注：本文原文9.1號發(fā)在，就海淀瓢潑大雨那天的活動。

2024年8月9日，在北大承澤園429教室，舉行了北大國發(fā)院AI碰撞局的第三期活動。當晚大雨瓢潑，街上水流過膝，依然還是有20多名同學到了現(xiàn)場，線上也有70多名同學參加了本次活動，活動持續(xù)到10點多。

碰撞局結(jié)束的時候，

大家一致認為侯老師比較帥，韓博像董宇輝

大家之所以如此關(guān)注這次活動，和AI有關(guān)，和具身智能有關(guān)，和本場分享嘉賓千尋智能的韓峰濤韓博也有關(guān)。如果說AI應用的形態(tài)基本全是機器人，那機器人發(fā)展到終極差不多就是具身智能。反過來說具身智能正是科幻照進現(xiàn)實的具體體現(xiàn)，《終結(jié)者》或者《超能陸戰(zhàn)隊》中溫情些的大白則全是人類對未來具身智能的想象。韓峰濤博士作為創(chuàng)始人和CEO的千尋智能剛剛獲得順為資本、綠洲資本的投資，此前韓博則以CTO身份長期奮戰(zhàn)在機器人的一線，所以還是很適合談談這個話題。

北大國發(fā)院 AI碰撞局主理人王新在主持開場

千尋智能韓峰濤博士在分享

從科幻回到現(xiàn)實后韓博則先對具身智能的巨大預期潑了一盆冷水。韓博談到：

從商業(yè)現(xiàn)實來看，當前工業(yè)機器人滲透率也就在1%~2%（2022年一共銷售30萬臺工業(yè)機器人，保有量在150萬~200萬之間，產(chǎn)業(yè)工人按約1億，每個機器人按照與1個人等價）。

從技術(shù)現(xiàn)實來看，如果最終我們期望的成熟度是100%，那當前最為成熟的機械臂大概是40%，韓博用下面的分數(shù)來描述現(xiàn)在的技術(shù)現(xiàn)實。

那這次具身智能的新機會來自于那里呢？如果說過去的瓶頸是：產(chǎn)品太貴和通用性較差導致的機器人在具體場景里沒什么用，那現(xiàn)在到底出現(xiàn)了什么樣的新可能呢？韓博判斷是在任務層上解決過去某些常識性問題的新可能加上機械臂等過去的積累創(chuàng)造了新產(chǎn)品機會。而任務層的新能力關(guān)鍵在于兩點：一是任務分解層可以大量重用現(xiàn)有各種大模型，一是在動作生成層則需要開拓性的打造具身大模型，從微觀任務形成機器人的運動軌跡。

對這點，韓博認為相關(guān)技術(shù)比較確定，但確實讓模型生成具身智能的GPT-Token會面對一些獨特的挑戰(zhàn)，比如數(shù)據(jù)問題等。

碰撞局中的韓峰濤博士和侯宏老師

進入碰撞環(huán)節(jié)后，有點像開閘放水，大量問題一下子就涌了出來。我們這里截取其中幾個有代表性的問題。（下面綜合了很多現(xiàn)場參與同學的觀點，不一一列舉各位名字了。）

第一個碰撞點起于侯宏老師、韓博關(guān)于資金使用的討論，隨后現(xiàn)場嘉賓（賈梓筠博士等）加入了進來一下子就擴展到市場定位、數(shù)據(jù)使用、戰(zhàn)略控制點等多個方面。

簡單總結(jié)這個環(huán)節(jié)，要點是：具身機器人大概率要重走類似自動駕駛的道路，在相對垂直場景提升通用度，然后逐步擴展覆蓋場景范圍，比如自動駕駛的從掃地機器人到園區(qū)再到城市的部分地區(qū)等。具體下判斷花錢的時候，則要在市場規(guī)模、海外國內(nèi)等多個要素間取舍均衡選擇一個落點（典型的選擇和集中相關(guān)的戰(zhàn)略問題）。

