從全球首屆具身智能真機黑客松，看機器人模型、數(shù)據(jù)及落地變革之路

3月底， 我們來到深圳，參加了全球首屆線下具身智能基礎(chǔ)模型真機操作黑客松。

在一群00后極客、學(xué)術(shù)圈大咖及產(chǎn)業(yè)核心公司代表中，我們看到了一條清晰的發(fā)展路線：機器人開源生態(tài)正集中多方力量，從機器人模型，數(shù)據(jù)集到開發(fā)者生態(tài)，快速將全行業(yè)向前推進。

在一群00后極客、學(xué)術(shù)圈大咖及產(chǎn)業(yè)核心公司代表中，我們看到了一條清晰的發(fā)展路線：機器人開源生態(tài)正集中多方力量，從機器人模型，數(shù)據(jù)集到開發(fā)者生態(tài)，快速將全行業(yè)向前推進。

這次由自變量機器人聯(lián)合主辦的開發(fā)者大會創(chuàng)下了三個“第一次”：

• 第一次全部任務(wù)在真實物理場地完成，摒棄仿真環(huán)境測評；

• 第一次極低延時全鏈條采訓(xùn)推平臺：從數(shù)據(jù)采集、模型訓(xùn)練到真機部署，全部在三天內(nèi)完成；

• 第一次全變量控制測評，參賽隊伍無法依賴預(yù)設(shè)參數(shù)，必須具備真正的環(huán)境自適應(yīng)能力。

這對團隊的算法和系統(tǒng)能力來說，是一次非常硬核的極限考驗，簡單來說，主辦方想讓具身模型比賽回歸真實世界。

硅谷101聯(lián)合創(chuàng)始人陳茜也在大會的最后一天主持了一場專家論壇，就模型路線，數(shù)據(jù)和產(chǎn)業(yè)落地等核心問題與行業(yè)大咖們進行了一場深度分享。

以下是這場論壇的精彩觀點：

01

蓬勃的開源社區(qū)

數(shù)據(jù)、模型及評測

陳茜，硅谷101聯(lián)合創(chuàng)始人：

最近開源算法中最重要的一些新變化都有哪些？

蘇治中，地平線機器人實驗室負(fù)責(zé)人：

機器人相比大語言模型、視頻生成模型，是一個系統(tǒng)工程，包含數(shù)據(jù)采集到真機部署的多個環(huán)節(jié)，復(fù)雜度和門檻更高。如果沒有開源工作，工業(yè)界和學(xué)術(shù)界的發(fā)展會慢很多。工業(yè)界層出不窮的面向場景的具身企業(yè)可以基于開源工作快速做場景驗證。學(xué)術(shù)界，高校學(xué)生基于開源工作，能夠接觸更前沿的研究并得到更好的訓(xùn)練，工作后上手也會更快。因此，開源對具身行業(yè)的推動比其它行業(yè)更為重要。

趨勢方面，除了模型和數(shù)據(jù)，具身的訓(xùn)練流程和數(shù)據(jù)配方正變得越來越復(fù)雜，從預(yù)訓(xùn)練到后訓(xùn)練再到強化學(xué)習(xí)，每個環(huán)節(jié)都很重要，因此之后全鏈路的配方會是開源里很重要的一部分。

陳茜，硅谷101聯(lián)合創(chuàng)始人：

目前的一些機器人領(lǐng)域的開源，包括數(shù)據(jù)，都是不開放的，你覺得之后的開源會越來越開放嗎？

蘇治中，地平線機器人實驗室負(fù)責(zé)人：

過去大家在開源時一方面有所保留，另一方面很多東西不是那么成熟，沒到讓開發(fā)者輕松上手的程度。現(xiàn)在隨著Vibe Coding火熱，上手的門檻在下降，大家做的東西也更成熟更適合開源了。此外行業(yè)競爭也變得越來越激烈，各家都需要通過更豐富的開源來擴展生態(tài)或者建立品牌，所以開源的趨勢會上升。終局怎樣現(xiàn)在不好講，企業(yè)要根據(jù)其商業(yè)化的進展開判斷開源的程度。

