商湯科技王曉剛：具身智能需要從“以機器為中心”轉向“以人為中心”的研發(fā)

12月18日，大曉機器人正式發(fā)布行業(yè)首創(chuàng)的ACE具身研發(fā)范式、首個開源且商業(yè)應用的開悟世界模型3.0（Kairos 3.0）、讓具身本體擁有自主空間智能的具身超級大腦模組A1。

01

具身智能：從“以機器為中心”轉向“以人為中心”的研發(fā)

商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事、大曉機器人董事長王曉剛表示，“以人為中心（Human-centric）”的ACE范式根本性地革新了具身智能研發(fā)路徑，并且開悟世界模型3.0為機器人裝上“超級大腦”。

“以機器為中心”的研發(fā)范式，其根本局限在于將機器人本體及其硬件參數(shù)置于研發(fā)流程的核心，本質上是用極高的資源消耗，換取有限且僵化的“智能”。

ACE研發(fā)范式顛覆傳統(tǒng)邏輯，將人類與物理世界的互動規(guī)律作為核心研究起點，以環(huán)境式數(shù)據(jù)采集為引擎，構建了一套從“環(huán)境式數(shù)據(jù)采集—開悟世界模型3.0—具身交互”的全鏈路技術體系。環(huán)境式數(shù)據(jù)采集可實現(xiàn)一年千萬小時的數(shù)據(jù)收集，開悟世界模型3.0則不斷放大真實數(shù)據(jù)價值，使其達到上億小時數(shù)據(jù)規(guī)模的效果。

王曉剛說：“世界模型的數(shù)據(jù)采集分為幾個層次，不是一上來就采用人的行為數(shù)據(jù)，而是在底層注入了很多物理規(guī)律。模型里有思維鏈。當讓機器人擺放字母時，如果沒有理解物理規(guī)律，它們是擺放不了的，這也是以往VLA（視覺語言對齊）訓練方法的短板。”

ACE范式核心技術之一是環(huán)境式數(shù)據(jù)采集技術，通過跨視角多模態(tài)設備，融合視覺、觸覺、語音、力學規(guī)律等多維度數(shù)據(jù)，以物理級建模與全場景覆蓋的創(chuàng)新設計，為具身智能模型訓練提供“人—物—場”全要素精準數(shù)據(jù)支撐。

環(huán)境式數(shù)據(jù)采集技術以人為中心構建全要素采集體系，整合第一視角與第三視角視頻、力觸覺信息、運動軌跡、語音等多模態(tài)數(shù)據(jù)，構建基于物理基礎的3D資產(chǎn)庫，全面覆蓋具身模型訓練所需的各類交互信息，實現(xiàn)了多視角協(xié)同、長程任務覆蓋與全維度信息捕捉的跨越式升級。

王曉剛表示：“相較于遙操數(shù)據(jù)采集或仿真數(shù)據(jù)，環(huán)境式數(shù)據(jù)采集的成本顯著降低。”在硬件成本方面，遙操模式需購置幾十萬臺機器人設備，而環(huán)境式采集采用AI眼鏡等現(xiàn)有傳感器，無須額外投入高價機器人；且隨著規(guī)模化應用推進，傳感器成本會進一步下降，原因在于當前機器人尚未形成規(guī)模化，成本難以降低。在人力成本方面，遙操采集需專門雇傭人員在實驗室操作，環(huán)境式采集則可在正常工作、生活場景中開展，工作人員佩戴設備即可一邊完成本職工作一邊采集數(shù)據(jù)，無須額外投入人力，效率實現(xiàn)數(shù)倍提升。

這種低成本模式具備極強的可復制性，例如在閃購倉場景中，工作人員正常工作即可同步采集數(shù)據(jù)，這也是數(shù)據(jù)規(guī)模能從10萬小時快速提升兩個數(shù)量級至1000萬小時的關鍵原因，類比特斯拉通過量產(chǎn)車輛，讓司機邊開車邊反饋數(shù)據(jù)，無須專門組建采集車隊，就能實現(xiàn)大規(guī)模數(shù)據(jù)積累。

環(huán)境式采集的數(shù)據(jù)質量核心優(yōu)勢在于“真實性與場景完整性”——數(shù)據(jù)源于真實工作生活場景，能完整還原實際操作中的各類細節(jié)與變量，避免了仿真數(shù)據(jù)的理想化偏差和遙操數(shù)據(jù)的場景局限性。盡管未給出具體百分比提升，但從應用價值來看，真實場景數(shù)據(jù)更能反映實際需求，為模型訓練提供更精準、更可靠的支撐，其質量優(yōu)勢遠非人工設計的仿真數(shù)據(jù)或局限于實驗室的遙操數(shù)據(jù)可比。

