證券時報網
梅雙
2025-04-26 22:56
今年以來，人形機器人的產業化進展飛速。
從春晚上“福兮”的精彩表演，到首屆人形機器人半程馬拉松中“天工”的首次沖線，一時間“街頭巷尾”都在討論人形機器人。
要支撐人形機器人與環境感知交互，就離不開具身智能技術的持續突破。尤其是大語言模型（LLM）、視覺語言模型（VLM）以及視覺語言動作端到端模型（VLA）等關鍵技術的迭代創新，顯著提升了機器人在交互感知和泛化能力方面的表現。
然而，具身智能前行之路并非坦途，在數據采集、機器人形態應用以及大小腦融合等方面仍面臨諸多挑戰。
因此，廠商們正在從不同的領域切入，解決以上痛點。比如，英特爾和東土科技等提出大小腦融合解決方案，采用單一芯片架構替代雙系統模式，降低整體成本及軟件開發、測試、優化與部署成本。
破解數據匱乏桎梏
1950年，艾倫·圖靈首次提出“具身智能”時，并未引起轟動，直到在近兩年才成為科技圈的熱詞。
圖靈給出的基本假設是，具身智能是通過與環境交互獲得知識并泛化應用能力。英偉達創始人兼CEO黃仁勛則進一步詮釋，具身智能是能夠理解、推理并與物理世界互動的智能系統，預計其將成為人工智能的下一波浪潮。
如今具身智能進化到了哪一階段？
近日，21世紀經濟報道記者在英特爾推介會上了解到，現有的具身智能大模型融合了視-抓-放-移等能力，主要為小范圍場景行為復現。而針對旋擰、插拔等力觸動作、多指協同，柔性物操作仍相對困難。
當中的泛化能力（指將已學到的運動技能或決策，遷移到新的任務）主要來源于視覺語言模型，而動作軌跡尚缺少泛化性，非常依賴訓練數據。這里的訓練數據，指的是海量的帶有物理世界屬性的數據，但是目前行業面臨數據匱乏的瓶頸。
跨維智能創始人賈奎談道，有別于語言、圖像等可以從網絡上大量獲取以形成通用能力的數據，三維數據，尤其是機器人在物理空間中的操作數據，需要經過精確標定，且采集過程中存在難度大、周期長、成本高等問題。
在他看來，基于3D生成式AI的Sim2Real仿真，將成為解決高通用性具身智能數據需求的最高效路徑。
華為天才少年“稚暉君”則走了另外一條路徑，智元機器人采用的是人力成本最高的“真機數據采集模式”。在上海近4000平方米的數據采集中心，上百名數據采集人員在對機器人進行重復練習，光是一個機器人從桌上把玩具抓起來放進籃子里的動作，便須訓練數天，采集和審核上萬條信息。在這個數采中心，智元一年能完成億級數據采集。
也正是有了前期的數據積累，機器人的泛化能力正在被一步步突破。
3月10日，智元機器人發布了全球首個通用具身基座大模型——智元啟元大模型（簡稱：GO-1）。這個集成了ViLLA架構的4D世界模型，能夠將包括時間在內的整個物理世界囊括其中，可以實現小樣本泛化。據介紹，機器人僅需千條以內的視頻數據，即可掌握擦拭、倒水等復雜動作，訓練成本驟降。
具身智能不等于人形機器人
除了數據的挑戰，機器人形態也是探討的焦點。
過去二十多年，機器人經歷了工業自動化、大模型以及端到端大模型三個階段。英特爾的一位技術專家認為，這三個階段并不是相互替代的關系，并不是機器人都要實現“端到端”，不同架構面對不同的應用場景和負載需求時有著自身優勢和性價比。
在大模型階段，主要是視覺大模型通過視覺泛化能力提升了機器人對環境的理解能力，并為機器人提供輔助信息，如今各大酒店的送餐機器人便是典型例子。
自去年下半年開始，學術界和產業界開始對端到端模型的研發投入了大量資源。視覺語言模型（VLM）以及視覺語言動作端到端模型（VLA）相繼取得迭代創新，提升了機器人交互感知和泛化能力的表現。
所謂端到端大模型，是指融合多模態輸入（視覺、語言）與動作輸出，減少模塊間信息傳遞的誤差累積，提升整體決策效率。如向機器人傳遞請把桌子上的杯子遞給我，機器人便生成對應動作，如抓取和移動，更符合人類“看想動”的連貫行為。搭載端到端大模型后，機器人的能力進一步增強，尤其是加速了人形機器人這一形態的發展。
但是多位業內專家向記者表示，人形機器人不等于具身智能，具身智能不等于人形機器人，但人形機器人仍是具身智能的最大需求者和最大挑戰者。
究其原因，人形機器人短期內還很難做到像科幻電影當中描述的無所不能，滿足人類對完美機械伙伴的想象。
