企业家

今年上半年，机器人行业呈现出极为火爆的态势。在行业关注度上升、政策支持力度加大等因素的推动下，整机厂商和零部件厂商平均实现了50% - 100%的增长。如此惊人的增长幅度，在整个行业历史上都十分罕见，这主要得益于需求端对行业发展的有力拉动。

在海外市场，特斯拉作为行业代表，计划于今年量产数千台人形机器人，并将发布第三代Optimus 人形机器人，这一动态值得重点关注。此外，全球企业对机器人行业的热情高涨，包括英伟达、苹果、Meta、OpenAI 等企业都在持续推动这一领域的发展。

我分享几个观点，未必准确。

对于机器人本体来说，很多人可能会有这样一个误区：机器人目前没有大规模应用、功能不够完善的原因，是硬件不够好，或者成本比较高。

其实目前的硬件，无论是整机还是灵巧手，从某种意义上来说都是完全够用的。当然，它们还不够好，还需要优化，在量产以及工程上的问题肯定还是很多的。

但是在技术层面上，或者从AI的角度来说，目前的硬件是完全够用的。当下最大的挑战还是具身智能，或者说AI技术的发展，远远不够满足实际需求。这也是限制当前机器人，尤其是人形机器人大规模应用的最大问题。

目前，机器人行业所处的位置，就像是ChatGPT诞生前的1-3年左右，目前业界已经发现了类似的方向以及技术路线，但是没人把它做出来。

ChatGPT出来的前几年，做语音AI的已经做了十几年，近二十年了，但是大家一直觉得他很傻瓜，根本没法用。直到ChatGPT出现，它展现了比一般人还要强的能力，实现重大突破。机器人行业目前还没有到达这一临界点。

对于机器人的AI技术，我认为临界点可能是这样的：当一个人形机器人能够进入一个完全陌生的环境（比如从未见过的会场），我跟他说“把这瓶水带给某位观众”，或是“整理一下这个房间”，而它能够顺畅自主地完成任务，这就是人形机器人的ChatGPT时刻。

如果进展快的话，可能未来的1-2年或者2-3年，我们就能实现这一目标，最慢的话3-5年也有很大概率能实现。

目前，具身智能不够用的问题，究竟是模型还是数据导致的？我观察到全球范围内对机器人数据问题的关注热度似乎有些过高。而我认为，现在具身智能发展过程中最大的问题是模型，并不是数据。

对于具身智能和机器人来说，模型架构都还不够好，也不够统一。但当下，大家对模型问题的关注度不高，反而对数据的问题关注很多。这或许与大语言模型领域的经验有关，大家普遍认为，只要拥有充足且优质的数据，就能持续优化模型性能。

但是在具身智能，在机器人领域，大家会发现，很多情况下有了数据，却没法用起来。

相对比较火的就是VLA（视觉-语言-动作）模型。VLA是一个相对比较简单式的架构，我个人对VLA模型还是保持一个比较怀疑的态度，因为VLA模型在与真实世界交互时，它的数据质量、能采集的数据是不太够用的。

有个简单的想法，就是在VLA模型上面加一个RL（强化学习）的训练，这是一个非常自然、具有合理性的想法。但是实践下来，我认为它的实用性还是不够的，模型架构还是得再优化升级。

简单分享一下我们团队过去开展的相关探索与实践。近期，谷歌发布了他们全新一代的视频生成模型，或者从某种意义上讲，可视作一个视频驱动的世界模型。还有去年，当OpenAI发布了视频生成模型以后，大家会有一个很自然的想法：我可以控制一个视频生成模型，跟他说“帮我生成一个机器人，去整理一下房间”。

如果模型生成的视频中，机器人可以完成任务，那我是不是能让这个视频生成模型直接去驱动一个机器人完成任务。这个想法非常简单直接，我们去年就去做了这件事情。

我们用一个预训练的视频生成模型，重新训练了一下，让他先去生成一个机器人动作的视频，然后再控制一个机器人去做，这个技术是能实现的。包括谷歌的视频生成世界模型，他们也想实现这个效果。

