中國機器人，夢想是當打工仔

　　來源 | 伯虎財經(jīng)(bohuFN)

　　作者 | 楷楷

　　去年 4 月，人形機器人第一次和人類站在同一條賽道上跑馬拉松;今年 4 月，機器人已經(jīng)跑得比人類還快。

　　不過，爭議聲也隨之而來：機器人跑那么快有什么用;機器人什么時候才能干實事?但這一次，機器人企業(yè)給出了更務(wù)實的答案——想要干活，先去實習。

　　近日，智元機器人宣布新款 A3 人形機器人將通過“擎天租”平臺交付，批量上崗景區(qū);自變量機器人宣布與 58 同城合作提供到家服務(wù)，機器人將進入真實家庭，與保潔阿姨協(xié)同作業(yè)。

　　具身智能迎來了一波密集的商業(yè)化動作，行業(yè)敘事也在悄然轉(zhuǎn)向。

　　過去兩年，登上春晚、參加比賽是機器人展示拳腳的最佳舞臺;但如今，深入工廠、走進家門，在真實場景中解決實際問題，才是對機器人的真正考驗。

　　01“大腦”還沒長好

　　早在一個月前，自變量跟 58 同城合作，推出全球首個機器人保潔員，與保潔阿姨協(xié)同為用戶提供家庭清潔服務(wù)。

　　在社交媒體上，有不少用戶進行了“嘗鮮”，但整體評價依然是“機器人不如人”。

　　有用戶稱，機器人動作比較笨拙，雖然能做晾衣服、收納之類比較復雜的家務(wù)，但疊一件衣服就要接近 10 分鐘;機器人的活動范圍有限，有臺階、有門檻都進不去。

　　但這種“不足”并非一家機器人企業(yè)面臨的難題，而是整個行業(yè)的共同挑戰(zhàn)。

　　自變量 CEO 王潛在近日表示，“今天在全世界范圍內(nèi)，沒有任何一臺機器人可以在沒有遙控操作的情況下，獨立完成大部分的日常家務(wù)。”

　　宇樹科技創(chuàng)始人王興興也提過類似觀點，他表示機器人在預設(shè)場景任務(wù)中，成功率趨近 100%，一旦場景變化或出現(xiàn)從未見過的事件，成功率會斷崖式下跌，機器人做家務(wù)還要 3-5 年。

　　這也是當下具身智能行業(yè)最大的瓶頸——機器人無法理解真實世界的物理邏輯。

　　業(yè)內(nèi)有個形象的比喻，機器人雖然“小腦”發(fā)達，但“大腦”還在發(fā)育。“小腦”指的是機器人的運動控制能力，能做武術(shù)、舞蹈等復雜動作;“大腦”則是認知、決策能力，是“能干事”的基礎(chǔ)。

　　因此，讓機器人真正擁有一顆會思考的“大腦”，是當下整個機器人行業(yè)都在努力的事情，目前來看，主要分成了三條技術(shù)路線：

　　VLA 端到端是當下的主流，也是最成熟的路線，主要通過融合視覺等多模態(tài)感知信號與語言指令直接生成機器人動作。

　　簡單來說，就是機器人聽命令，然后直接做事情，比如用戶說“我餓了”，機器人就會找到食物并遞給你，只要機器人見過類似物體，它就能執(zhí)行指令。

　　但弊端也很明顯，那就是隨著任務(wù)的復雜程度增加，出現(xiàn)機器人沒有訓練過的復雜場景和行動軌跡，它就很容易出現(xiàn)“邏輯死機”。

　　而且，行業(yè)中常用的 VLA 架構(gòu)，基本上是將視覺、語言、動作三個模塊各自獨立運行，數(shù)據(jù)每經(jīng)過一次模塊邊界就會發(fā)生信息損耗和延遲，涉及精細動作，“大腦”容易跟不上“小腦”。

　　世界模型路線則被認為是最接近人類思考模式的路線，它的核心是能理解物理世界的運轉(zhuǎn)規(guī)律，從而預測下一刻會發(fā)生什么。

　　比如一只杯子從桌子上掉下來，物理模型能基于對運動、重力等方面的認知，估算出杯子掉落的基本方向，基于這個理解，機器人就可以扶穩(wěn)杯子，或者避開杯子。

　　但世界模型也面臨著更巨大的成本挑戰(zhàn)，包括數(shù)據(jù)需求、訓練成本等，英偉達的 Cosmos 世界基礎(chǔ)模型，便經(jīng)過了 9000 萬億個 Token 的訓練。

