從“看著酷”到“真能干”，如今人形機(jī)器人正在加速“進(jìn)場(chǎng)打工”。從2025年上半年開(kāi)始，它們陸續(xù)經(jīng)歷了馬拉松比賽、格斗擂臺(tái)賽等運(yùn)動(dòng)賽事。如今，隨著具身智能技術(shù)的蓬勃發(fā)展，機(jī)器人已經(jīng)開(kāi)始走向真實(shí)的工廠(chǎng)流水線(xiàn)。在本次2025世界人工智能大會(huì)（WAIC）期間，澎湃科技（www.dbgt.com.cn）與螞蟻靈波科技技術(shù)副總裁、資深技術(shù)專(zhuān)家王志勇、智元機(jī)器人通用業(yè)務(wù)部副總裁王闖、上汽通用動(dòng)力科技有限公司智能設(shè)備高級(jí)技術(shù)經(jīng)理徐嘯順，深入探討具身智能機(jī)器人如何實(shí)現(xiàn)從表演到落地的跨越。

以下是對(duì)談實(shí)錄：

整體技術(shù)水平提升，尤其遙操作和運(yùn)動(dòng)能力

澎湃科技：和去年相比，大家覺(jué)得今年大會(huì)有哪些亮點(diǎn)？

徐嘯順：去年大會(huì)人形機(jī)器人品牌眾多，但不像今年蓬勃發(fā)展，特別令我驚訝和欣喜。今年整體展廳非常充實(shí)，比如智元把整個(gè)工廠(chǎng)產(chǎn)線(xiàn)搬到現(xiàn)場(chǎng)。以前這些機(jī)器人可能只會(huì)走路、揮揮手，但現(xiàn)在搭載上好的大模型和視覺(jué)能力，不僅會(huì)走路，還會(huì)做一些復(fù)雜動(dòng)作。

王志勇：今年有一個(gè)特別明顯的感受，去年的人形機(jī)器人只有18家左右，而今年整個(gè)H3展館幾乎被人形機(jī)器人“占領(lǐng)”，產(chǎn)業(yè)的發(fā)展速度確實(shí)讓人非常驚喜。另外，作為人形機(jī)器人行業(yè)多年的觀察者，可以明顯感覺(jué)到技術(shù)水平整體提升，尤其在遙操作相關(guān)技術(shù)和運(yùn)動(dòng)能力。去年不少機(jī)器人還需要外部支架輔助，現(xiàn)在大部分已經(jīng)可以自主行走了。

 澎湃科技：回顧上半年人形機(jī)器人的表現(xiàn)，你們給它的表現(xiàn)打多少分？

徐嘯順：要分不同應(yīng)用場(chǎng)景，在娛樂(lè)和運(yùn)動(dòng)場(chǎng)景，人形機(jī)器人的表現(xiàn)8到9分（滿(mǎn)分10分）。像馬拉松項(xiàng)目，已經(jīng)創(chuàng)下了世界紀(jì)錄，基本只需要一兩次充電或更換電池，就能跑完整個(gè)全程，這在以前是難以想象的。整體來(lái)看，進(jìn)步非常顯著。在工業(yè)物流等其他應(yīng)用場(chǎng)景，我給到7分甚至以上。

王志勇：從提供情緒價(jià)值視角來(lái)看，從宇樹(shù)機(jī)器人上春晚開(kāi)始到現(xiàn)在，進(jìn)步非常明顯。但從另外一個(gè)角度，進(jìn)場(chǎng)打工或執(zhí)行具體任務(wù)角度來(lái)講，可能打7分有點(diǎn)樂(lè)觀，整體還比較早期。

王闖：我認(rèn)為站在未來(lái)看，可能是60分。但在今天看，首次工廠(chǎng)常態(tài)化作業(yè)直播，我可以打100分。

這次在人工智能大會(huì)上的直播，我們有兩個(gè)關(guān)鍵詞，一是具身智能，二是常態(tài)化。為什么兩者同時(shí)達(dá)到會(huì)這么難？人形機(jī)器人廠(chǎng)商做了這么多年，從來(lái)沒(méi)有具身智能進(jìn)入工廠(chǎng)常態(tài)化作業(yè)。