02

開悟世界模型3.0的開源策略

作為首個“多模態(tài)理解—生成—預測”的世界模型，開悟世界模型3.0通過視覺、3D軌跡、觸覺、摩擦力等多維度信息輸入，深度理解真實世界的物理規(guī)律與人類行為的底層邏輯，讓模型能形成“知其然，知其所以然”的思維鏈。

基于多模態(tài)信息的深度融合，模型可生成長時動態(tài)交互場景視頻，在場景內(nèi)實現(xiàn)各元素精準可控；并具備跨本體一鍵生成、多本體泛化、預測萬千演化路徑等特性，為具身智能提供高保真、可泛化的虛擬訓練環(huán)境。

基于上述優(yōu)勢，大曉機器人打造了開悟具身智能世界模型產(chǎn)品平臺，并于12月18日正式發(fā)布。開悟具身智能世界模型產(chǎn)品平臺集成“文生世界、像驅世界、跡塑世界”等多模態(tài)生成能力，內(nèi)置支持11大類、54細類，累計328個標簽，覆蓋115個垂類具身場景，開發(fā)者只需輸入簡單指令，就能快速生成可視化的任務模擬內(nèi)容，并可一鍵分享，大幅降低具身智能的開發(fā)門檻。

王曉剛介紹，世界模型3.0實行“云服務產(chǎn)品+開源生態(tài)”雙軌模式。在云服務平臺上，用戶可通過網(wǎng)頁訪問，創(chuàng)作、分享視頻、機械臂參數(shù)等各類機器人相關數(shù)據(jù)，形成“創(chuàng)作—共享”的生態(tài)閉環(huán)。平臺通過提供算力、存儲等服務實現(xiàn)商業(yè)化變現(xiàn)，憑借成熟的產(chǎn)品化設計，吸引有數(shù)據(jù)創(chuàng)作、共享需求的用戶付費使用。

開源則是通過生態(tài)共建反哺商業(yè)化。通過降低適配門檻，方便開發(fā)者進行軟硬件適配，助力技術快速普及，同時收集更多用戶反饋，推動模型快速迭代。當前國產(chǎn)化芯片成為主流趨勢，開源模型能吸引芯片廠商適配，模型影響力越大，對芯片公司的價值越高，進而形成“模型—芯片”的協(xié)同生態(tài)，提升自身行業(yè)話語權；開源還能吸引更多用戶參與數(shù)據(jù)創(chuàng)作，用戶上傳的初始照片、任務指令等數(shù)據(jù)，為世界模型提供豐富的場景素材，解決數(shù)據(jù)“無中生有”的問題，進一步強化模型核心競爭力。

這種模式既通過云服務實現(xiàn)短期商業(yè)化收益，又借助開源構建長期生態(tài)壁壘，實現(xiàn)了商業(yè)價值與技術影響力的雙贏。

開源的重要性對芯片公司同樣重要。王曉剛提到，大曉機器人跟不同芯片公司合作時，因為各公司的頂層架構軟件都不一樣，形成了很大壁壘。“如果大家能夠基于開源的影響力，一起開發(fā)、聯(lián)合優(yōu)化，效率會大大提升，壁壘會降低很多。”

03

機器人產(chǎn)業(yè)發(fā)展尚在早期，有期待但要依規(guī)律而行

王曉剛坦言，目前機器人的開發(fā)處于行業(yè)發(fā)展初期，雖然產(chǎn)品形態(tài)相對明確，但市場規(guī)模仍較為有限，有在企業(yè)展廳做展示的，也有做研發(fā)的平臺，在起步階段，主要是起到普及作用，讓公眾了解機器人什么能做、什么不能做。“這與人工智能發(fā)展早期是一樣的。新技術推出的第一步是做POC，先拿著玩一玩，再量產(chǎn)，一旦價值被驗證后就可以實現(xiàn)規(guī)模化。目前還處于用戶體驗與價值驗證的初期環(huán)節(jié)。”