甘如飴，自變量合伙人、算法負(fù)責(zé)人：

開源對不管產(chǎn)業(yè)還是企業(yè)界都是互利的過程。因為大語言模型（LLM）的數(shù)據(jù)一開始就是巨量的，但機器人面臨的問題就是你要做真機（數(shù)據(jù)），但又非常昂貴。那怎樣得到這么多的數(shù)據(jù)？所以你會看到，這一波具身開源里，數(shù)據(jù)的開源反而是最開始出現(xiàn)的。

第一個動力有點像ImageNet出現(xiàn)的時候，大家還沒有收斂到非常先進的技術(shù)路線上，所以愿意把各種各樣的多模態(tài)數(shù)據(jù)開源出來，讓學(xué)界、產(chǎn)業(yè)界都能在此之上做探索。

第二個動力就是現(xiàn)在的模型結(jié)構(gòu)，它的訓(xùn)練方式并不是完全確定的。當(dāng)然，我覺得端到端這個路線一定是要堅持、而且是正確的路線。但具體怎么去設(shè)計模型的結(jié)構(gòu)，設(shè)計什么樣的函數(shù)壓縮數(shù)據(jù)，這其實是大家要做的。

第三個動力就是評測，到底誰的模型好用？誰的模型不好用？拿我們自變量的這次比賽來說，大家會去嘗試多種模型，也讓大家更切實地感受，不是停留在某一個榜單，而是停留在線下的真機評測上。

田明，阿里巴巴達摩院具身平臺產(chǎn)品負(fù)責(zé)人：

一個大的產(chǎn)業(yè)革命，一般都會分為三個典型的周期階段，第一個就是生產(chǎn)力的革命，第二個就是生產(chǎn)關(guān)系的重塑，第三個就是制度和秩序的形成。

我們現(xiàn)在在第一階段就是生產(chǎn)力這個革命的早期的這樣一個階段，共識非常沒有收斂，這個時候開源意味著什么？我心中的答案是：開源即共識，共識即價值，在未來的這個時代形成共識本身就是價值的體現(xiàn)，主要是對增量市場的變化、對于競爭的變化、對于內(nèi)部的變化三層。

第一，增量市場的變化，尤其是任何顛覆式創(chuàng)新的早期，都是一個待開拓的階段，我們通過開源可以快速的把我們這個賽道的蛋糕做大，把聲量打出去，然后吸引更多的利益相關(guān)者，大家在這個里面形成一個生態(tài)。

第二，競爭的價值，首先我們會把我的開源水平以下的中長尾這些能力全部都清場掉，然后提升了市場的集中度，就避免重復(fù)造輪子，然后同時開源對于頭部的，比如說閉源的沖擊也是比較大的，因為我整合了更多的利益相關(guān)者，然后有更多的開發(fā)的思路，然后我要通過更多的市占率，來挑戰(zhàn)（巨頭），就比如說現(xiàn)在蘋果手機可能只市占率10%，但其實開源安卓手機還是更大的規(guī)模。

第三，開源對于團隊內(nèi)部的影響是什么？第一就是我們更快地確認(rèn)迭代方向，第二是我可以聚合更多的開發(fā)者，這也是說開源一定要做生態(tài)，在這個階段對具身智能來說是非常重要的，因為在現(xiàn)在數(shù)據(jù)也不收斂、數(shù)據(jù)范式也不收斂、模型也不收斂、應(yīng)用場景也在探索。所以未來趨勢很明確，現(xiàn)在做模型的廠商看上去有很多，接下來一段時間肯定包括像阿里我們自己做的具身大腦的rebrain，還有我們的 VLA 這個系列全部都開源，我會很快的把市場的集中度逐漸的收上來，從而讓像自變量這樣一些非常優(yōu)秀的明星企業(yè)和我們大廠之間，大家快速的形成更多的共識，這個就很幫助。

吳昊天，美團高級總監(jiān)、無人機硬件研發(fā)負(fù)責(zé)人：

現(xiàn)階段閉源會多一些，永遠閉源嗎？應(yīng)該不會，人類社會進步本身就是建立在開源知識積累上面的。未來的商業(yè)價值創(chuàng)造應(yīng)該80%都基于開源的，20%是閉源的，但是從價值攫取來講，20%攫取80%的利潤。只有這樣，行業(yè)才能站在巨人肩膀上爬一節(jié)， 創(chuàng)造增量價值。大家可以參照英偉達CUDA及其開源軟件生態(tài)，解決很多應(yīng)用基礎(chǔ)構(gòu)建問題，但是開放的軟件生態(tài)卻催生5萬億市值的芯片生意。這是從我們現(xiàn)在存量的商業(yè)模式和案例中，理解開源和閉源的路徑怎么走及其重要性。