以前我們看到很多機(jī)器人進(jìn)廠(chǎng)打工演示，周?chē)假N滿(mǎn)了二維碼，而且是改造的環(huán)境，并不是真正意義上的工廠(chǎng)，機(jī)器人其實(shí)并不具備真正進(jìn)入工廠(chǎng)生產(chǎn)線(xiàn)的能力。越復(fù)雜的系統(tǒng)出錯(cuò)的可能性就越多，要實(shí)現(xiàn)長(zhǎng)時(shí)間穩(wěn)定運(yùn)行的。難度也就越大。

澎湃科技：機(jī)器人在車(chē)間工作時(shí)具體會(huì)面臨哪些實(shí)際挑戰(zhàn)？

徐嘯順：我們車(chē)間主要從事新能源汽車(chē)的生產(chǎn)。整體來(lái)看，工廠(chǎng)布局非常工整、產(chǎn)線(xiàn)和工藝流程都經(jīng)過(guò)明確的規(guī)劃，這其實(shí)為機(jī)器人提供了比較理想的工作環(huán)境。但即使這樣，還是會(huì)有一些挑戰(zhàn)和變化點(diǎn)。

像智元這類(lèi)機(jī)器人產(chǎn)品已經(jīng)具備了一定程度的適應(yīng)能力，例如能處理箱子擺放位置和規(guī)格的變化，這些都已經(jīng)在它們的程序中被考慮進(jìn)去。

我們認(rèn)為近期應(yīng)該會(huì)出現(xiàn)一些試運(yùn)行成功的案例，未來(lái)人形機(jī)器人實(shí)現(xiàn)更大規(guī)模落地推廣，是可預(yù)見(jiàn)的趨勢(shì)。據(jù)我了解，今年年底或明年初，就會(huì)有一批不同場(chǎng)景的試用項(xiàng)目陸續(xù)落地，包括在車(chē)企和物流企業(yè)的多個(gè)工位中正式運(yùn)行。

“具身智能行業(yè)還處于早期階段”

澎湃科技：今年螞蟻集團(tuán)開(kāi)始官宣入局布局聚生智能，請(qǐng)王總來(lái)透露一下目前的進(jìn)展。

王志勇：簡(jiǎn)單說(shuō)一下我們的進(jìn)展，我們計(jì)劃在今年9月會(huì)有機(jī)器人產(chǎn)品面世，我們研發(fā)節(jié)奏比較快，整個(gè)行業(yè)大勢(shì)也在這里，我們不能等。

 澎湃科技：我也很想問(wèn)問(wèn)智元的王總，您感覺(jué)到現(xiàn)在具身智能的競(jìng)爭(zhēng)已經(jīng)開(kāi)始進(jìn)入白熱化的階段了嗎？

王闖：現(xiàn)在還不到白熱化的階段，現(xiàn)在是萬(wàn)物生長(zhǎng)的階段。所有的從業(yè)者我都不想稱(chēng)為競(jìng)爭(zhēng)對(duì)手，現(xiàn)在是一起去探索航道的時(shí)期。如果這個(gè)航道已經(jīng)完全被挖掘出來(lái)了，只有存量競(jìng)爭(zhēng)的時(shí)候，那時(shí)可能才是白熱化。

現(xiàn)在還處于非常早期的階段，還沒(méi)有哪個(gè)公司敢說(shuō)我的技術(shù)范式是以后永遠(yuǎn)不變的，我們只是稍微在量產(chǎn)和商業(yè)化的地方走得靠前，但我不認(rèn)為現(xiàn)在到了競(jìng)爭(zhēng)白熱化的程度。

澎湃科技：你接下來(lái)會(huì)期待看到哪些應(yīng)用場(chǎng)景的出現(xiàn)？

王闖：從我內(nèi)心深處，包括身邊很多親朋好友問(wèn)得最多的是養(yǎng)老。養(yǎng)老產(chǎn)品是大家最值得期待的。但我們也同時(shí)在思考，機(jī)器人真正走進(jìn)家庭，對(duì)機(jī)器人的泛化性技術(shù)、執(zhí)行任務(wù)的成功率、 安全性、成本要求都特別高。

