人形機(jī)器人面臨的問題與突破方向-沒有一個(gè)通用的完全端到端的大模型,四位一體的生態(tài)

三年前，人形機(jī)器人還處于陽春白雪的科研階段，這兩年發(fā)展迅猛。那么，人形機(jī)器人當(dāng)前面臨的問題是什么？突破的方向在哪里？未來的應(yīng)用在哪里？前不久，在上海2025人形機(jī)器人產(chǎn)業(yè)高質(zhì)量發(fā)展論壇上，地方共建人形機(jī)器人創(chuàng)新中心（簡(jiǎn)稱“國(guó)地中心”）席科學(xué)家江磊介紹了他的看法，并提出與產(chǎn)業(yè)鏈共同打造出四位一體生態(tài)的觀點(diǎn)。

01 產(chǎn)業(yè)發(fā)展的新動(dòng)向

人形機(jī)器人在各大證券市場(chǎng)已經(jīng)有了概念股，從2024年1月開始，還是平平淡淡的發(fā)展，為什么到了8月，整個(gè)二J市場(chǎng)被急速拉動(dòng)？

先，一定是人形機(jī)器人行業(yè)找到了一個(gè)技術(shù)突破、可發(fā)力的對(duì)象。

第二，政策方面，今年一開年，要設(shè)立相應(yīng)的重大項(xiàng)目，原因可能是我們想緩解勞動(dòng)力缺口，以及應(yīng)對(duì)未來人口老齡化的挑戰(zhàn)。

第三，從產(chǎn)品端看，人形機(jī)器人迎來了GPT時(shí)刻。此時(shí)尤其令我們自豪的是，在這個(gè)高科技領(lǐng)域的起步階段，我國(guó)登上了世界舞臺(tái)，已有一些有代表性的企業(yè)和樣機(jī)。

第四，從行業(yè)角度看，千行百業(yè)都在關(guān)注。據(jù)統(tǒng)計(jì)，現(xiàn)在已有100家左右的整機(jī)公司，預(yù)計(jì)到今年年底會(huì)有200多家，還有數(shù)千家的核心零部件廠家，這構(gòu)成了一個(gè)大生態(tài)。汽車行業(yè)、手機(jī)行業(yè)、制造行業(yè)、互聯(lián)網(wǎng)、國(guó)央企都在投入。一個(gè)共性原因是：在一個(gè)行業(yè)處于發(fā)展的高峰期或瓶頸期，內(nèi)卷就開始出現(xiàn)，因此這五大行業(yè)、企業(yè)都找到了發(fā)力點(diǎn)：人形機(jī)器人，認(rèn)為是破解行業(yè)規(guī)律性周期性難題的一個(gè)主要?jiǎng)右�。�?guó)外也是如此，今年年初，蘋果、三星、現(xiàn)代等開始設(shè)立人形機(jī)器人的硬件團(tuán)隊(duì)。今年阿里也在張江模力社區(qū)（注：“國(guó)地中心”搭建）設(shè)立了智能機(jī)器人的硬件團(tuán)隊(duì)。

在此，“通用化”會(huì)成為一個(gè)經(jīng)濟(jì)活動(dòng)的名詞。過去人們會(huì)把通用化做成技術(shù)，所以業(yè)界一直在爭(zhēng)論：是做專用機(jī)器人，還是做通用機(jī)器人？其實(shí)這種爭(zhēng)論沒有什么意義，因?yàn)榧夹g(shù)都是為場(chǎng)景服務(wù)的。所謂的場(chǎng)景驅(qū)動(dòng)就是有沒有市場(chǎng)，廠家的產(chǎn)品能不能找到市場(chǎng)、銷售出去。所以“通用化”更重要的是在一個(gè)新興市場(chǎng)，單品能否過10萬臺(tái)的門檻。今年人形機(jī)器人單品可能會(huì)過1萬臺(tái)的門檻，但更期待未來是百萬臺(tái)、百億臺(tái)的產(chǎn)業(yè)規(guī)模。目前10萬臺(tái)將是一個(gè)重要的門檻。另一個(gè)角度，如果做一個(gè)產(chǎn)品，單品要10萬臺(tái)，它可用在哪些場(chǎng)景呢？這值得我們?nèi)ド钊胨伎�，再�(gòu)摹巴ㄓ没�”來考慮產(chǎn)品定義和設(shè)計(jì)如何去做。

