|
五家顶流具身智能公司探讨商业化落地议题。此外还包括，人形机器人和表演的必要性，以及如何通过VLA提升多模态。
|
文｜富充
编辑｜苏建勋
2025年6月6日，北京智源大会，“具身智能”五大顶流公司——PhysicalIntellgence、宇树科技、银河通用、穹彻智能、北京人形机器人创新中心难得坐在一起。他们在不到40分钟的对谈里，几乎回应了当下机器人圈子的所有热点话题。
比如宇树科技创始人王兴兴就谈到了频繁上热搜的“机器人马拉松”，他认为不管是跑步、跳舞、端茶洗衣，都是具身智能能力版图中的一部分：
“具身智能的终极愿望是替代人类从事辛苦劳动，在它实现之前，我们希望能通过赛事和表演展示、普及已经达到的技术成果，这也可以带来一定的商业化。”王兴兴说。
银河通用创始人兼CTO王鹤则提出一个更具体的落地判断：具身智能的第一次高潮，可能是在凭VLA（视觉-语言-动作，Vision-Language-Action）模型做好“移动、抓取、放置”动作的机器人身上。
王鹤透露，银河通用已经在北京开出7家应用该技术的无人药店，24小时不间断捡药、对接骑手，年底计划扩张到100家。
而“关于机器人是否要做人形”的争议上，北京人形机器人创新中心总经理熊友军则更倾向站在人形阵营一侧。
在熊友军看来，从数据采集、人机交互到适应人类的工具、环境，人形都更具优势。“现在人形机器人的成本、技术不占优势，但是放在更长的时间范畴来看的话，我觉得会是很好的载体。”
此次会客厅由智源研究院院长王仲远主持。5位嘉宾分别为：Physical Intelligence联合创始人兼CEO Karol Hausman，宇树科技CEO王兴兴，银河通用创始人兼CTO、北京大学助理教授、智源具身智能研究中心主任王鹤，穹彻智能联合创始人、上海交通大学教授卢策吾，北京人形机器人创新中心总经理熊友军。
会客厅现场座无虚席。对话的第一个环节，是各家公司将自研机器人带入现场进行展示。刚获得《CMG世界机器人大赛·系列赛》机甲格斗擂台“AI策算师”冠军的宇树G1机器人现场表演“组合拳”，G1一上场，就收获不少观众起立拍照。
随后登台的是来自天工机器人的2.0版本。今年4月，天工1.0在全球首场人形机器人半程马拉松中夺冠，被证明是一台“能跑的机器人”；此次升级后的版本，主要增强了上肢的自由度、负重能力与灵巧性，在现场完成了“水果摆盘”的精细化服务演示。
银河通用的机器人Galbot展示了其在商业货架零售场景中的最新应用。去年智源大会上，该团队展示了机器人从货架上拿取盒装物体的能力；而今年，通过引入端到端的VLA技术，Galbot已经能够识别并抓取袋装薯片、桶装果冻等多种形态的商品，展现出更高的泛化能力。
这些现场演示展现了人形机器人当下的发展状况，也呼应了嘉宾们对具身智能的判断与预期：人形机器人因在数据采集、人机交互和环境适应方面的优势，将是具身智能的重要载体；未来随着AGI（通用人工智能）的发展，具身形态还将更为多样化。
而关于VLA模型的泛化能力，尽管当下仍面临机器人所处环境复杂等挑战，但通过合成数据、多场景训练等手段，其适应性与应用场景数量正在逐步提升。
以下为会客厅实录，经《智能涌现》整理编辑：
王仲远：大家知道今年具身智能比较破圈，主要原因是进行各种各样机器人的赛事。今年8月份，在北京市还将举办一场世界人形机器人运动会。
我想听听各位朋友对于运动会以及这种赛事活动的看法，它们是技术的验证场？还是“秀肌肉”的表演？
