今年3月，一段兩分半鐘的視頻點擊量破百萬。沒有太多花哨的情節(jié)，白色背景前，一個人形機器人遵照人類指令，遞給對方蘋果，歸置好桌上的杯子和餐碟，并解釋這樣做的原因。

這段視頻來自當紅人形機器人初創(chuàng)公司Figure。成立不過兩年，F(xiàn)igure估值已達26億美元，其投資人包括微軟、英偉達、英特爾、貝佐斯等，被戲稱金主覆蓋半個硅谷。

視頻中，F(xiàn)igure機器人啟動頁面，出現(xiàn)醒目的“powered by OpenAI”。除了自己開發(fā)的神經網絡技術，F(xiàn)igure這款產品背后顯然有OpenAI的生成式AI支撐。

AI讓人形機器人擁有新的可能。一個誕生于1950年的概念“具身智能”（Embodied Artificial Intelligence）進入人們視野。

在這一概念下，借助大模型，機器人感知、決策與交互提升，具備更強的自主學習能力和環(huán)境適應性。機器人賦予大模型現(xiàn)實的物理載體，讓曾經的虛擬智能走進現(xiàn)實世界。

技術和現(xiàn)實的交織足以掀起廣闊的想象，業(yè)界普遍認為具身智能將是一個萬億市場。

最近一系列的行業(yè)進展似乎給出了證明：2月份， FigureAI完成6.75億美元融資；3月份，英偉達發(fā)布人形機器人通用模型Project GR00T，推動機器人理解自然語言，并觀察人類行為模仿動作；同是3月份，斯坦福李飛飛團隊發(fā)布開源“靈巧手”、成本僅2.5萬美元；而在4月16日，波士頓動力先是宣布了數字液壓驅動的雙足人形機器人Atlas退役，不到12小時又發(fā)布了代表力量與靈活的全電驅動Atlas 001，展現(xiàn)出腰與脖的全向旋轉機構及髖部球形關節(jié)……

一級市場的機器人項目投資火熱，二級市場的核心零部件廠商、概念股也風起潮涌，人形機器人公司優(yōu)必選上市后，市值一度超過千億港元。

然而，“機器人+大模型”落地狂潮中，仍有保持謹慎樂觀的少數者。北航機器人研究所名譽所長、中關村智友研究院院長王田苗就是其中一員。

90年代初，中國工業(yè)機器人尚在萌芽期，王田苗已經進入一個和移動機器人相關的國家重大項目組中，研究無人駕駛技術。30多年過去，王田苗和團隊研發(fā)出國內第一款獲得許可證的醫(yī)療機器人，也成為硬科技領域低調但不可忽視的創(chuàng)業(yè)導師。

2020年，王田苗聯(lián)合十五位科學家發(fā)起成立了“智友科學家基金”， 一如既往，王田苗和團隊希望發(fā)現(xiàn)和培育服務國家科技戰(zhàn)略的早期硬科技項目。具身智能、機器人、機器人上游核心部件正是他關注的重要領域。

與硬氪交流的一個多小時里，王田苗語氣中難掩對具身智能或將掀起產業(yè)變革的興奮。中關村智友研究院已經覆蓋包括高精度RV減速器、全真精密光學影像系統(tǒng)、力傳感器柔性智能裝備、具身智能AI通用機器人平臺等軟硬件方向。

但在行業(yè)沉浮三十多年后，王田苗早已習慣以冷靜的目光審視狂熱。以Figure發(fā)布的產品為例，“Figure機器人在視頻中呈現(xiàn)的延遲時長約為2-3秒，它使用了Pipeline、管道型路線，即自然語言發(fā)送后、機器人大腦可以理解并生成指令，由指令來控制。當接入通用大腦后，其延遲速度約要乘以20倍。” 王田苗告訴硬氪。

具身智能走過半個多世紀，某一款產品的爆火消弭并不會落地和商業(yè)化等現(xiàn)實性問題。一個溫度驟升的行業(yè)需要這樣的視角，才不至于在蜂擁而入的資本和宏大敘事中迷失。

圍繞具身智能的機遇與挑戰(zhàn)話題，硬氪對王田苗進行了專訪，以下是本次交流（經編輯）：

有效的機器人通用基礎模型還未出現(xiàn)