我們希望機(jī)器人能先在有限場(chǎng)景里把任務(wù)“做好做透”。我們的目標(biāo)是把機(jī)器人執(zhí)行任務(wù)的成功率提升至99.9%。我們?cè)O(shè)想的技術(shù)路線(xiàn)是先易后難，把機(jī)器人本體規(guī)模化和成本優(yōu)化好，為機(jī)器人進(jìn)入家庭做準(zhǔn)備，這一定是一個(gè)巨大的市場(chǎng)。

重點(diǎn)突破兩個(gè)方向：交互智能和作業(yè)智能

澎湃科技：各位認(rèn)為，對(duì)于人形機(jī)器人行業(yè)內(nèi)是看熱鬧更多，還是應(yīng)用更多一些？

徐嘯順：專(zhuān)業(yè)用戶(hù)還是在意人形機(jī)器人的應(yīng)用落地。大家可能會(huì)掐著時(shí)間節(jié)點(diǎn)，比如今年年底或者到明年年初先把一些應(yīng)用試運(yùn)行跑起來(lái)，總結(jié)問(wèn)題去更好地實(shí)現(xiàn)技術(shù)迭代。

看熱鬧的話(huà)，可能會(huì)把注意力都放在大型活動(dòng)上，人形機(jī)器人去表演、互動(dòng)，這也有好處，可以增加產(chǎn)品硬件打磨。畢竟只有人形機(jī)器人出貨量大了，才有可能實(shí)現(xiàn)降本和產(chǎn)業(yè)鏈的優(yōu)化發(fā)展。

王志勇：首先，人形機(jī)器人“表演秀”為觀眾提供情緒價(jià)值，肯定有價(jià)值。但在我們研發(fā)路徑上，還是會(huì)更關(guān)注具體落地。我們現(xiàn)在大部分的精力也集中在把機(jī)器人的本體技術(shù)打磨好、做扎實(shí)，然后在一些特定的場(chǎng)景下讓它跑起來(lái)，之后在逐步泛化。這個(gè)市場(chǎng)很熱鬧，我認(rèn)為行業(yè)內(nèi)的人要冷靜。

王闖：情緒價(jià)值和注意力經(jīng)濟(jì)也有價(jià)值，機(jī)器人有一部分場(chǎng)景是為情緒價(jià)值服務(wù)的。現(xiàn)在機(jī)器人的能力是在持續(xù)增長(zhǎng)的。我們把它定義為一個(gè)本體加三個(gè)智能。

本體的成熟度現(xiàn)在進(jìn)步非?？?，運(yùn)動(dòng)智能也取得不錯(cuò)的進(jìn)展。在展臺(tái)上，機(jī)器人可以在現(xiàn)場(chǎng)巡館巡展、跳舞等互動(dòng)，這些都說(shuō)明它的運(yùn)動(dòng)智能逐步完善。

但要真正讓產(chǎn)品開(kāi)發(fā)出用戶(hù)價(jià)值，還需要重點(diǎn)突破兩個(gè)方向：交互智能和作業(yè)智能。

作業(yè)智能即讓機(jī)器人“干活”的能力，這是一條更長(zhǎng)的路，而交互智能相對(duì)見(jiàn)效更快，能更快地讓大家感受到人形機(jī)器人的價(jià)值，這只是第一步；在我看來(lái)，在機(jī)器人發(fā)展初期階段，只要是客戶(hù)愿意買(mǎi)單，有實(shí)際價(jià)值的功能，都值得去做。

機(jī)器人遙控操作可做業(yè)務(wù)兜底

澎湃科技：徐總你們作為應(yīng)用方，你們會(huì)比較看重機(jī)器人哪方面的作業(yè)智能？

徐嘯順：對(duì)應(yīng)到機(jī)器人，一方面是穩(wěn)定性，不能突然有意想不到的動(dòng)作和程序有突發(fā)狀況；另一方面是機(jī)器人對(duì)整體的場(chǎng)景適配程度。

現(xiàn)在我們很多工作集中在消除用戶(hù)或使用人員對(duì)機(jī)器人產(chǎn)品的理解差距。這個(gè)過(guò)程可能還有點(diǎn)困難。

