北京人形自成立之初就選擇了全棧布局。唐劍表示，整個創(chuàng)新中心定位為平臺型企業(yè)，提供兩大平臺。

第一個是硬件平臺，即“具身天工”和“天軼”系列機器人。這不僅是終端產(chǎn)品，更是開放的二次開發(fā)載體。

通用機器人平臺聚焦于物理基座，突破了高性能一體化關節(jié)與輕量化本體技術，為工業(yè)分揀、特種作業(yè)等場景提供了穩(wěn)定靈活的硬件載體。

具身天工物流場景作業(yè)

外界對北京人形的認知始于“具身天工”在機器人馬拉松上的奪冠。唐劍透露，“具身天工”接下來的優(yōu)化方向是提升柔順度和擬人性，“軟硬件都需要往前進步才行，這是一個相輔相成的過程。”

第二個是軟件平臺，這也是某種程度上被外界低估的。北京人形推出的“慧思開物”的一站式通用具身智能開發(fā)平臺填補了具身智能通用軟件系統(tǒng)的空白，旨在解決跨本體、跨場景的適配難題。

唐劍對「甲子光年」詳細解讀了“慧思開物”的技術架構(gòu)。

其中，具身“大腦”負責告訴機器人該怎么干，它背后拖著兩個關鍵模型，一個是VLM（視覺-語言模型），推理時真正使用的大模型，負責感知和決策；一個是世界模型，作為一個輔助工具，幫助VLM進行自主進化和訓練。

在“慧思開物”的大腦架構(gòu)中，世界模型是當下最引人注目的技術高地。

依托于圖靈獎得主楊立昆（Yann LeCun）的定義，唐劍給出了一個通俗的解釋：“比方說我現(xiàn)在給你一個‘狀態(tài)’（桌子上有杯子），然后給你一個‘動作’（我去抓杯子）。世界模型要做的，就是準確預測出基于這個動作，未來幾幀會發(fā)生什么。”

目前市面上存在很多視頻生成模型，但唐劍指出，評判具身世界模型的核心指標不是畫面的清晰度，而是“對物理規(guī)律的遵循”與“時空一致性”。

“一般的視頻生成模型更重視視覺效果。比如手碰到杯子，如果模型不懂物理規(guī)律，手可能會直接穿模過去，或者杯子紋絲不動。這在做宣傳視頻時沒問題，但在控制機器人時是致命的。” 唐劍解釋道。

為了實現(xiàn)這種物理直覺，目前大多團隊選擇“視頻模型基座+機器人數(shù)據(jù)后訓練”的路徑。北京人形也采取了這一策略：基于開源基礎模型，集中算力注入特有的300萬條機器人操作數(shù)據(jù)，整個訓練過程消耗的算力約為百卡級。

唐劍明確表示：“沒必要自己從零做預訓練，完全可以選一個特別牛的、已經(jīng)預訓練好的模型。” 這就像小孩子已經(jīng)通過書本（互聯(lián)網(wǎng)數(shù)據(jù)）認識了世界，現(xiàn)在要做的是帶他去工廠實地操作。

值得注意的是，北京人形研發(fā)的WoW（我悟）世界模型，并非單一模型，而是一個系統(tǒng)。

WoW（我悟）世界模型

這套系統(tǒng)基于北京人形自研的SOPHIA架構(gòu)建立了一套“雙向反饋機制”， 大腦（VLM）會對世界模型生成的視頻進行反饋，這些反饋被引入強化學習（RL）架構(gòu)，作為獎勵函數(shù)去微調(diào)世界模型。這種機制迫使生成的內(nèi)容盡量符合物理規(guī)律，而非僅僅看起來逼真 。

在唐劍看來，包括WoW在內(nèi)的所有世界模型都承載著三個關鍵使命：

一是輔助大腦自主進化，當機器人遇到新任務時，WoW結(jié)合蒙特卡洛樹搜索（MCTS）算法，在數(shù)字世界里預演無數(shù)種路徑，并由獎勵模型打分。這些“模擬數(shù)據(jù)”反過來微調(diào)VLM，讓大腦在沒有實戰(zhàn)的情況下學會解決問題。

二是直接生成大量符合物理規(guī)律的機器人操作軌跡視頻，解決行業(yè)最頭疼的訓練數(shù)據(jù)短缺問題。

三是直接控制機器人的操作。目前，WoW未來不僅能生成視頻，還能像VLA一樣，將生成的視頻轉(zhuǎn)化為光流，再映射到關節(jié)角度，直接生成控制信號驅(qū)動機器人。