具身智能在商業(yè)中應(yīng)用體量并沒有起來，技術(shù)也沒有完全收斂，現(xiàn)在可能還不是討論開源閉源的時候。現(xiàn)在開源、閉源還是從公司投資的角度來思考的，隨著行業(yè)的發(fā)展，必然會出現(xiàn)巨頭開源，有非常少部分的增量Knowhow將會掌握在少部分公司手里。

02

VLA模型挑戰(zhàn)

算力、數(shù)據(jù)與泛化性

陳茜，硅谷101聯(lián)合創(chuàng)始人：

現(xiàn)在 VLA 模型最大的進步以及面對的挑戰(zhàn)和瓶頸分別是什么？

蘇治中，地平線機器人實驗室負(fù)責(zé)人：

VLA的主要問題包括算力和帶寬開銷大，空間感知能力弱，單幀的state到action的映射，模態(tài)局限等。其它路線目前最流行的是WAM，WAM有更好的視覺編碼器，對未來的想象可以幫助到動作生成，但也存在重建像素代價高，不能很好的理解物理規(guī)律等問題。不管是VLA還是WAM，都是在借用當(dāng)下AI行業(yè)中智力和算力投資最大的兩個領(lǐng)域，即多模態(tài)大模型和視頻生成模型的產(chǎn)出，是一個搭便車行為。這兩個領(lǐng)域都很受關(guān)注，有較大的收入預(yù)期因此投入也大。但作為一個具身模型的底座，像前面提到的，它們各有各的問題。我非常期待具身智能領(lǐng)域能夠去構(gòu)建更好的、真正面向具身的底座，有更好的3D空間理解能力和對物理規(guī)律的理解，這樣才有潛力推動具身技術(shù)變革。

甘如飴，自變量合伙人、算法負(fù)責(zé)人：

一個新的方向出來，出現(xiàn)了很多賣鏟子的人。大家首先瞄準(zhǔn)的就是數(shù)據(jù)，怎么樣去解決數(shù)據(jù)效率和數(shù)據(jù)成本？這是在落地的過程中比較現(xiàn)實的一個問題。

產(chǎn)業(yè)真的應(yīng)用我們模型的時候，我們希望我們的機器人、模型能夠做多種任務(wù)。這需要更多的數(shù)據(jù)，更好的模型結(jié)構(gòu)設(shè)計，更好的loss函數(shù)的設(shè)計，這也是現(xiàn)在落地面臨的比較大的問題。

最后在路線這一塊，我們覺得可能有幾個方向是可以探索。首先在輸入層面，我們在想如何能把更多的模態(tài)的信息能加入到我們模型里面去。因為做很多操作的任務(wù)，跟純粹的語言模型不太一樣，比如當(dāng)我們?nèi)ツ笠粋€雞蛋的時候，它可能需要一些觸覺的信息，而不是視覺的信息。這時候怎么樣把這些不同的模態(tài)、不同的頻率的輸入，能夠跟現(xiàn)在的動作和視覺整合在一起，這是一個比較關(guān)鍵的問題。

第二個就是輸出層面，就不管是World Model（世界模型）還是VLA，大家都在探索一個更有效的loss函數(shù)。比如是只輸出動作，還是不僅有動作，還有視覺、視頻、3D、觸覺力控。是以離散的方式還是以連續(xù)的方式輸出動作？這也是其中非常重要的一個路線的探索。這也是為什么我們辦這個比賽，我覺得所有的路線都需要一個非常好的評測，然后才能決定我們的迭代方向到底是什么，而不是我們只是論文上的一次小的視頻的展示。