從效率來(lái)看，現(xiàn)在人形機(jī)器人的效率可能會(huì)比人稍微弱也很合理。隨著后續(xù)產(chǎn)品持續(xù)優(yōu)化，機(jī)器人最終是可以達(dá)到甚至超越人工效率的。在一些高風(fēng)險(xiǎn)工位，機(jī)器人已經(jīng)體現(xiàn)出明顯優(yōu)勢(shì)。比如一些涉及帶電作業(yè)的零部件，人形機(jī)器人上崗后，可以有效消除操作人員觸電的風(fēng)險(xiǎn)。

王志勇：機(jī)器人參與表演秀提供情緒價(jià)值和機(jī)器人具體干活，這兩者可以對(duì)應(yīng)到人有兩種激素，內(nèi)啡肽和荷爾蒙。情緒價(jià)值像荷爾蒙，比較短暫。對(duì)人來(lái)講，產(chǎn)生長(zhǎng)久的價(jià)值還是內(nèi)啡肽的價(jià)值，即能真正幫助人去解決具體問(wèn)題，提供生產(chǎn)力。

傳統(tǒng)的工業(yè)機(jī)器人在特定場(chǎng)景下做一個(gè)高精度的工作，已經(jīng)比人都高效，具身智能的重點(diǎn)還是在于多任務(wù)、多場(chǎng)景的泛化能力。這點(diǎn)來(lái)講，行業(yè)內(nèi)還有很多挑戰(zhàn)。

看落地，我反而認(rèn)為遙操作的技術(shù)，可以做業(yè)務(wù)兜底，另外從獲取數(shù)據(jù)的角度來(lái)看，遙操作也非常有用。短期來(lái)看，遙操作技術(shù)可能是對(duì)獲取數(shù)據(jù)和在真實(shí)場(chǎng)景落地都非常重要的一個(gè)技術(shù)。長(zhǎng)期來(lái)看，還是把智能的能力提高。 澎湃科技：其實(shí)包括現(xiàn)在其他品牌的機(jī)器人在展示具體操作能力時(shí)，往往仍離不開(kāi)人工遙操作。很多網(wǎng)友也會(huì)質(zhì)疑，既然還要人來(lái)操作，那這算什么智能？什么時(shí)候才能真正擺脫遙操作？王闖：我們的機(jī)器人在工廠(chǎng)三小時(shí)的直播，全程都是機(jī)器人自主完成，后臺(tái)沒(méi)有任何人工干預(yù)。當(dāng)然，我們也設(shè)計(jì)了兜底措施以應(yīng)對(duì)極端情況。但兜底的措施并不完全依賴(lài)遙控操作。

遙控操作有兩點(diǎn)價(jià)值：一是訓(xùn)練階段對(duì)真實(shí)場(chǎng)景數(shù)據(jù)的要求。我們?cè)谟?xùn)練環(huán)節(jié)，是需要操作數(shù)據(jù)，有一些場(chǎng)景需要數(shù)據(jù)驅(qū)動(dòng)，需要人類(lèi)教機(jī)器人怎么做，這個(gè)過(guò)程包括模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。越是精細(xì)復(fù)雜的任務(wù)，越需要更多的數(shù)據(jù)去訓(xùn)練。如組裝類(lèi)作業(yè)，仍需要真實(shí)場(chǎng)景中的操作數(shù)據(jù)，包括模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的過(guò)程。傳感器數(shù)據(jù)的豐富度也會(huì)影響模型學(xué)習(xí)效果。

二是保障任務(wù)的穩(wěn)定性。哪怕機(jī)器出錯(cuò)的概率只有萬(wàn)分之一，也不能讓整條產(chǎn)線(xiàn)停擺，這個(gè)時(shí)候需要人遠(yuǎn)程遙控操作恢復(fù)。我們也想過(guò)，在某些商業(yè)場(chǎng)景里，遙控操作本身也有實(shí)際價(jià)值，比如在較為荒涼的地方開(kāi)小賣(mài)部，以坐在辦公室遠(yuǎn)程操控賣(mài)產(chǎn)品。

具身智能數(shù)據(jù)極度缺乏，包括觸覺(jué)、深度識(shí)別

澎湃科技：經(jīng)過(guò)半年的發(fā)展，機(jī)器人現(xiàn)在大腦和小腦成熟度分別怎么樣？

王闖：我們小腦并沒(méi)有用到大模型。現(xiàn)在我們機(jī)器人的小腦例如下肢的控制，我們用的強(qiáng)化學(xué)習(xí)都直接是端側(cè)部署，并不依賴(lài)于云端的大模型。