　　大小腦分層是更具國內(nèi)特色的路線，LLM 大模型作為“大腦”，負責理解任務(wù);VLA/動作模型作為“小腦”，負責精細控制。

　　但將大小腦拆分開來，容易導致任務(wù)出現(xiàn)延誤，難以實現(xiàn)高精度操作。況且，模塊越多，成本也會越高。

　　不過，由于國內(nèi)大部分機器人企業(yè)在“小腦”環(huán)節(jié)都有一定積累，采用大小腦分層路線，先立住長板，再集中資源補短板，顯然比從零造一個“大腦”更務(wù)實。

　　02 邊“干活”，邊“補腦”

　　總的來說，每一條技術(shù)路線都各有優(yōu)劣，難言誰才是最終路徑。

　　況且，各個機器人企業(yè)雖然都有押注的主流技術(shù)路線，但也并非只有一條路線走到底，深度融合才是大勢所趨。

　　比如 VLA 端到端和世界模型的融合。智元 Genie 業(yè)務(wù)部生態(tài)及解決方案總監(jiān)沈詠劍曾在采訪中表示，世界模型與 VLA 并不一定是替代關(guān)系，也有可能有融合或合作的狀態(tài)。

　　今年以來，智元推出了世界模型迭代版本 GE-Sim 2.0、新一代 VLA 基座大模型 Genie Operator-2，以及第二代一體化具身大小腦系統(tǒng) GenieReasoner。

　　智元在傳統(tǒng)世界模型僅建模“狀態(tài)”的基礎(chǔ)上，提出了世界動作模型的方向，將“狀態(tài) - 動作 - 狀態(tài)演化”作為統(tǒng)一建模對象，并未只圍繞單一路線推進具身模型。

　　自變量則推出了世界統(tǒng)一模型架構(gòu)的具身智能基礎(chǔ)模型，將大小腦塞進同一個模型，能更有效消除模塊間的信息損耗與延遲，提升機器人在真實物理環(huán)境中的泛化能力與交互效率。

　　其具身智能基礎(chǔ)模型 WALL-B 的特點就是“干中學”，讓機器人在反復失敗、嘗試中完成自我迭代。

　　自變量 CTO 王昊指出，“世界模型并非一個單獨的模塊，它本質(zhì)上是一種能力，但這種能力不能簡單地累加，并不是在 VLA 后面再掛一個世界模型就能理解世界。”

　　智平方則提出了快慢雙系統(tǒng)融合方案，將智能體劃分為“快系統(tǒng)”(負責全身控制)和“慢系統(tǒng)”(負責邏輯推理)，讓機器人在面對復雜的動態(tài)環(huán)境時，既能快速反應(yīng)，又能保持對長程任務(wù)的深度理解。

　　可以看出，無論走哪條技術(shù)路線，機器人“大腦”要真正“長好”，最大的挑戰(zhàn)都繞不開兩件事：一是理解世界，二是讓思考跟上身體的反應(yīng)速度。

　　但這并非練得越多就越強。自變量 CTO 王昊舉了一個例子，“一個人在泳池里學了 10 年游泳，但把他丟到大海，他還是有可能會淹死。”

　　他認為實驗室里的訓練數(shù)據(jù)太過干凈，機器人待在象牙塔里，很難具備真正的獨立思考能力，最好的方法就是讓機器人到復雜的、充滿隨機性的環(huán)境中學習。

　　復旦大學計算機科學技術(shù)學院教授肖仰華也曾對外表示，“訓練具身智能大模型，保守估計當前已有數(shù)據(jù)量與所需數(shù)據(jù)量之間至少還差兩個數(shù)量級。”

　　出于對真實數(shù)據(jù)的渴求，機器人開始加速涌入真實場景。

　　優(yōu)必選的人形機器人已經(jīng)進入了工廠。創(chuàng)始人周劍表示，優(yōu)必選花了兩年時間，從新能源汽車制造場景切入搬運、上下料、物料分揀、質(zhì)檢等任務(wù)的 POC 實訓。