田明，阿里巴巴達摩院具身平臺產(chǎn)品負(fù)責(zé)人：

我首先覺得自變量的模型我個人的評價確實非常高的，在過去6個月，我至少接觸了80家行業(yè)中的各個伙伴，我個人還是非常歡迎自變量基于實證主義的很多模型的探索。

我今天思考的問題就在于，我們對于VLA模型有什么樣的期待？它要解決的問題是在一個復(fù)雜、連續(xù)、高維的真實世界中的立體的操作接觸類問題，不同于自動駕駛是平面移動的避障問題，也不同于數(shù)字AI是一個在線閉環(huán)做學(xué)習(xí)的問題。

我們發(fā)現(xiàn)供給側(cè)它一定是個復(fù)雜系統(tǒng)工程問題，而絕對不會是單個模型的問題。如果收斂到用模型去解決這個問題，我認(rèn)為應(yīng)該是一個從System 2的慢思考到System 1的快思考，再到System 0的及時反應(yīng)的大模型的流程。

具體而言，比如說System 2的核心就是要解決機器人任務(wù)中，在復(fù)雜的時空信息里面的定位、計數(shù)的問題，以及這一層跟上面的agent工程層，我們的存儲系統(tǒng)是怎么設(shè)計的？

再往下是System 1，現(xiàn)在傳統(tǒng)的范式的好處在于我們希望能夠垂直地打穿一個問題，通過預(yù)訓(xùn)練VLA加RL（強化學(xué)習(xí)），不僅做到能準(zhǔn)，還能做到快。在RL中，我可以把執(zhí)行效率作為它的一個優(yōu)化目標(biāo)。

其中我們現(xiàn)在最關(guān)心的是視頻的action model（動作模型），我當(dāng)然希望視頻生成能夠解決泛化性。有個說法叫莫拉維克的悖論，就是今天我掉了兩個手指頭，我仍然知道用剩下的三個手指頭怎么抓東西，但機器人今天一改它就不行。所以我們現(xiàn)在非常關(guān)心的是這部分如何快速規(guī)模化。

System 0的引入我認(rèn)為是非常必要的，就是我們說的一千赫茲的快速的觸覺，最近像Sharpa等其他的公司也在做。因為有時候機器人的攝像頭可能會被遮擋一部分，而觸覺其實不但能提升它的操作的效率，關(guān)鍵是在有遮擋的情況下，還是能夠去完成這個任務(wù)，并且有一個及時反應(yīng)能力，所以我認(rèn)為VTLA (Vision-Tactile-Language-Action，視覺-觸覺-語言-動作模型) 的這個部分一定是我們要在模態(tài)這個角度上去考慮的。今年我非常關(guān)注的就是如何把Human-centric（以人為本）的數(shù)據(jù)去做預(yù)訓(xùn)練的scaling（規(guī)?；?，然后再去垂直的做一些優(yōu)化。

吳昊天，美團高級總監(jiān)、無人機硬件研發(fā)負(fù)責(zé)人：

在我們業(yè)務(wù)當(dāng)中，主要是在分揀打包的場景會使用，是個具身操作的問題。我們也會用VLA，但是用完了之后會面臨一個重大問題，

比如我們的小象超市，里面有很多SKU互相疊在一塊，首先你看不清，二是每個SKU之間它的材質(zhì)所需要的抓力也是不同的。我們這個模型，目前現(xiàn)在還達不到這樣的對多種SKU以及多種動態(tài)環(huán)境的實用性，這是我們現(xiàn)在目前遇到的一些問題。

大家認(rèn)為WAM（World Action Model，世界動作模型）可能是一個趨勢，但是現(xiàn)在的問題不是沒有數(shù)據(jù)，而是數(shù)據(jù)質(zhì)量和數(shù)據(jù)規(guī)模。而且獲取數(shù)據(jù)的方法，現(xiàn)在的模態(tài)也沒有歸一起來，現(xiàn)在我們的設(shè)備也都比較貴，很難在真實的應(yīng)用場景當(dāng)中去獲取數(shù)據(jù)，這是我可能我們面臨的一個重大的問題。

所以我認(rèn)為模型架構(gòu)收斂的前提在于，我們未來能夠達到高可靠這樣的一個具身智能的能力，我們到底需要多少模態(tài)的信息？這些模態(tài)的信息怎么能夠低成本的獲得？這可能是我們第一件事情要去解決的。