另外，我們上肢系統(tǒng)也不依賴(lài)云端大模型。上肢“小腦”的運(yùn)動(dòng)規(guī)劃也都在端側(cè)完成。我認(rèn)為目前大模型對(duì)機(jī)器人產(chǎn)業(yè)最大的賦能，主要體現(xiàn)在對(duì)環(huán)境的理解能力上。

讓我驚艷的是多模態(tài)大模型的出現(xiàn)，它對(duì)現(xiàn)實(shí)世界中各種物體具備一定的理解能力，甚至有些它沒(méi)見(jiàn)過(guò)的，也能分析。但現(xiàn)在大模型技術(shù)還不夠成熟，機(jī)器人還做不到“看一眼就知道干什么”，也難以通過(guò)簡(jiǎn)單語(yǔ)言指令高效完成復(fù)雜任務(wù)。目前，帶動(dòng)作執(zhí)行的大模型還沒(méi)有出現(xiàn)，還沒(méi)有形成既具泛化性又高成功率的通用方案。

王志勇：我認(rèn)為一是模態(tài)，二是模型。

所謂模態(tài)即大模型就像人一樣，有視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)、嗅覺(jué)等不同的感知能力。讓具身智能有感知，傳感器一定要足夠多，盡可能多獲取有3D深度的視覺(jué)、觸覺(jué)、電子皮膚。

更關(guān)鍵的問(wèn)題是，當(dāng)模型拿到這些信息后，是否真的能駕馭好，做出好決策。有些國(guó)產(chǎn)車(chē)因?yàn)榻邮樟烁嗄B(tài)的信息，導(dǎo)致內(nèi)部的兩套決策系統(tǒng)可能“打架”。比如拿到雷達(dá)信號(hào)，但沒(méi)有實(shí)現(xiàn)有效融合，反而影響了最終判斷。換句話(huà)說(shuō)，模態(tài)信息越多，不一定是好事，關(guān)鍵是決策系統(tǒng)能否協(xié)同處理。

目前，從模型角度看，獲得具身智能相關(guān)數(shù)據(jù)仍有很大挑戰(zhàn)。這不像自動(dòng)駕駛那樣相對(duì)成熟?，F(xiàn)在連視覺(jué)都還只是初步應(yīng)用，更別說(shuō)觸覺(jué)和其他感知，這些數(shù)據(jù)極度缺乏。

從算法技術(shù)路線(xiàn)來(lái)講，其實(shí)也沒(méi)有收斂。現(xiàn)在VLA（視覺(jué)語(yǔ)言動(dòng)作）這條路上有好幾家在探索，但不像大模型已形成共識(shí)。所以有很多難點(diǎn)，路還比較長(zhǎng)。

澎湃科技：好像多家都開(kāi)始探索VLA模型路徑，您能否給大家科普一下VLA模型到底是什么？

王志勇：VLA其實(shí)強(qiáng)調(diào)像人一樣，從感知環(huán)境到自主決策并采取一定的行動(dòng)。在自動(dòng)駕駛領(lǐng)域已發(fā)展得相當(dāng)不錯(cuò)，機(jī)器人本身VLA的模型能力還處于早期階段。

王闖：VLA模型關(guān)鍵在于泛化性要求非常強(qiáng)。即使從未見(jiàn)過(guò)的場(chǎng)景，也能迅速做出正確的反應(yīng)。它依賴(lài)大量數(shù)據(jù)構(gòu)建基座能力，確保在千差萬(wàn)別的任務(wù)中也有成功率。

目前VLA模型的難點(diǎn)在于，行業(yè)內(nèi)現(xiàn)在到底需要什么樣的數(shù)據(jù)并沒(méi)有形成共識(shí)，導(dǎo)致大家采集數(shù)據(jù)不一，此外數(shù)據(jù)量是否足夠現(xiàn)在未有定論。這些新的數(shù)據(jù)會(huì)對(duì)VLA模型有什么影響，也暫時(shí)未知。另外從VLA模型效果來(lái)看，它與人類(lèi)的泛化能力仍然有顯著的差距，要實(shí)現(xiàn)強(qiáng)泛化、高成功率，這非常不容易。

