來源 | 伯虎財(cái)經(jīng)（bohuFN）

作者 | 楷楷

去年4 月，人形機(jī)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(jī)器人已經(jīng)跑得比人類還快。

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

近日，智元機(jī)器人宣布新款A(yù)3人形機(jī)器人將通過“擎天租”平臺交付，批量上崗景區(qū)；自變量機(jī)器人宣布與58同城合作提供到家服務(wù)，機(jī)器人將進(jìn)入真實(shí)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(jī)器人展示拳腳的最佳舞臺；但如今，深入工廠、走進(jìn)家門，在真實(shí)場景中解決實(shí)際問題，才是對機(jī)器人的真正考驗(yàn)。

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(jī)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(jìn)行了“嘗鮮”，但整體評價依然是“機(jī)器人不如人”。

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

但這種“不足”并非一家機(jī)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(jī)器人可以在沒有遙控操作的情況下，獨(dú)立完成大部分的日常家務(wù)?！?/p>

宇樹科技創(chuàng)始人王興興也提過類似觀點(diǎn)，他表示機(jī)器人在預(yù)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(jī)器人做家務(wù)還要3-5年。

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

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

因此，讓機(jī)器人真正擁有一顆會思考的“大腦”，是當(dāng)下整個機(jī)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(dāng)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(jī)器人動作。

簡單來說，就是機(jī)器人聽命令，然后直接做事情，比如用戶說“我餓了”，機(jī)器人就會找到食物并遞給你，只要機(jī)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(fù)雜程度增加，出現(xiàn)機(jī)器人沒有訓(xùn)練過的復(fù)雜場景和行動軌跡，它就很容易出現(xiàn)“邏輯死機(jī)”。

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(dú)立運(yùn)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(xì)動作，“大腦”容易跟不上“小腦”。

世界模型路線則被認(rèn)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(yùn)轉(zhuǎn)規(guī)律，從而預(yù)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(yùn)動、重力等方面的認(rèn)知，估算出杯子掉落的基本方向，基于這個理解，機(jī)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(xùn)練成本等，英偉達(dá)的Cosmos世界基礎(chǔ)模型，便經(jīng)過了9000萬億個Token的訓(xùn)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(fù)責(zé)理解任務(wù)；VLA/動作模型作為“小腦”，負(fù)責(zé)精細(xì)控制。

但將大小腦拆分開來，容易導(dǎo)致任務(wù)出現(xiàn)延誤，難以實(shí)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(jī)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(bǔ)短板，顯然比從零造一個“大腦”更務(wù)實(shí)。

02 邊“干活”，邊“補(bǔ)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(jī)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?！盃顟B(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(jìn)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(jìn)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(jī)器人在真實(shí)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(diǎn)就是“干中學(xué)”，讓機(jī)器人在反復(fù)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(dú)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?！?/p>

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(fù)責(zé)全身控制）和“慢系統(tǒng)”（負(fù)責(zé)邏輯推理），讓機(jī)器人在面對復(fù)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(jī)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(qiáng)。自變量CTO王昊舉了一個例子，“一個人在泳池里學(xué)了10年游泳，但把他丟到大海，他還是有可能會淹死。”

他認(rèn)為實(shí)驗(yàn)室里的訓(xùn)練數(shù)據(jù)太過干凈，機(jī)器人待在象牙塔里，很難具備真正的獨(dú)立思考能力，最好的方法就是讓機(jī)器人到復(fù)雜的、充滿隨機(jī)性的環(huán)境中學(xué)習(xí)。

復(fù)旦大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院教授肖仰華也曾對外表示，“訓(xùn)練具身智能大模型，保守估計(jì)當(dāng)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?！?/p>

出于對真實(shí)數(shù)據(jù)的渴求，機(jī)器人開始加速涌入真實(shí)場景。

優(yōu)必選的人形機(jī)器人已經(jīng)進(jìn)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(yùn)、上下料、物料分揀、質(zhì)檢等任務(wù)的POC 實(shí)訓(xùn)。

銀河通用的Galbot機(jī)器人開始參與藥房運(yùn)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(jī)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(jī)器人企業(yè)，不同的真實(shí)場景，大家的目標(biāo)都只有一個：

在真實(shí)場景獲取數(shù)據(jù)，驗(yàn)證機(jī)器人的能力，再反哺給具身智能基礎(chǔ)模型的迭代，讓機(jī)器人“大腦”從單一任務(wù)、有限場景，逐步實(shí)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(cái)經(jīng)不完全統(tǒng)計(jì)，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(diǎn)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(yù)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(jì)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(dá)10億元。

行業(yè)發(fā)展到當(dāng)前階段，本體硬件的形態(tài)已基本完善。今年機(jī)器人馬拉松的奪冠者并非傳統(tǒng)機(jī)器人企業(yè)，而是消費(fèi)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(jī)器人能否投入實(shí)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(jī)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(shí)場景中跑通，并將特定場景中學(xué)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(qiáng)，護(hù)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(fù)雜的家庭場景跑得通，進(jìn)傳統(tǒng)的工業(yè)場景都能完全降維打擊?！?/p>

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(fù)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(jī)器人企業(yè)已經(jīng)將商業(yè)場景置于產(chǎn)品設(shè)計(jì)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(jī)器人，強(qiáng)調(diào)穩(wěn)定性和負(fù)載能力，更適合執(zhí)行搬運(yùn)、抓取、分揀等重復(fù)性工作；小鵬IRON則明確將會優(yōu)先落地博物館、4S 店、商場。

“機(jī)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(jī)器人實(shí)現(xiàn)從0到1的突破，但要讓機(jī)器人具備真正獨(dú)立思考的能力，擺脫對人類單一重復(fù)命令的依賴，背后是從1到10，再到無限的臨界點(diǎn)。

手腳能讓機(jī)器人站起來，但真正活下去，還要靠大腦。

文章封面首圖及配圖，版權(quán)歸版權(quán)所有人所有。若版權(quán)者認(rèn)為其作品不宜供大家瀏覽或不應(yīng)無償使用，請及時聯(lián)系我們，本平臺將立即更正。