03

數(shù)據(jù)稀缺的解決方案

仿真、遙操與真實部署

陳茜，硅谷101聯(lián)合創(chuàng)始人：

你們覺得數(shù)據(jù)接下來行業(yè)的主流解決方案是什么？有沒有什么好的方式快速推動或者解決機器人的數(shù)據(jù)問題？

蘇治中，地平線機器人實驗室負(fù)責(zé)人：

數(shù)據(jù)方案總體是個經(jīng)濟賬，互聯(lián)網(wǎng)數(shù)據(jù)雖然容易獲取，但是它和機器人的相關(guān)性低，需要花非常多額外的存儲和訓(xùn)練代價才能獲得相對不錯的精度，本體數(shù)據(jù)雖然采集很貴，但是只要很少的訓(xùn)練量和迭代輪數(shù)就能得到很好的效果。因此不應(yīng)該把賭注僅放在某一個路線上，而是應(yīng)該根據(jù)需求去衡量最經(jīng)濟的方式。目前除了頭部具身企業(yè)外，大家都很缺數(shù)據(jù)，同時由于很難通過消融實驗把不同類型數(shù)據(jù)的價值說清楚，因此都是能用的盡量用。從我的視角，在預(yù)訓(xùn)練時使用低成本的人類數(shù)據(jù)，在后訓(xùn)練階段使用高精度的本體數(shù)據(jù)是比較好的方式。

甘如飴，自變量合伙人、算法負(fù)責(zé)人：

我們公司從最開始嘗試了各種各樣的素材方式，比如說像本體的遙操，像無本體的夾爪、手套，包括靈巧手等我們都有一些嘗試和布局。

隨著世界模型的出來，后面的數(shù)據(jù)其實也可能會有兩種處理方式，一種就是通過手部的重建，通過位置的估計，能得到一個厘米級別的軌跡，它相比無本體或者真機遙操數(shù)據(jù)，它的軌跡數(shù)據(jù)沒有這么精準(zhǔn)，但是它的好處就在于非常大量。

但是你如果通過視頻生成的模型，最終就是大家也會發(fā)現(xiàn)現(xiàn)有的模型，當(dāng)你做了這些操作之后，你想真正地去完成很多實際中的操作任務(wù)，還是離不開一些更高精度的，像無本體的數(shù)據(jù)或者真機的數(shù)據(jù)去微調(diào)的。

另外一個就是怎么樣去控制數(shù)據(jù)質(zhì)量，作為模型廠商來說，我們可能比較大的優(yōu)勢就在于我時時刻刻會有模型的反饋在里面，而且經(jīng)濟賬要算得過來，這也是我們的優(yōu)勢。

另外就是我們針對數(shù)據(jù)本身的軌跡質(zhì)量，我們其實有非常多的數(shù)據(jù)相關(guān)的模型，在我們的管線里去做一個數(shù)據(jù)的挑選。另外我們也會有一些數(shù)據(jù)增強。

第三個我們在數(shù)據(jù)標(biāo)注這一側(cè)也會投入非常多，我們也會有非常完整的一套產(chǎn)鏈，所有的這些都構(gòu)成了我們整個的數(shù)據(jù)管線。

最后我覺得可能除了真機數(shù)據(jù)之外，我覺得就是真實地部署到家庭，或者說部署到真實的任務(wù)里面拿到的這種反饋，拿到的大規(guī)模的接管數(shù)據(jù)是目前為止沒有任何一家公司有做到的。但是我們覺得這個數(shù)據(jù)非常的重要，所以這個數(shù)據(jù)在我們的整個系統(tǒng)里有非常大的比例。

田明，阿里巴巴達摩院具身平臺產(chǎn)品負(fù)責(zé)人：

我們想從數(shù)據(jù)金字塔和數(shù)據(jù)質(zhì)量的角度，和大家聊聊這個話題。整體可以分成三個階段：泛化、精確、靈巧。

泛化是基礎(chǔ)的第一步。走進工廠會發(fā)現(xiàn)，凡是需求規(guī)?；?、流程標(biāo)準(zhǔn)化的環(huán)節(jié)，大多已經(jīng)由先進制造設(shè)備來完成，之后才會逐步考慮由具身智能機器人來承擔(dān)。所以第一步，我們是先在垂直場景里把精度做扎實，這樣才能真正賦能千行百業(yè)。