在“大腦”提供智能的基礎上，具身“小腦”負責具體操作（Do it）。它分為兩個子平臺，一個負責具身操作，涵蓋元技能庫、泛化抓取、技能拆解和錯誤處理；一個負責具身運控， 負責全身控制、雙臂協(xié)作、穩(wěn)定行走和移動導航（SLAM）。

小腦的核心則是跨本體的VLA（視覺-語言-動作）模型XR-1，負責將大腦的抽象指令轉(zhuǎn)化為具體的、毫秒級的電機控制信號，確保機器人走得穩(wěn)、抓得準。

11月13日，北京人形全面開源了一項技術成果，即具身智能VLM模型——Pelican-VL（天鶘）。

在由1000多張英偉達A800 GPU組成的算力集群上，團隊消耗了數(shù)萬GPU小時，從海量原始數(shù)據(jù)中蒸餾出數(shù)億Token的高質(zhì)量元數(shù)據(jù)，最終訓練出了這個覆蓋7B、72B參數(shù)規(guī)模的具身多模態(tài)大腦。在基線基礎上性能提升20.3%。

如果你對“72B參數(shù)”或“20.3% 性能提升”這樣的數(shù)字不敏感，不妨想象這樣一個場景：面對“把鞋子放鞋架、垃圾扔桶里、衣服放洗衣機”這樣一連串復雜的復合指令，搭載Pelican-VL（天鶘）的機器人能像人類一樣，先環(huán)顧房間構(gòu)建語義地圖，再自動拆解任務序列，依次移動去執(zhí)行。它不僅能“看圖聽話”，還能在執(zhí)行中不斷根據(jù)環(huán)境變化調(diào)整計劃。

慧思開物這套“大腦+小腦”的架構(gòu)形成了完整的閉環(huán)：由具身“大腦”進行任務規(guī)劃，調(diào)用具身“小腦”的技能庫執(zhí)行具體動作，并將執(zhí)行反饋傳遞回大腦。

不過，技術閉環(huán)只是產(chǎn)業(yè)快速發(fā)展的起點。真正的挑戰(zhàn)在于，如何讓這套系統(tǒng)走出實驗室，在真實、復雜的產(chǎn)業(yè)環(huán)境中落地應用。

3.眾人拾柴火焰高

北京人形造平臺的核心目的，實則是為具身智能軟硬件生態(tài)提供一個載體。

平臺必須向下連接多種規(guī)格、多種形態(tài)的硬件本體，上層長出豐富多元、融合各場景業(yè)務邏輯的機器人軟件應用。只有當硬件、平臺、應用三者形成閉環(huán)，才能讓具身智能的技術創(chuàng)新跳出“低效”“碎片化”“重復建設”的惡性循環(huán)，找到自己的“scaling law”。

而這項系統(tǒng)工程，無法只靠一兩家公司完成，北京人形希望成為在行業(yè)背后推一把的力量。

10月19日，在IROS 2025（2025年智能機器人與系統(tǒng)國際會議）期間，北京人形正式開放了慧思開物SDK，為開發(fā)者提供了從技能調(diào)用到場景部署的完整工具鏈。

“這就像當年寫安卓APP的企業(yè)，”唐劍比喻道，“很多二次開發(fā)企業(yè)可能就幾個人，核心是把不同場景的業(yè)務邏輯寫進機器人的腦袋里。” 無論是導覽、分揀還是特種作業(yè)，開發(fā)者不需要懂復雜的運控算法或大模型訓練，只需利用SDK這個“炮彈”，去攻克各自領域的山頭。

目前發(fā)布的版本主要針對具備一定基礎的高級開發(fā)者。唐劍透露，預計在明年第一季度，將釋放帶有GUI（圖形用戶界面）的版本，甚至支持低代碼/零代碼開發(fā)，進一步降低門檻。

目前的SDK已能支持具身天工、天軼、以及Franka和UR機械臂等多種本體。

除了工具鏈，北京人形還在積極打破“數(shù)據(jù)荒”。唐劍透露，北京人形近期可能會開源至少30萬條軌跡數(shù)據(jù)。這些數(shù)據(jù)不僅包含視覺信息，更關鍵的是包含了觸覺傳感器數(shù)據(jù)，這對于精細操作至關重要。