還有一點(diǎn)必須考慮的是部署問(wèn)題，模型不能無(wú)限大。真正落地時(shí)，也必須注重端側(cè)運(yùn)行能力，不能完全依賴(lài)云端。最好模型大小也是可控的，在端測(cè)功耗算力都可負(fù)擔(dān)時(shí)，它最終價(jià)值才會(huì)非常大。

徐嘯順：在我們工廠(chǎng)環(huán)境中，質(zhì)量和安全是首要考慮因素。但非專(zhuān)業(yè)用戶(hù)很難理解模型的決策機(jī)制。這個(gè)行業(yè)里也一直在強(qiáng)調(diào)模型的可解釋可信任可負(fù)責(zé)，包括自動(dòng)駕駛也是要讓模型達(dá)到可負(fù)責(zé)的程度才能完全交付。目前多模態(tài)VLA模型（視覺(jué)、語(yǔ)言、動(dòng)作）技術(shù)尚未完全收斂，在現(xiàn)場(chǎng)部署中仍然存在一定風(fēng)險(xiǎn)。在現(xiàn)階段，“能跑起來(lái)”已經(jīng)很不錯(cuò)了，但要做到可信任可負(fù)責(zé)，可能還需要一段時(shí)間。

所以我個(gè)人認(rèn)為，工業(yè)場(chǎng)景中更適合采用小模型或傳統(tǒng)神經(jīng)網(wǎng)絡(luò)小模型去處理動(dòng)作任務(wù)。而大模型要經(jīng)歷驗(yàn)證和完善，行業(yè)也需建立一整套評(píng)估和管理機(jī)制。

希望明年真正能做到客戶(hù)直接簽單

澎湃科技：這幾天我注意到特斯拉在美國(guó)洛杉磯已經(jīng)落地了一個(gè)無(wú)人化的服務(wù)場(chǎng)景，展望未來(lái)，如果我們以半年為單位來(lái)看，這類(lèi)的場(chǎng)景會(huì)有在國(guó)內(nèi)落地的可能性嗎？半年之后又會(huì)有哪些變化或發(fā)展趨勢(shì)？ 

徐嘯順：前不久，我們也和智元機(jī)器人合作，做了一些機(jī)器人的場(chǎng)景測(cè)試，比如用戶(hù)抽盲盒、機(jī)器人遞交盲盒。這個(gè)動(dòng)作本身并不復(fù)雜，但如果每臺(tái)機(jī)器人都能穩(wěn)定地重復(fù)執(zhí)行，就具備構(gòu)建“汽車(chē)餐廳”這類(lèi)場(chǎng)景的基礎(chǔ)。這樣的流程可以被拆解為一系列可控的步驟。只要產(chǎn)業(yè)各方共同推進(jìn)，我相信在中國(guó)類(lèi)似場(chǎng)景很快就會(huì)實(shí)現(xiàn)落地。

王志勇：我不太好預(yù)測(cè)明年的進(jìn)展，從更長(zhǎng)遠(yuǎn)的角度來(lái)看問(wèn)題，我們?cè)趫?chǎng)景上希望未來(lái)機(jī)器人能夠走進(jìn)家庭。

王闖：特斯拉一直擅長(zhǎng)向公眾傳遞信息，善于制造能抓住大家眼球的內(nèi)容。我們看到它宣傳最多的其實(shí)是機(jī)器人倒爆米花的場(chǎng)景，咖啡反而較少。而在今年WAIC智元機(jī)器人的展臺(tái)上，我們也展示了多臺(tái)機(jī)器人為觀眾遞送可樂(lè)、飲料等互動(dòng)體驗(yàn)。

我們希望明年，機(jī)器人能在服務(wù)場(chǎng)景、作業(yè)場(chǎng)景中展現(xiàn)給大家更多價(jià)值，比如提供一些吃的，或具備更復(fù)雜的作業(yè)能力。我們把2025年定義為商業(yè)化元年，很重要的任務(wù)是跟客戶(hù)一起去思考哪些場(chǎng)景真正有價(jià)值，而不是只放演示，我希望明年客戶(hù)看上了可以直接簽單。