再說到精確，目前硬件整體能力還在發(fā)展中，比如在桌面清潔這樣的場景中，機器人會遇到位姿偏差、設(shè)計適配等實際問題，只有逐步解決這些流程性問題，讓運行更穩(wěn)定、更可靠，我們才能在硬件層面采集到更真實的場景數(shù)據(jù)，為后續(xù)發(fā)展打下基礎(chǔ)。

關(guān)于靈巧性，我對靈巧手的發(fā)展方向非?？春?，也認(rèn)為這是更貼近第一性原理的路徑。人類都在依靠雙手完成各類操作，這本身就是很直觀的參考。從數(shù)據(jù)和技術(shù)的演進來看，我們也正是沿著泛化、精確、靈巧這樣的路徑，一步步去探索和提升的。

吳昊天，美團高級總監(jiān)、無人機硬件研發(fā)負(fù)責(zé)人：

仿真數(shù)據(jù)一定會占很大的比例，所以現(xiàn)在還是要去研究physical engine（物理引擎）這類基礎(chǔ)問題，把我們的physical engine做得更好，讓我們世界模型具有context reach（上下文覆蓋）的能力，產(chǎn)生足夠多的數(shù)據(jù)。

我認(rèn)為compute（計算）本身就是數(shù)據(jù)，應(yīng)該是最早的數(shù)據(jù)基座，后期它可能會出現(xiàn)多場景的真實世界的采集，可能跟我們現(xiàn)在的國內(nèi)的這個階段很相近，就是建很多的數(shù)據(jù)采集工廠。后面可能是cherry on top（錦上添花）的事情，隨著我們在某些垂類應(yīng)用的使用，它聚焦了之后，沒有那么大量地去收集了，成本就會降下來，我們就可以用稍微精度更高的設(shè)備，投入更多的人力去收取這種高精度的和我們真實場景更吻合的一些數(shù)據(jù)，這樣就形成了一個數(shù)據(jù)金字塔，最終在某一個垂類上把我們具身智能的數(shù)據(jù)集基座以及模型打造出來。

04

商業(yè)化路徑

教育、工業(yè)與家庭

陳茜，硅谷101聯(lián)合創(chuàng)始人：

今年會看到機器人大規(guī)模商業(yè)落地嗎？如果是的話，它的具體場景最先在哪些產(chǎn)業(yè)發(fā)生？

蘇治中，地平線機器人實驗室負(fù)責(zé)人：

現(xiàn)在具身智能能夠落地有三個關(guān)鍵詞，第一個是節(jié)拍慢，第二個任務(wù)是閉集指令（close set），指令開放是家庭機器人最難的地方，普通家庭用戶什么指令都有可能發(fā)出，現(xiàn)在具身模型的能力、算法的發(fā)展現(xiàn)狀還很難滿足用戶的開集指令需求。第三個是短程，整個任務(wù)時間和位置跨度不能特別大，在家里比如說我要洗衣服，我要在洗衣機旁坐長時間的等待，或者要做飯，這個任務(wù)所需要的時間也特別長。

在滿足這三個關(guān)鍵詞的情況下，即節(jié)拍不能太高，任務(wù)是閉集（任務(wù)數(shù)量有限），以及短程的情況下，以現(xiàn)有的技術(shù)在工廠有落地潛力，能夠得到比較高的成功率。指令泛化盡管很重要，但它也是最難的。ChatGPT大家用它來聊天，覺得很有意思，機器人每個事情都能做點，但是什么都做不成，它是完全沒用的，只要有一個事情可以做成，不管賬算不算得過來，它多少是一個有功能的產(chǎn)品，才有可能驅(qū)動落地，才有可能真的讓這個量部署上來。

作為一個對照，我們看自動駕駛，自動駕駛之所以相對來說發(fā)展的更好，是因為量產(chǎn)的乘用車就可以采集數(shù)據(jù)，車即便沒有智能，它也是有功能的，它可以開，但是機器人沒有智能，它就完全沒有功能了。你要在少量任務(wù)上打穿，使它有功能進入場景，能夠迭代，它才有可能擴展其他能力。