王兴兴：我们过去无论是在春晚上的机器人表演还是格斗比赛，其实是希望给大家真正展示一下目前全球的机器人技术发展情况，并且带动整个机器人行业的发展。
现在机器人还不能直接去家里干活，这也是现在全球范围内行业都面临的问题。
我们希望实现的终极目标是，希望人工智能可以替代人类从事辛苦的工作。在实现真正能干活的终极愿望之前，对于已经达到的技术成果，我们也是希望能通过赛事和表演进行展示和普及，以及实现一定商业化的作用。
我们的理念是具身机器人应该可以做各种动作，无论是跳舞、格斗，还是家里的端茶倒水、洗衣做饭，都是全身动作的一部分。
熊友军：这类赛事一方面是一个普罗大众能参与的盛会，让大家通过喜闻乐见的方式对机器人发展了解。另一方面，它也是很好的机器人训练场，毕竟它不同于实验室，而是生活中的场景，毕竟我们最终希望机器人走入真实的生产生活。
第三点，就是提供了客户了解机器人的桥梁，我想它也会加速机器人的产业化和在真实场景里做试点的应用。
王仲远：机器人通过比赛可以不断展示它的极限能力，我们更希望机器人可以进到工厂和家庭，帮我们解决一些实际的问题。想听听你们关于比赛和落地之间的看法？
王鹤：我觉得具身智能当下的目标，就是一定要推动产业化。
不仅是炫酷的技能，而是我们一定要保证机器人在一个新的环境中，在接触一个新的物品时，在需要成功率接近百分之百的情况下，能够不断的成功。
这也是银河通用、智源团队在做这件事情的思考，就是先把一些重要的技能打通。在这里主要指移动、抓取、放置。我们可以看到一些任务是由以上行为组合而成的，而我们关注的是超市、工厂、外卖前置仓等场景的一般性货架。
如果机器人可以在这些地方进行24小时服务，这就构成了具身智能真正走向产业化、服务人民创造生产力的开始。
更好消息是，今天我们通用的机器人已经在北京开了七家无人药店，24小时由人形机器人在里面捡药对接骑手。今年年底之前，我们计划在北京、上海开设100家这样的药店。
这样，我们希望用赛事去引领，配合上述有实际操作价值的技能，可以把具身智能的生态给转起来。
卢策吾：我同意王老师看法，赛事这个形式很好，可以看到机器人的性能，这是很好的起点。
类似刮激凌球这种对物理世界高持续性接触，已经被利用到各种实体生态加工等场景。如果后面能举办技能比赛的话，可以实现机器人在劳动方面的更多展示。
王仲远：接下来聊些技术。清华计算机系张钹院士此前指出，人形机器人不是具身智能和AGI的最佳落地。走向通用机器人，硬件要多样化，软件要通用性。
你们如何看待这个说法？
王兴兴：其实对我们公司来说，并不坚持要做人形机器人，我们也做过机器狗产品。我也相信到了AGI时代，各种各样的机器人形态会比现在多非常非常多倍。
但为什么现在大量具身智能的公司在做人形机器人，是因为现在很多数据采集是基于人的动作。所以机器人和人、人的上半身动作保持一致，就会方便数据采集。同时，包括跳舞等动作，如果做成其他样子会很难完成。
熊友军：人工智能不一定要局限于人形，但人形是一个比较好的载体。
我主要从未来市场状况角度考虑的，从市场应用层面，未来基数最大的应该是家庭等场景，现在工厂场景只是一个开胃小菜。这样来看，人形机器人使用量可能更大，因为它更像家庭伙伴、朋友，更容易被人接受。
从人机交互的角度来看，人形机器人可以更方便地使用人类的工具，更适应人类环境。我们不需要太多改造自己的场景。
虽然现在人形机器人的成本、技术不占优势，但是放在更长的时间范畴来看的话，我觉得人形机器人会是一个很好的载体。