在對行業(yè)現(xiàn)有機器人的拆解中，大曉機器人團隊發(fā)現(xiàn)，硬件本身存在很多缺陷。比如傳感器的視野范圍狹窄，機器狗加載現(xiàn)有的傳感器，能夠看到的范圍非常窄，過馬路時不知道選擇哪一條，也看不到紅綠燈。機器狗也有跟隨的功能，視野范圍現(xiàn)在都是120°，如果超出這個范圍，機器狗就無法跟隨。大曉機器人做的是360°的UWB信號，主人往任何地方走，它都能跟上，所以硬件首先要滿足場景功能上的需求，擁有空間自主能力。

從大眾的期待來看，人們一直在期待通用型的機器人。王曉剛說：“這是漸進的過程，一個機器人能把不同領域的事情做好目前不太可能，但是在一個領域里盡可能地通用化就很了不起，能夠產(chǎn)生巨大的價值。”機器人可以在底層共享知識，比如對世界的理解、思維鏈等，世界模型的能力可以讓每個垂直領域的機器人都受益。工業(yè)機器人基于物理模型以及多年的規(guī)則積累和特定任務，可靠性高，但是通用性差一些，在一些柔性產(chǎn)線，需要機器人具備一定通用化的能力，這就是今天機器人發(fā)展的機會所在。

目前，大曉機器人的方案還會持續(xù)迭代，不斷降低成本。王曉剛說，目前還要尋找更便宜的國產(chǎn)化芯片，降低功耗，“軟硬一體的設計要跟場景緊密結合。”

04

四大關鍵要素決定機器人產(chǎn)業(yè)大規(guī)模應用時間

貝恩公司在《全球人形機器人產(chǎn)業(yè)趨勢洞察》中，將人形機器人功能的核心模塊分為以下幾部分：跟大腦決策相關的智能模塊，跟人類五官相關的感知模塊，跟物理世界外部環(huán)境交互、期望能夠實現(xiàn)高精度模擬人類動作的操控模塊以及電池動力模塊。

貝恩公司董事經(jīng)理趙天辰認為：“從技術角度，以達到人類平均水平為目標，人形機器人在智能和感知模塊還需要大概3年的時間。操控和電池模塊，需要5—10年的時間。”

在智能模塊中，利用通用人工智能大模型的機器人，基礎推理能力已經(jīng)超過人類水平，但實際場景結合任務要求和外部場景感知，實現(xiàn)低錯誤率和自主決策還是低于人類水平。在感知模塊，動態(tài)識別延遲以及跟人類物理場景互動及時性，距離人類還有差距。在操控模塊，人形機器人在關節(jié)自由度和靈活度已經(jīng)接近和超過人類水平，但在實際運動過程中，運動穩(wěn)定性、任務執(zhí)行過程中低錯誤率遠遠低于人類水平。在電池動力模塊，主流的全球頭部人形機器人單塊電池使用時間，還遠遠沒有達到期望的8小時甚至更高水平，未來在能量密度提升或換電技術上有望進一步突破。

人形機器人下一步大規(guī)模部署會發(fā)生在什么時間，什么行業(yè)？貝恩公司大中華區(qū)高科技業(yè)務主席成鑫說，取決于四個關鍵方面。

第一，投資產(chǎn)出。現(xiàn)在機器人成本較高，全球領先的型號制作成本至少在5萬美元以上，還沒有算日常維護、運營的成本，這個成本顯然是沒有競爭力的，不管放在什么環(huán)境之下。所以首先看整體研發(fā)制造的成本在何時能達到合理水平。

第二，技術成熟度。在智能、感知、操作、動力等方面，還要突破一些技術。成鑫認為，目前沒有無法逾越的技術障礙，更多是時間問題。“解決這些問題都有成本，比如操控部分，靈巧手的自由度方向有25—30個，但現(xiàn)在機器人能做到5個7個就不錯了，說明它能做的范圍還是比較有限，以此類推在智能感知領域、動力領域都有很多問題。”

第三，需求迫切性。有些行業(yè)并不一定非得要用機器人，主要還是在勞動力比較短缺、任務比較危險的領域。這樣的行業(yè)到底有多少是一個比較大的問題。現(xiàn)在很多行業(yè)業(yè)務模式也在變，未來5—10年是否像現(xiàn)在一樣還未可知。

第四，風險承受力。成鑫說：“企業(yè)能否接受機器人，還存在安全、隱私和數(shù)據(jù)問題，以及人類的自然心理問題。在護理、養(yǎng)老場景，如果護工變成機器人，大家心理上能夠接受嗎？”

上述要件都決定了機器人能不能，以及在什么時候、哪些領域進行普及。成鑫建議，看機器人產(chǎn)業(yè)發(fā)展時，可以圍繞上述四個方面去觀察。