剛剛主持人聊到一個悖論，即機器人如果無法規(guī)模化部署的話，無法獲得數(shù)據(jù)做迭代就永遠無法落地。自動駕駛領(lǐng)域除了特斯拉把大量的車交付到用戶手里之外，國內(nèi)大部分廠商僅通過自己的測試車隊獲取的數(shù)據(jù)也可以把方案做得很好，從這個視角來看，這個悖論并不存在。當(dāng)然最終落地所需要的數(shù)據(jù)量和設(shè)備的數(shù)量，與場景和任務(wù)是相關(guān)的，因此機器人能夠盡早進入場景還是很重要的，能大大加速這個過程。

甘如飴，自變量合伙人、算法負(fù)責(zé)人：

我們今年發(fā)現(xiàn)兩種場景，一種就是工業(yè)場景，是一些單任務(wù)，但另一種是像家庭這種是一些通用任務(wù)。

就算是做單任務(wù)也跟泛化并不矛盾。

所以在我看來就是我怎么樣得到一個更好的基礎(chǔ)模型的情況下，然后我逐步地也去在一些真實的場景去落地。

可以先在單任務(wù)上面去做一些驗證，比如說預(yù)訓(xùn)練、后訓(xùn)練、強化、數(shù)據(jù)閉環(huán)等，并且能在這個上面能不斷地把成功率、速度提上來，這個我覺得是非常有機會的。哪怕你只是面對工廠的一些裝配任務(wù)，多采了非常多的跟裝配相關(guān)的抓取或者相應(yīng)的任務(wù)，你也能得到一個更好的一個效果。

第二，針對多任務(wù)來說，我覺得這個就更是基座模型的優(yōu)勢了，但是它可能要面臨的問題是，在非常多的任務(wù)上，能不能有一定的成功率？我覺得可能早期在家庭里面做這個事情的好處在于，很多時候大家對你的節(jié)拍、時間要求并不是這么高，萬一出現(xiàn)了一些事故，還能有一些像接管這樣的兜底策略。但是他也不是只是為了做這個產(chǎn)品，他其實也在不斷地幫你迭代，然后采到更多有用的數(shù)據(jù)。

所以我們覺得這個東西你要真實地先部署出去，你才可能有進步。就跟自動駕駛一樣，有了車它才能夠采集更多的數(shù)據(jù)，它一定是把集群部署出去，然后它才能有更好的泛化性。

田明，阿里巴巴達摩院具身平臺產(chǎn)品負(fù)責(zé)人：

我覺得規(guī)模化的商業(yè)化在今年壓力是比較大的。原因是我們需要有一個足夠合格的產(chǎn)品化，就是從技術(shù)孵化到商業(yè)化中間一定有個產(chǎn)品化。

技術(shù)我可能在某些層面上的SOTA就夠了，但是產(chǎn)品要考慮效果、效率、成本、安全，long regression（長回歸）的穩(wěn)定性，包括法律法規(guī)的制定等等。

我分析這個事情當(dāng)前的方法論在于先在需求側(cè)選擇兩個關(guān)鍵的坐標(biāo)軸：一個就是任務(wù)復(fù)雜度，另外一個就是這個任務(wù)的容錯性。在供給側(cè)我要關(guān)注的一個是硬件的成熟，一個是智能的成熟，所以有了需求的兩軸跟供給側(cè)的兩條線之后，然后我們再匹配上來分析這個問題。

我認(rèn)為在當(dāng)下，在對于容錯率比較高、復(fù)雜度比較低的一個市場，很明確的首先就是教育市場。這個市場又分為了校內(nèi)跟校外，校內(nèi)又分為了高校的、職校的、K12的。1995年個人電腦在中國開始普及的時候，很重要的一個場景是到學(xué)校里裝機房，所以我認(rèn)為教育是非常確定的一個市場。

沿著這個軸往容錯率逐漸要求降低的方向上去發(fā)展，我個人的主張是：以硬件為先，先功能，后智能。怎么理解呢？我可以先把硬件的成熟度迭代上來，簡單的應(yīng)用是做遠程遙操，比如在危重險急的場景，比如說無菌室，或者對人有害的環(huán)境，我都可以把硬件的成熟度先拉上來，然后逐漸去增加它智能里面的占比。