深圳市人工智能與機器人研究院（AIRS）具身智能中心主任劉少山在接受記者采訪時表示，人形機器人很大程度上在重復自動駕駛的敘事。“人形”是長期愿景，過程中會出現一些“中間態”，比如輪式、雙臂、單臂等，也能在工業、應急等場景中承擔一定的任務。但人類生來不是為了工業場景，人的形態經歷了千萬年的進化，人體的每一部分構造都是科學的、都有它的作用。目前的“中間態”能夠幫助具身智能公司“續命”，通過“中間態”帶來一定的營收，再在場景中不斷打磨，慢慢還是會走向最終形態，即人形。
“在很多垂直領域，非人形的機器人，是更有機會，成長成為效率工具，可以把成本降得足夠低，在一個細分領域，把能力訓練得足夠好。”影智科技CEO唐沐談道。
以跨維智能推出的DexVerse具身智能引擎為例，該引擎已經在汽車、家電、工業、物流等30余個行業批量應用，在毫米級精度的抓取/操作任務下，其成功率超過99.9%。同時，跨維智能也正在將產品穩步落地于醫療、商業等更多半結構化及非結構化場景中。
大小腦融合探索
此外，隨著具身智能技術的發展，工程師們還發現大小腦通訊和協作延遲等問題，需要產業界共同提出解決方案。
一般而言，一臺通用人形機器人本體分為大腦、小腦和肢體三部分，分別對應決策交互模塊、運動控制模塊和執行模塊。大小腦由于互相獨立，甚至所用的芯片和系統架構都是不一樣的，這便導致大小腦在通訊和協作出現系統級別的延遲。
浙江人形機器人創新中心首席科學家熊蓉談道，大小腦從硬件上分開，使得多種傳感器很難融合。現在小腦不純粹是執行控制，而是希望它具備視覺伺服等功能，能夠對作業對象形成控制。如果大小腦分開，一些傳感器基于大腦控制，它往小腦傳輸就會出現信息負荷過大，也會帶來延時的問題。
因此，大小腦融合不失為解決辦法之一，如英特爾和東土科技均提出了大小腦融合的解決方案。
大小腦融合指的是采用單一芯片架構來替代現有產品中常見的雙系統模式，大小腦融合方案的系統在整體成本上無疑具有顯著優勢。“更有意義的地方是在于單系統會使軟件研發、測試、優化與部署的整個開發成本顯著降低。”英特爾技術專家談到。
不過，實現大小腦融合并非易事，當中還有諸多難點需要克服。上述技術專家稱，小腦主要負責實時運動控制及實時優化軟件的運行，其計算需求聚焦于高反應速度、高性能及嚴格的執行時間確定性。
例如，在任務執行過程中，不僅要求系統能快速完成程序運算并及時反饋，更需確保工作周期在99%的時間內，所有任務能在1毫秒內完成。一旦系統出現峰值負載，若某個控制周期執行時間延長至10毫秒，將直接導致機器人運動過程中出現抖動、動作不流暢，甚至發生跌倒等狀況，這是小腦控制層面的核心難題。
而大腦的工作負載主要圍繞環境感知與決策規劃展開。它需要接收來自攝像頭、激光雷達及其他各類傳感器的數據，通過傳統計算機視覺算法以及當下熱門的大語言模型、視覺控制大模型等進行信息處理，進而生成機器人運動規劃與決策指令，并轉化為機械臂實際運動所需的動作訓練數據。
在此過程中，系統面臨的主要挑戰在于計算負載的動態變化：在常規狀態下，計算需求可能較低，但當機器人機身移動或周圍環境發生劇烈變化時，峰值計算負載會急劇上升。這對計算平臺的性能提出了嚴苛考驗，包括獨立顯卡、集成顯卡及NPU等AI計算單元的運算能力是否足以支撐，以及在集成顯卡（iGPU）上運行相關算法時能否保障性能。
這也是為何在如今技術不成熟的前提下，主流的解決方案是將大腦與小腦分離為兩個獨立系統的原因所在。
也有廠商盡管未明確提及大小腦融合，但也給出了相似的解決方案。例如，4月，智平方在深圳正式發布新一代通用智能機器人AlphaBot 2。該機器人在軟件層面，AI2R Brain升級為Alpha Brain，并搭載全域全身VLA系統，使機器人的認知決策與運動控制實現深度協同，大幅提升全場景交互能力。
值得一提的是，人形機器人和具身智能均在產業化的初期階段。各家廠商由于自身技術背景不同，有的偏向于場景化落地，研發方向聚焦大腦。也有廠商聚焦高精度運動控制的小腦，將抽象指令轉化為精準、流暢的肢體動作，確保機器人在復雜環境中的穩定運行。但市場需求終究會倒逼兩種技術路線相互融合，機器人不僅能在特定場景中完成任務，還要求具備靈活的動作技巧和智能交互能力。