02 技術(shù)發(fā)展趨勢(shì)

有一個(gè)高價(jià)值飛輪的理論。三年前，人形機(jī)器人是個(gè)萬億元的潛在賽道，因此發(fā)布了政策來加速促進(jìn)人形機(jī)器人的發(fā)展，使其對(duì)于公眾來說不再陌生，不經(jīng)意間，在電視節(jié)目或某個(gè)商場(chǎng)的轉(zhuǎn)角就能看到人形機(jī)器人，它正在形成一個(gè)巨大的產(chǎn)品市場(chǎng)。因此，今年是完成高價(jià)值飛輪的重要一年。那么能否實(shí)現(xiàn)規(guī)模和量產(chǎn)？高價(jià)值飛輪的核心驅(qū)動(dòng)力還是來自于顛覆性的技術(shù)。

為什么2024年8月人形機(jī)器人的二J市場(chǎng)會(huì)被急速拉升？因?yàn)轭嵏残约夹g(shù)起到了決定性的作用。

工信部提出了兩大革命：“機(jī)器人+革命”與“人工智能+革命”，它們對(duì)應(yīng)的都是新質(zhì)生產(chǎn)力�！皺C(jī)器人+”是新質(zhì)硬件生產(chǎn)力，“人工智能+”是新質(zhì)軟件生產(chǎn)力�？梢�，新質(zhì)生產(chǎn)力是軟硬一體化的典型代表。在這樣的一個(gè)產(chǎn)業(yè)、技術(shù)、行業(yè)、規(guī)模、政策里，其中的線索一定是技術(shù)驅(qū)動(dòng)了這次技術(shù)革命。

先，其背后的邏輯，以π0團(tuán)隊(duì)為代表，去年8月Physical Intelligence次發(fā)布了通用人形機(jī)器人的視覺-語言-動(dòng)作模型（VLA）�，F(xiàn)在VLA已經(jīng)成為一個(gè)事實(shí)標(biāo)準(zhǔn)。如果回到去年8月之前，相信90%的專家會(huì)認(rèn)為機(jī)器人的操作還不屬于預(yù)訓(xùn)練（注：語言/ChatGPT是大模型，是預(yù)訓(xùn)練），我們雙手的操作不是預(yù)訓(xùn)練，但是，從8月開始，π0團(tuán)隊(duì)發(fā)現(xiàn)它也是一個(gè)大規(guī)模預(yù)訓(xùn)練架構(gòu)。大算力大模型也是大力出奇跡的一個(gè)行業(yè)，并被證明這種方式是可以的。

實(shí)際上，不僅π0發(fā)現(xiàn)，國(guó)內(nèi)外同時(shí)十二個(gè)團(tuán)隊(duì)用10萬的數(shù)據(jù)集、30萬的數(shù)據(jù)集、現(xiàn)在用80萬的數(shù)據(jù)集激勵(lì)了以后，整個(gè)任務(wù)達(dá)成率也是直線上升。

我們堅(jiān)信規(guī)模法則與后訓(xùn)練將會(huì)促進(jìn)這一次人形機(jī)器人Z終的一個(gè)閉環(huán)。

當(dāng)然還有一部分—智駕，例如，特斯拉的FSD V12幫助印證，現(xiàn)在也轉(zhuǎn)向VLA。而之前做汽車的人是做端側(cè)，發(fā)現(xiàn)VLA也很好用。

人們?nèi)绻�了解VLA的誕生，其完全不是為汽車設(shè)計(jì)的，是為谷歌的一款類人形機(jī)器人的構(gòu)型設(shè)計(jì)，結(jié)果沒想到VLA也撐起了智駕的半邊天。

當(dāng)然，還是要回到人形機(jī)器人，僅有VLA夠不夠？

去年Figure聯(lián)合OpenAI造出了Figure 01，可以看到大模型是在人形機(jī)器人的Z上層，是采用大腦、小腦+肢體的分層類人架構(gòu)來實(shí)現(xiàn)的。去年我國(guó)在“世界人工智能大會(huì)（WAIC）”上也推出了我國(guó)自己的大腦、小腦、驅(qū)動(dòng)架構(gòu)，今年正進(jìn)一步完善。