沿著另外一個軸，就是任務(wù)的復(fù)雜度逐漸變高，我們的策略是：以智能為先，先專用，后通用。就比如說酒店是個不錯的場景，今天在酒店里面能夠解決好住的問題，能夠解決好咖啡吧里面的送餐、飲品的調(diào)制問題，我覺得這條路線是一個可以逐漸去提升滲透的。

另外一個就是我們要把智能能力逐漸往上加，這里面會涉及到VLA的導(dǎo)航能力，比如說原來的巡檢場景、工業(yè)場景等。我個人非?？春醚b配這類，需要大量的人工密集型的工作，有標(biāo)準(zhǔn)的SOP的場景。

吳昊天，美團高級總監(jiān)、無人機硬件研發(fā)負(fù)責(zé)人：

美團是技術(shù)的強使用方，豐富應(yīng)用場景的提供者，我提供一個視角。從產(chǎn)品的角度和應(yīng)用的兩個角度來看這個問題。從產(chǎn)品的角度來說，一定要思考我們的超級共識是什么，要先看到通用具身智能到底會不會成為超級共識？然后，思考實現(xiàn)路徑的問題？如果從運營企業(yè)來說，我認(rèn)為是非常有可能成為超級共識，我們不希望有各種各樣的專用設(shè)備，希望管理部署一群更通用的設(shè)備，因為通用智能設(shè)備易部署、一機多能。正如我們渴望綜合能力強的復(fù)合型人才一樣。

鑒于這個戰(zhàn)略共識的情況下，如果是做具身智能產(chǎn)品的公司，那么無論是定義產(chǎn)品和設(shè)計架構(gòu)，甚至定戰(zhàn)略都應(yīng)該思考長期，錨定通用性強的場景。 但是，從應(yīng)用落地的角度來說，一個企業(yè)最終要商業(yè)閉環(huán)，要回血，我們怎么做？肯定先撿著“軟柿子”去揑，這是一個理性的選擇。拿美團做一個案例，我們需要具身智能技術(shù)滿足高節(jié)拍、高動態(tài)、高可靠的應(yīng)用要求，技術(shù)實現(xiàn)比較難。我們開始用具身智能技術(shù)來賦能即時零售業(yè)務(wù)的時候，我們首先思考大概什么場景比較可行。 比如說利用空間尺度劃分即時物流和接駁的問題，從千米、百米、厘米、毫米到亞毫米，我們做了這樣的劃分，后來發(fā)現(xiàn)千米級的問題相對好解決，像用無人車、無人機技術(shù)。 目前，美團被評為全球第二名的無人機物流企業(yè)。但是，我們非常理性地知道，最后100米就比較難解決，比如說上樓的問題，怎么樣打開各種各樣的門，安全對人友好，高峰的時候能夠擠上電梯。另外我們發(fā)現(xiàn)打包節(jié)拍很快，現(xiàn)在平均外賣履約時長不到27分鐘，面對各種各樣材質(zhì)的商品例如雞蛋、豆腐、西紅柿等，怎么樣快速、可靠的打包分揀，這是難點，到了毫米級和亞毫米級的抓取問題。作為一個具身智能產(chǎn)品的企業(yè)，還得先挑“軟柿子”去捏，早日商業(yè)閉環(huán)，形成迭代飛輪最重要。

以上就是這場專家論壇的精彩觀點，我們做了適當(dāng)刪減與編輯?？偟膩碚f，這趟論壇也讓我們對機器人的發(fā)展充滿期待，不但是因為這些來自頂級高校的年輕人們讓人驚喜的決賽表現(xiàn)，更是因為蓬勃發(fā)展的開源社區(qū)，還有自變量這樣愿意助力產(chǎn)、學(xué)、研整合的機器人企業(yè)，相信2026年，機器人賽道會加速前進。

【本期節(jié)目不構(gòu)成任何投資建議】

【視頻播放渠道】

國內(nèi)：B站｜騰訊｜視頻號｜西瓜｜頭條｜百家號｜36kr｜微博｜虎嗅

海外：Youtube

聯(lián)系我們：video@sv101.net