硬氪：對比上一代機器人技術路徑，具身智能的革命性體現(xiàn)在哪里？

王田苗：具身智能強調和追求機器人泛化及大規(guī)模應用。第一，它通過嵌入大模型交互，使機器人能夠聽懂語言，理解客戶的指示，并讓具身智能體到相應的地方進行操作。第二是結構化的固定環(huán)境加上感知垂直大模型，能識別并重建環(huán)節(jié)，拓寬機器人使用的環(huán)境，提高智能化水平。因此，人們期待具身智能即大模型+機器人能夠實現(xiàn)“一腦多機”或“一腦多型”的爆發(fā)。

硬氪：具身智能真正得到學術界、工業(yè)界、金融界重視是在這兩三年。狹義來看，是否可以理解為讓機器人通過自我學習進行認知和決策，從而完成相應的任務？

王田苗：從大語言模型的發(fā)展開始，我們可以看到語言處理領域的顯著進步。傳統(tǒng)的解決方法通常是依賴于知識圖譜，并結合人為設計的邏輯以及多個小任務模型來解決問題。然而隨著技術不斷進步，尤其是AlphaGo在圍棋領域的優(yōu)秀表現(xiàn)，以及AlphaZero在蛋白質分析方面的突破，人們開始期待用一個通用模型的訓練和微調，來解決所有問題。這也是為什么大模型被視為未來社會數字化、智能化、治理化的運行底座。

機器人作為人們改造世界的工具，具身智能概念誕生后，人們開始思考，機器人領域是不是也能誕生這樣通用大模型。

目前工業(yè)機器人的裝機總量約為300萬臺，每年世界60萬臺，中國占總量的一半、是30萬臺。有這樣一個“通用大腦”后，就能大規(guī)模、高效率地泛化遷移應用，解決許多問題。

硬氪：那這個機器人通用模型現(xiàn)在出現(xiàn)了嗎？

王田苗：目前還沒有一個有效的模型出現(xiàn)。

以實時性問題為例。Figure機器人在視頻中呈現(xiàn)的延遲時長約為2-3秒，它使用了Pipeline、管道型路線，即自然語言發(fā)送后、機器人大腦可以理解并生成指令，由指令來控制。當接入通用大腦后，其延遲速度約要乘以20倍。

硬氪：有什么解決方案？

王田苗：常見的解決方案是，為不同的任務設定多個小模型，并提供不同的參數訓練，端到端減少推理成本。另外，將專用小GPU芯片置入到機器人中，也可提高任務實時性，目前特斯拉已在自動駕駛中嘗試了這種做法。

硬氪：今年有哪些細分場景的模型值得關注？

王田苗：今年3月，李飛飛團隊開發(fā)Behavior-1K，完成了對1000種日常活動的定義，并以房屋、花園、餐廳、辦公室等50個場景為基礎，標注9000多個擁有豐富物理和語義屬性的物體。

接著到4月，特斯拉推出多模態(tài)大模型Grok-1.5v，利用端到端高速大模型FSD推理，有望連接數字世界與物理世界，解決自動駕駛邊緣案例的在線迭代學習問題。

硬氪：業(yè)界對機器人「大腦+小腦」路線的關注度很高。大腦用大模型認知智能、人機交互以及相關場景的調動，小腦實時控制機器人本體，產生靈巧操作，隨著大模型能力提升，是否有可能反哺給小腦，進而帶動其感知、行為等能力提升？另外有關技能型勞動操作，會不會具有專業(yè)小模型，分別實現(xiàn)高效作業(yè)比如焊工、鉗工、車工、打磨拋光、噴涂、裝配、拆裝等。

王田苗：這個問題正是目前學術界、產業(yè)界所關注，并且產生爭議的地方。

大腦主要負責慢思維與推理，是智力的核心所在；而小腦則關聯(lián)著對事物的反應敏感程度，更多涉及身體的協(xié)調與運動的控制。從邏輯上講，人們希望今后機器人的大腦能越來越聰明、弱化小腦能力，力圖通過大模型得以統(tǒng)一。比如大模型知道什么是蘋果，也知道蘋果可以飽腹，當我們向機器人提問“什么東西能吃”時，機器人就能自動取出一個蘋果。但要真正實現(xiàn)它，現(xiàn)階段仍有很多挑戰(zhàn)。