　　銀河通用的 Galbot 機器人開始參與藥房運營，可以自主識別訂單并抓取藥品、掃碼、打包;魔法原子的人形機器人則變身“汽車銷售”，在汽車專賣店招攬顧客，為顧客講解車輛參數(shù)。

　　不同的機器人企業(yè)，不同的真實場景，大家的目標都只有一個：

　　在真實場景獲取數(shù)據(jù)，驗證機器人的能力，再反哺給具身智能基礎(chǔ)模型的迭代，讓機器人“大腦”從單一任務(wù)、有限場景，逐步實現(xiàn)物體泛化、背景泛化和任務(wù)泛化，變得更加聰明。

　　03 場景拉高上限

　　一旦理解了“練大腦”離不開“真數(shù)據(jù)”，就能明白為何資本市場對具身智能的估值邏輯，在最近這一年悄然發(fā)生了轉(zhuǎn)向。

　　據(jù)第一財經(jīng)不完全統(tǒng)計，截至 4 月 10 日，國內(nèi)具身智能領(lǐng)域至少發(fā)生 269 起融資事件。

　　但與往年相比，資本投向的側(cè)重點出現(xiàn)了明顯變化——資本正在加速涌向數(shù)據(jù)與模型算法，本體硬件的估值預期，則從技術(shù)敘事轉(zhuǎn)向商業(yè)落地。

　　今年以來，多家側(cè)重于“大腦”的具身智能企業(yè)，完成了數(shù)十億元級別融資：自變量宣布已完成近 20 億元的 B 輪融資;它石智航拿下 4.55 億美金 Pre-A 輪融資，刷新中國具身單筆融資紀錄;具身數(shù)據(jù)與仿真基礎(chǔ)設(shè)施公司光輪智能最新一輪融資達 10 億元。

　　行業(yè)發(fā)展到當前階段，本體硬件的形態(tài)已基本完善。今年機器人馬拉松的奪冠者并非傳統(tǒng)機器人企業(yè)，而是消費電子廠商榮耀，也從側(cè)面說明了硬件的技術(shù)門檻正在降低。

　　市場開始形成一種新共識，那就是決定機器人能否投入實際應(yīng)用的核心變量在于“大腦”，而“大腦”背后則是模型能力與數(shù)據(jù)資產(chǎn)。

　　如果說過去的資本邏輯，是希望通過硬件銷量率先完成占位;那么今天市場在估值時，則會更關(guān)注誰的“大腦”更聰明，并具備充足的泛化能力。

　　機器人的硬件門檻會隨著供應(yīng)鏈成熟而逐漸拉平，但“大腦”卻不一樣——誰的模型能在更多真實場景中跑通，并將特定場景中學到的技能和知識，遷移到新的對象、任務(wù)或環(huán)境，誰就能“舉一反三”，快速在更多不同場景中落地。

　　而且，具身模型的泛化能力越強，護城河越高，天花板也更高。

　　自變量創(chuàng)始人王潛提到，“家庭場景對泛化性要求最為極致，能讓模型在極復雜的家庭場景跑得通，進傳統(tǒng)的工業(yè)場景都能完全降維打擊。”

　　這意味著，模型能力成熟以后，其可以在一個行業(yè)甚至多個行業(yè)通用，是一個可以無限復用的商業(yè)模式。

　　而且，相較于先構(gòu)建能力再尋找落地場景，不少機器人企業(yè)已經(jīng)將商業(yè)場景置于產(chǎn)品設(shè)計之前，將產(chǎn)品服務(wù)與商業(yè)場景綁定在一起。

　　比如銀河通用推出的兩款輪式機器人，強調(diào)穩(wěn)定性和負載能力，更適合執(zhí)行搬運、抓取、分揀等重復性工作;小鵬 IRON 則明確將會優(yōu)先落地博物館、4S 店、商場。

　　“機器人到底能干什么”這個問題，具身智能已經(jīng)漸漸摸到了答案。

　　“宇樹們”花了十年時間，讓機器人實現(xiàn)從 0 到 1 的突破，但要讓機器人具備真正獨立思考的能力，擺脫對人類單一重復命令的依賴，背后是從 1 到 10，再到無限的臨界點。

　　手腳能讓機器人站起來，但真正活下去，還要靠大腦。