在這個逐步拓展落地場景的背景下，從產(chǎn)研角度看影響機器人進化速度最大的是數(shù)據(jù)，而數(shù)據(jù)要么是仿真數(shù)據(jù)，仿真數(shù)據(jù)到底可用度什么樣？要么是一般2D數(shù)據(jù)，那2D到3D的轉(zhuǎn)換可用度什么樣？要么就是真實數(shù)據(jù)，那數(shù)據(jù)量級和真實場景這個矛盾怎么解決？

大概率是在啟動期仿真數(shù)據(jù)、一般視頻有點用，最終還得依賴真實場景跑起來螺旋放大，轉(zhuǎn)起來數(shù)據(jù)飛輪。

碰撞中的各位同學們

第二個大的碰撞點則和產(chǎn)品的系統(tǒng)性有關(guān)。

先是侯老師提到了AI碰撞局這三期的一個差異:具身機器人的復合度明顯更高，比前面純粹數(shù)字的智能體至少多出來機器人這部分的專業(yè)性，隨后就衍生到機器人管理、時延等問題。端上要管理，云上也要管理，那到底怎么去構(gòu)建這種架構(gòu)，云邊端的角色如何劃分？

這問題眼下沒那么關(guān)鍵，討論也沒結(jié)論?？隙ㄟ€是優(yōu)先要解決機器人本身在場景上可用性和價值創(chuàng)造問題，然后大致參照IoT的處理在云邊端分別構(gòu)建管理機制。

但這個問題會越來越關(guān)鍵，一定程度上甚至會變成發(fā)展方向之爭。

未來的機器人到底是像《超能陸戰(zhàn)隊》里的大白，完全的獨立化，還是像《黑客帝國》里面的章魚統(tǒng)一受控于一個中心呢？很遺憾由于時間關(guān)系，除了上面的問題外還有類似特斯拉這種端到端的大模型是不是更好？等問題沒來得及展開。

除了上面的兩個碰撞點外，最后探討的一個問題特別有意思，現(xiàn)場有同學提到到：海外、國內(nèi)聊了很多團隊，有的估值一下子也變的很高，但直觀上很多其實很像“騙子”。韓博怎么看待這事？

韓博很坦誠的表達了自己的一個觀點：泡沫有壞的一面，但從真想做事的人角度，它也有很積極的一面，否則像具身機器人這樣的大賽道不好啟動的，更是很難跨周期。

這個問題正好切中了AI行當?shù)囊粋€大痛點。

AI這行業(yè)總是處在兩個極端狀態(tài)間搖擺：要么處在對AI的普遍預期遠大于技術(shù)現(xiàn)實，要么就是從業(yè)者都是騙子（當年Geoffrey Hinton一度申請不到經(jīng)費，那時候大家覺得干AI的差不多都是騙子）。更為神奇的則是雖然AI一直讓人失望，但每隔幾十年或者十幾年它就再回來一次，回到大家關(guān)注的焦點，人們又總是重新對它報有巨大預期。

AI在這個時間點確實太混沌了，對于從業(yè)者、創(chuàng)業(yè)者、應用者而言，在這個時間點，回到現(xiàn)場，解剖麻雀，然后從中可以見小，可以見大差不多是最有效的方法了。這也正是AI碰撞局的宗旨：現(xiàn)場問題，底層邏輯，和而不同，相望而行想表達的?；顒釉竭M行越會真切的體會到底層邏輯不能和現(xiàn)場問題分開，兩者更像一個整體的不同側(cè)面。歡迎大家繼續(xù)關(guān)注國發(fā)院數(shù)字中國AI碰撞局。

這個時點的AI太混沌了，宣稱有賺錢方法的大概率是騙子，宣稱全無機會的又過于消極。面對AI就得解剖麻雀，研究案例，回到現(xiàn)場，獲取一線信息。反之越高大上、越論文就越危險。關(guān)鍵是真實案例不好找，所以就有了琢磨事AI碰撞局。研究清楚多個案例，弄明白產(chǎn)業(yè)底層邏輯，再回到自己問題差不多是眼下最靠譜的方式了。對活動感興趣的同學請聯(lián)系cathywangyue。 老李話一三，公眾號：琢磨事