王仲远：真正要让机器人有用，模型非常关键。今天上午的开幕式的主旨演讲和各位嘉宾的讨论都谈到了VLA视觉语言行动模型。王鹤老师也绍了，在无人驾驶领域VLA已经成为了很主流的解决方案。
但毕竟无人驾驶的操作空间是相对有限，机器人面临的环境和实际的行动数量非常多，大家对于VLA的泛化性怎么看？
卢策吾：V是看见世界，L是理解世界，A是改变世界，我觉得这是集合了机器人几件要干的事情。L很妙，语言是一个黏合剂，各种高层的语义都能把数据联结在一起。
但VLA目前存在的问题是，如果想做到通用的话，它的空间是很大的。它不像无人车，无人车有两个决策维度，而且不用碰撞，不用接触，场景也相对固定，所以整个空间会比较小。正因通用的空间很大，就要压缩它的不确定性。
相当于VLA是一个火锅底料，现在还只是清汤寡水，只能服务一部分人，要服务更多人，需要不停往里面加东西。
加东西本质是增加更多额外信息，使得这个事情更加的Powerful，而且能够兼容这个框架里加更多的信息，在端到端的模型里压缩它的空间。
我们可以做的事情，就是对于物理世界的理解，其实视觉是在偷偷理解整个世界。如果我们能够更好地理解这个世界，或许能够进一步压缩空间。
在我们下个月发布的第二版大脑里加了很多东西，比如进一步压缩空间的话，会有一个数字基因的东西，因为仿真合成很重要，产生数据资产很关键，各种操作仿真数据产生很好的数据模型，力反馈其实又带来新的模型，其实一步一步再压缩，会使得数据量需求大大下降。
要找到好的模态、压缩空间，需要找到更聪明的理解世界的方式，将VLA一步一步推进到通用的拐点。
王鹤：自动驾驶验证了一件事情，就是端到端的方案有更好的扩展性，它可以真正驱动模型，而不是靠无穷不尽地制定规则。自动驾驶这条路走了很多年，但现在能铺开的自动驾驶汽车不是通过模块化技术，而是端到端。
对VLA来说，视觉观测是最主要的信息来源，那么模型在端到端输出动作的时候，不经过中间产物。这样，端到端能够真正充分吸收数据背后的知识，让它发挥出最大的性能，而不受制于模块化方案中间阶段的错误、误差以及各种规则构成问题。
VLA应该说是具身的年度热点，但它到底要突破什么，我想是有不同观点的。有些人认为VLA应该把人类能做的一切事情在里面都快速的做进去，然后形成一个基座模型。
从这个角度上讲，我觉得是有点太着急了，因为我们人类除视觉的输入之外，我们还有味觉、触觉、嗅觉、听觉以及对温度的感知。所以VLA只能是一个起点，如果想达到人类级别的具身智能，那还需要不断融入新模态。
那VLA现在最适合干什么呢？我认为是移动、抓取、放置。这几个技能主要依赖视觉为主，末端加入数学或者力学传感器，就能在工业、商业有非常广泛的应用。我们先把这样的VLA先做好，在各种环境部署进去，就有可能见证具身智能第一次真正高潮的到来。
王仲远：Karol Hausman，对你来说跨本体的VLA现在在实践过程中有什么样的瓶颈是绕不过去的，抑或我们等待就是时间和数据的规模呢？
Karol Hausman：最大的瓶颈是现在的模型有一些完成结果并不是我们需要的，我想应该有一些算法的提升，这是必需的。因为现在数据是海量、无尽的，要使用现在的算法来运用这些无尽的数据，所以我们的算法需要提升和改善，并且也需要新的技术。这些是我们现在正在做的，也是我们正在解决的。
现在π5的出现已经能够更好地处理，并且能够更好地获取数据。所以我认为现在更多还是算法的问题，并非数据的问题。
封面来源｜企业官方
（文：智能涌现）