我认为这个路径和方向可能会比VLA模型发展得要快，收敛概率还更大。当然，目前尚不能断言一定能成功，其中可能也还是有很多问题，例如，视频生成模型太关注视频生成的质量了，导致对GPU的消耗有点大。

但对于实际需求来说，某种意义上，你并不需要很高精度的视频生成质量，你只要驱动机器人去干活就行了。大家可以关注谷歌的视频生成模型，还是非常有意思的。整个模型的架构还是非常简单粗暴的，就是把机器人的一些动作序列控制，直接对齐到模型的架构上，为后续研究提供更多思路和方向。

另外一点，大家也知道，目前机器人跳跳舞、打格斗效果其实已经不错了，但实际上，面临一个很大的问题，如果要进一步提升机器人能力，也就是机器人RL的Scaling Law（扩展法则），还是做得非常不好。

举个最简单的例子，我训练一个机器人做新的动作、跳新的舞蹈，都要重新训练，还是从头开始训练，这是非常不好的一个事情。我们是希望机器人每次做一个新的训练的时候，可以在过去训练基础上进行。

理论上我做RL训练的时候，每次训练的速度应该越来越快，学习新技能的效果越来越好。但是目前整个机器人行业里，还没有人做出来、做好RL的Scaling Law。我认为这是一个极具研究价值和发展潜力的方向。

因为RL Scaling Law在语言模型上已经是充分验证过的事情。但在机器人的运动控制上面，大家才刚刚开始。

我认为，在未来2到5年，智能机器人技术的重心是端到端的具身智能AI模型，而模型本身是最重要的。

与此同时，开发更低成本、更长寿命的硬件设备也是行业的重要发展方向，这毋庸置疑。大家也知道，哪怕对于已经有一百多年历史的汽车行业来说，一家企业要做很好的一辆汽车出来，工程量还是非常大的。

而机器人行业，未来如果每年要生产制造几百万、几千万甚至几亿的人体机器人，它的工程量挑战还是非常惊人的。

同时，低成本的大规模算力也很重要。在人形机器人上，或者在移动机器人本体上，其实没办法直接部署大规模的算力。它的尺寸只有这么大，它的电池只有这么大，它部署算力的功耗是有限制的。

我认为在人形机器人上，最多只能部署峰值功耗为100瓦的算力，平时工作的时候算力只有小几十瓦，简单说，就大概只有几个手机的算力水平。但是，未来机器人还是需要大规模算力的，而且我认为可能需要的是分布式的算力。

在机器人执行任务的过程中，我们期望其通信延迟尽可能低。倘若在北京执行任务的机器人，其数据中心远在上海或内蒙古，通信延迟将会极大，严重影响机器人的工作效率和响应速度。因此，我认为在未来工业领域大规模应用人形机器人时，工厂内部可以设置分布式服务器。所有机器人直接连接工厂内的局部服务器，这样既能保证服务器的安全性，又能将通信延迟控制在可接受的范围内。

或者换个话题，如果一个小区，每家每户都有一个机器人的时候，这个小区可能是可以建立分布式的集群算力中心的，以此降低延迟与保障安全性。并且，如果有新客户想买一个人形机器人的时候，他不需要给这部分算力建设花钱，成本也会更低。

我认为分布式算力将会是机器人行业未来非常重要的一个发展领域，它可能比目前算力的分布还要更广一些。

此外，AI与机器人领域的发展始终是在一个全球共创的过程。无论是中国的科技企业、美国的行业巨头，还是英伟达等跨国公司，都在这一进程中做出了很多贡献。

在AI领域，没有一家大公司能保证，只要有足够的人才、足够的资源，就能永远领先。OpenAI和DeepSeek已经证明了，AI的创新永远伴随着一些随机性，伴随着更多聪明年轻人的智慧和创造力。所以，很多情况下的重大突破往往源自众多企业、高校做出的贡献，最终仍需通过全球协作共同实现。

（王兴兴  宇树科技创始人兼CEO、CTO）