同時，作為“國地共建”中心，北京人形開始介入行業(yè)基礎規(guī)范建設，包括牽頭制定《人形機器人智能化分級》標準，并聯(lián)合北航、優(yōu)必選等機構(gòu)立項《具身智能從業(yè)人員能力要求》，試圖填補行業(yè)人才評價和數(shù)據(jù)規(guī)范的空白。

一切技術和生態(tài)的努力，終極目的都是讓機器人走入千行百業(yè)。但這依然步履維艱。

唐劍坦言：“我們的主要收入還是機器人銷售，客戶主要是教育科研機構(gòu)。”這印證了行業(yè)的一個尷尬現(xiàn)狀：最先為具身智能買單的，依然是把機器人買回去做研究的人，而不是讓機器人去干活的人。

真實的應用場景需求極其復雜。目前，北京人形正在推進多個POC（概念驗證）項目，試圖跨越從Demo到“實地干活”的鴻溝。

例如，北京人形和電科院達成合作，機器人嘗試進行復雜的電力巡檢任務；在工業(yè)場景，公司也和福田康明斯工廠達成合作，讓天軼機器人嘗試連續(xù)搬運箱子。

具身天工在工廠搬箱子

唐劍告訴「甲子光年」：“現(xiàn)在的機器人可以接受語音指令，比如‘拿兩個箱子放在架子第二層’，這些都能實現(xiàn)。”

4. 讓機器人走入千家萬戶的夢想

阻礙機器人從實驗室走向千家萬戶、千行百業(yè)的最大障礙，是泛化能力。

“機器人泛化能力不夠的話，就單說開門這一個我們?nèi)祟惪雌饋砗芎唵蔚膭幼鳎坏┯龅介T顏色變了、把手形狀變了，或者光線暗了一點，它就打不開了。”唐劍補充道。

這正是VLA模型和世界模型當下最真實的瓶頸。

在學術論文中，機器人往往是在固定的桌面上操作固定的物體；但在現(xiàn)實中，沒有兩片完全相同的樹葉，也沒有兩個完全相同的工廠環(huán)境。唐劍冷靜指出：“老實講，直到今年大家才覺得VLA進化到確實能用了。之前基本都停留在學術文章上。”

客觀來看，VLA模型在訓練時與特定的機器人本體綁定較強。換一個機器人形態(tài)，例如從人形機器人換成四足機器狗，甚至是換一種機器人本體構(gòu)型，模型就需要相應后訓練數(shù)據(jù)重新適配。

目前，北京人形的XR-1已經(jīng)能夠在7款機械臂上具備泛化能力，但這種泛化能力來之不易。北京人形采集了這七款機械臂的運動軌跡數(shù)據(jù)，并進行相應訓練才實現(xiàn)的。在實際部署到特定場景時，還需要選定最終的本體，并針對該場景采集幾十到上百條數(shù)據(jù)對模型進行微調(diào)，以確保其在該場景下達到最優(yōu)性能。

整體上看，VLA模型要具備泛化能力，整個過程相對繁瑣且不夠經(jīng)濟。

聊到最后，我們問了唐劍一個問題：“如果現(xiàn)在讓你寫一篇論文，你最想寫什么？”

唐劍沉思片刻回答，自己想去深度反思VLA架構(gòu)本身到底是不是具身操作的最優(yōu)解，去解決行業(yè)最底層的泛化難題。

這種對底層技術路徑的審視，也塑造了他對更宏大技術命題的獨特看法。

他不熱衷于爭論特定的架構(gòu)是否收斂，也不迷信某個模型是否已經(jīng)涌現(xiàn)智能，“我覺得有可能是殊途同歸，多種架構(gòu)最終都能實現(xiàn)智能涌現(xiàn)。”

相比之下，他更看重機器人在物理世界中的實際價值：“誰有本事做個機器人，讓它到千家萬戶都能開門，這就叫牛。”

在唐劍看來，真正的具身智能不能停留在論文指標，而應體現(xiàn)在每一扇能被穩(wěn)定打開的門上。

在2023年的冬天，唐劍就是這樣想的；而在2025年的冬天，雖然還有未完成的目標，但不同的是，他的身邊有了更多志同道合的人。

他們恰恰在踐行著北京人形作為“國家具身智能基建”的真正價值——不止于探索技術的上限，更要守住產(chǎn)業(yè)落地的底線，讓機器人在真實的物理世界里，穩(wěn)定、可靠地把事做成。

（封面圖及文中配圖來源：北京人形）