在人類歷史進化過程中，人類行為的智能進化遠遠先于語言智能的進化。這可能意味著語言、視覺感知、觸覺感知以及行為等智能在大腦圖譜中并不是同一個位置，很可能是由不同模型所驅動的。莫拉維克悖論也揭示了這一現(xiàn)象--電腦下棋容易、感知和行動智能方面卻面臨挑戰(zhàn)，這通常表現(xiàn)為頂層智能的智能程度高、精度差、反應慢，而底層智能的智能程度低、精度高、反應快。

硬氪：更具體看，還有哪些問題是沒有解決的？

王田苗：首先是如何讓機器人的“大腦”更聰明。現(xiàn)階段機器人在解決復雜環(huán)境感知、動作生成、靈巧操作等問題時存在局限性。盡管大模型增強了其學習、語義理解、推理及判斷能力，但在從理解、推理、判斷、執(zhí)行到運動系列過程中，還涉及其他多種模型算法和軟硬件協(xié)同的問題，包括感知智能模型、行為智能模型以及原有智能控制理論，如MPC模型預測控制與WBC全身協(xié)調控制等。

同時，Scaling laws（尺度定律，這一定律表明，模型大小、數據集大小和用于訓練的計算浮點數，與模型的性能存在線性相關。）能否在機器人基礎大模型中復現(xiàn)尚未可知，這些技術的開發(fā)和迭代本身具有難度，再加上周期較長、投入高，短期內要突破關鍵技術仍面臨著不小的挑戰(zhàn)和風險。

第三是要解決具身智能大模型與硬件的融合、配合問題。人形機器人的整機結構復雜，僅零部件就超過5000個，從理解指令到執(zhí)行任務，都是極大的工程量。

因此有觀點提出，在機器人的智能層、感知層、動作層中分設Agent，由Agent來調用工具解決具體問題。

最后就是落地環(huán)節(jié)。機器人產品化過程需要用時間來產生并驗證價值，如果說研究具身智能的出發(fā)點是為了降低時間成本或提升效率，進而實現(xiàn)生產力的飛躍，而非為了取代人類工作，那么基于場景的融合打磨與迭代至關重要。

硬氪：要實現(xiàn)專業(yè)和通用，過程中的難點是什么？

王田苗：軟件方面的挑戰(zhàn)主要是真實、實用、海量數據的產生與訓練問題。其中，數據收集尤為關鍵，機器人所需的數據不僅涵蓋互聯(lián)網數據和視頻采集數據，更需要包括眾多物理環(huán)境中的真實交互數據，這些模擬生成的數據是難以替代的。

此外，數據對齊也是一大難題。語言模型能夠學習并生成人類能理解的語言，但在機器人領域，我們面臨著海量未標注的異構行為大數據，這使得語義與數據的對齊變得異常困難。其中還涉及到語義歧義問題、模型可能產生的幻覺的安全問題，以及標準化測試平臺和訓練完成后安全使用評價問題等。

另一方面就是效率與成本問題。從仿生機器人的發(fā)展歷程來看，自1997年日本本田推出的Asimo人形機器人，到2008年波士頓動力的大狗機器人，再到后續(xù)活蹦亂跳的人形機器人，甚至從特斯拉人形機器人到Figure人形機器人，我們確實見證了具身智能在大模型、感知、算力等方面有了重大突破。

然而，不能忽視的是，具身智能在結構、驅動、動力等真實能力方面，尚未實現(xiàn)根本性的突破。其中，行為智能成功成本，與“行為數據采樣學習次數”乘以“每一次訓練成功的成本”得到的結果相比，其比值仍然遠遠小于1。這導致具身智能的載體性物種在靈巧性、成本性、能源維護性、使用體驗安全性等方面仍存在諸多挑戰(zhàn)，距離通用機器人走向千家萬戶還有距離。

此外，實時性和推理速度也是當前具身智能面臨的重要問題。目前基于大模型的機器人控制周期在線決策最快也需要50ms，一般延遲達1-5秒，這遠遠無法滿足目前工業(yè)應用中對機器人要求10ms以下，最好在3ms的要求。

硬氪：在機器人和AI結合中，有哪些比較關鍵的成本？

王田苗：機器人結構復雜，核心零部件決定了其精度、穩(wěn)定性、負荷能力等重要性能指標，其中技術難度最高分別是減速器、伺服系統(tǒng)和控制器，占成本的60-70%。加上傳感器等其他零部件，都會增加機器人的制造和后期維護的成本。