人形機(jī)器人有沒有一個(gè)通用的完全端到端的大模型？現(xiàn)在VLA解決了上層的，下層有一個(gè)控制模型是屬于分層架構(gòu)，但能不能用一個(gè)分層實(shí)現(xiàn)完全端到端？有一篇論文支持了這樣的觀點(diǎn)。因此，三年前，語言進(jìn)入了大模型(例如ChatGPT)，去年雙手操作進(jìn)入大模型（例如VLA），現(xiàn)在的問題是：下肢行走以及全身運(yùn)動(dòng)是不是一個(gè)大模型？堅(jiān)信將來會(huì)有一個(gè)大模型，能夠讓人形機(jī)器人、四足機(jī)器人以及汽車來實(shí)現(xiàn)統(tǒng)一的駕駛。

人形機(jī)器人行業(yè)目前有四類：

汽車智駕的具身模型；

機(jī)器人上肢操作/VLA；

人形分層策略；

芯片/GPU。

整個(gè)具身智能產(chǎn)業(yè)正在爆發(fā)，所有路徑都需要大數(shù)據(jù)，所以在去年“國(guó)地中心”組建了訓(xùn)練場(chǎng)來推動(dòng)這件事。

“國(guó)地中心”的麒麟具身智能訓(xùn)練場(chǎng)有五項(xiàng)功能，除了收集數(shù)據(jù)，訓(xùn)練場(chǎng)的另外一個(gè)作用是對(duì)現(xiàn)在的大模型進(jìn)行檢測(cè)與評(píng)定，提出大模型的benchmark，例如，做一個(gè)什么樣的大模型更適合人形機(jī)器人？現(xiàn)在需要一個(gè)行業(yè)的基準(zhǔn)線。

03 量產(chǎn)與應(yīng)用的思考、展望

目前人形機(jī)器人在跑得快、拿得準(zhǔn)、訓(xùn)得好、通用化方面都有代表性公司。Z近業(yè)界在爭(zhēng)論：是不是機(jī)器人都需要走跑跳？是不是應(yīng)該進(jìn)廠打工？實(shí)際上，目前有四類人在研究，跑得快的人不做抓取，做抓取的不做跑得快，做訓(xùn)練的人大多數(shù)都是人工智能的人，做“通用化”的人是做基礎(chǔ)設(shè)施的。高動(dòng)態(tài)的硬件平臺(tái)、準(zhǔn)確抓取的具身智能、訓(xùn)練的實(shí)訓(xùn)場(chǎng)、通用泛化的數(shù)據(jù)集—這四件事，哪怕有一件事做不好，人形機(jī)器人的軟硬件的終極難題就落不了地，所以我們需要要發(fā)展生態(tài)。

回到發(fā)展的起點(diǎn)：人形機(jī)器人未來一定是進(jìn)廠打工以及為我們養(yǎng)老。例如養(yǎng)老，還有八

項(xiàng)卡脖子技術(shù)沒有打通。人們面對(duì)未來的通用化，一定不是針對(duì)八個(gè)問題建立八個(gè)模型，甚至建立幾百個(gè)模型來解決，人們希望構(gòu)造一個(gè)完全端到端的模型，來同時(shí)解決八項(xiàng)卡脖子技術(shù)，這樣才能實(shí)現(xiàn)Z終通用化的夢(mèng)想。

江磊老師有個(gè)激進(jìn)的預(yù)測(cè)：做硬件平臺(tái)的得去做小的機(jī)器人，這樣迭代的速度更快。做具身智能現(xiàn)在很火，但是千萬不要只做操作，行走大模型已成為今年國(guó)際競(jìng)爭(zhēng)的熱點(diǎn)�！皣�(guó)地中心”等做實(shí)訓(xùn)場(chǎng)的人一定要去做自己的世界模型，以及做數(shù)據(jù)集的人要用開源的方式來完成整個(gè)生態(tài)的構(gòu)建。

人形機(jī)器人從當(dāng)前的角度來看，四位一體的生態(tài)還沒有完全建立�！皣�(guó)地中心”希望跟業(yè)界共同打造出我國(guó)的四位一體生態(tài)。

今年人形機(jī)器人是可以量產(chǎn)的，但真正的大規(guī)模的應(yīng)用還沒到來。我們加速建立四位一體的生態(tài)，才能加速人形機(jī)器人產(chǎn)業(yè)的到來。