此外，為了解決實時性問題，需要大量GPU算力與訓練的能耗。有研究測算，每個token（1000 token約為750個單詞）的訓練成本通常約為6N（N為參數的計量單位），推理成本約2N，即推理成本相當于訓練成本的三分之一。

機器人的三大主導方向

硬氪：面向開放場景的泛化問題，技術上該怎么解決？

王田苗：從具身智能的體系結構出發(fā)，對機器人下達拿水杯的指令時，這是意圖；機器人會將其分解為具體的運動步驟，包括視覺范圍內看到水杯、接近、拿起，一系列動作由感知模型和操作模型協(xié)同完成，當機器人后續(xù)面對多任務場景時，理想狀態(tài)下它能夠利用先前的經驗進行復制泛化，減少對編程水平和質量要求。

現(xiàn)實生活中，由于所有的視覺感知都是變化的，人機交互、任務規(guī)劃、動作軌跡和操作模型需要應對突發(fā)性事件，由此也有想法提出，每一層都應有一個具身代理，再根據特定任務產出領域大模型。

硬氪：具身智能會優(yōu)先在哪些場景中落地？

王田苗：從廣義來看，將機器人和大模型運用在社會上，我堅信會從商務、工業(yè)、最后再進入消費環(huán)節(jié)。

其中，商務場景包括物流（室內外與低空）、出租、藥店、超市、清潔、接待等，更容易率先取得突破性進展；第二類是工業(yè)與農業(yè)，工業(yè)包括汽車、核工業(yè)、化學藥品、醫(yī)院傳染病處置、電池回收拆裝等，農業(yè)則包括種植、采摘、分揀、屠宰、上下料、預制菜、包裝等；最后才是消費場景，例如打掃、炒菜、陪護、養(yǎng)老、打掃房間、護工保姆等。

硬氪：在產品形態(tài)上是否有創(chuàng)新空間？

王田苗：當然。一方面，有工業(yè)界和理性的企業(yè)熱衷于用新技術、新形態(tài)去探索專業(yè)化的新應用，他們注重技術的實用性和對專業(yè)領域的適用性，希望通過不斷的技術創(chuàng)新來推動業(yè)務發(fā)展。

另一方面，大部分學者或懷揣夢想的創(chuàng)業(yè)者則認為通用大模型+人形機器人是未來的發(fā)展方向，更關注技術的前沿性和未來潛力，相信技術將為人類社會帶來革命性的影響。

二者有所不同，前者注重應用上的創(chuàng)新性，后者是完全顛覆性的創(chuàng)新，兩條路線哪一條率先走通，都離不開市場檢驗。我們看到，在物流、清潔、無人出租車等場景中，并沒有人形機器人的身影，包括焊接、噴涂等環(huán)節(jié)中多有應用。市場和供求關系緊密相關，家庭環(huán)境更關注其智能化、情感化、安全化，工業(yè)場景更強調效率、準確率和成本，場景約束不同，兩類場景會刺激不同類型的機器人及其核心零部件創(chuàng)新。

硬氪：如何看待機器人接下來要重點突破的發(fā)展趨勢？

王田苗：當下有三個主導方向。

第一是攻克核心零部件，包括高動態(tài)、高精度、高扭矩的驅動單元，剛柔耦合的新材料靈巧手，人工肌肉與電子皮膚，低成本的生物傳感器，上游正向設計的電機或減速器等。

第二是夯實垂直應用并通過出海獲得利潤，特別是面向具有連鎖店或生產服務屬性的中小微企業(yè)，提供服務應用。

第三是擁抱大模型。包括大腦機器人基礎大模型，具身代理Agents，低功耗專用小模型算力GPU與編譯器，以及生成式數據動作庫；同時，關注小腦實時技能操作、行為智能控制和實時安全評測等方面的技術進展；免編程與安全算法，通用機器人與人形機器人應用App的開發(fā)也是重要一環(huán)；此外，數據服務--垂直模型專用技能數據服務公司，“勞動”派遣運營服務公司等也有望成為產業(yè)鏈中不可或缺的一方。相信大模型和機器人會是未來大國可持續(xù)競爭力的發(fā)展焦點。

總結來看，回顧過去的自動化終端產品，能達到萬億規(guī)模的賽道需要同時滿足三個要素，分別是市場、產業(yè)鏈和技術突破，與此同時還應該潛在具有2G、2B、2C的應用屬性，機器人就是這樣理念下的一種重要體現(xiàn)。