至于人形機(jī)器人“笨”的原因，王興興坦言“如今泛用性的AI還是不太夠?！彼硎?，全球都在等待真正的機(jī)器人“大腦”的誕生。

如今的人形機(jī)器人，個個都“沒頭腦”。

對這些人形機(jī)器人的控制，依賴的是程序員“預(yù)先編好的程序”，向機(jī)器人輸入情況描述以及應(yīng)對方式的規(guī)則，使其在相應(yīng)情況下完成操作。

宇視科技創(chuàng)始人王興興在接受采訪時，曾通俗地解釋：“你能讓他（人形機(jī)器人）倒立、空翻，或者做一些避障，這些都是針對固定任務(wù)做了專門的AI訓(xùn)練”，是單一功能的AI。

譬如，人形機(jī)器人上春晚舞臺跳手絹舞這個復(fù)雜的任務(wù)場景，就可能是根據(jù)“預(yù)先編好的程序”進(jìn)行的訓(xùn)練。

但是，一旦場景和任務(wù)稍微換一下，人形機(jī)器人的成功率就會暴跌。

就像在春晚表演完后，人形機(jī)器人離開舞臺，就需要有人幫助“掐住脖子”。面對劉謙的握手邀請，人形機(jī)器人竟突然下跪癱倒。

甚至于，控制人形機(jī)器人，有時還需要工作人員通過遙控器來操作。

某種程度上，這些人形機(jī)器人就是一個個提線木偶、遙控玩具，稱不上“人”，因?yàn)樗鼈儭皼]頭腦”。

這也是人形機(jī)器人很難快速量產(chǎn)的原因，沒有消費(fèi)者愿意為一個不夠聰明的人形機(jī)器人買單?！氨康啊比诵螜C(jī)器人，又能如何應(yīng)對我們的物理世界千變?nèi)f化的情況？

人形機(jī)器人“大腦”研發(fā)，無疑是一個很有意思的賽道。

彭志輝就對這個賽道十分感興趣。

作為曾經(jīng)的華為“天才少年”，彭志輝年薪一度高達(dá)200萬元。他離職創(chuàng)業(yè)，自然不同于一般的創(chuàng)業(yè)者。

他有著更高追求，其創(chuàng)立的智元公司沒跟隨同行、將重心放在機(jī)器人軀體上，而是放在機(jī)器人“大腦”上。

近期，智元公司發(fā)布了首個通用具身基座模型——智元啟元大模型Genie Operator-1（GO-1），標(biāo)志著國內(nèi)機(jī)器人從單一功能向多場景泛化的技術(shù)突破。

GO-1看似回答了王興興的“泛用性的AI還是不太夠”的問題，但距真正的機(jī)器人“大腦”還有一段距離。

而彭志輝與智元機(jī)器人的“野心”：希望未來所有機(jī)器人都能共享同一個“大腦”——GO-1，或無法實(shí)現(xiàn)。

并非“首家”

截至目前，人形機(jī)器人“炫耀性”作用遠(yuǎn)大于實(shí)際作用。

人形機(jī)器人從來都不是新鮮事物。

過去幾十年，世界各地都有各種人形機(jī)器人研發(fā)出來。文藝作品也不停地演繹著人形機(jī)器人的“無所不能”，人們對這一形象十分熟悉。

但《刃辛機(jī)器人》了解到，我們生活生產(chǎn)中卻很少有人形機(jī)器人的應(yīng)用。

如今零星“進(jìn)廠打工”的，并非人形機(jī)器人，多為機(jī)械臂等各種形態(tài)的工業(yè)機(jī)器人，而且從事都是重復(fù)性、機(jī)械性的工作。

王興興創(chuàng)辦宇視科技之初，就沒有直接研發(fā)人形機(jī)器人，而是從雙足的機(jī)器狗產(chǎn)品開始。他在2009年就嘗試過做人形機(jī)器人，認(rèn)為太復(fù)雜了，無法駕馭。

直到AI大模型的出現(xiàn)，為人形機(jī)器人帶來了新的想象力。

簡單來講，借助大模型，將語義理解能力和推理生成能力引入其中，就相當(dāng)于給人形機(jī)器人裝上了“大腦”，能夠理解世界和人類，真正地為人類服務(wù)。

但，這僅僅存在于“想象”階段，如王興興所言，如今泛用性AI還不夠，即用于人形機(jī)器人的具身智能大模型并不成熟。

ChatGPT、Deepseek等AI大模型，是無法直接用到人形機(jī)器人上，為其充當(dāng)“大腦”的。人形機(jī)器人要通往AGI，需要專門針對具身智能領(lǐng)域的多模態(tài)大模型 —— 具身智能大模型，來提升機(jī)器人在感知、決策、控制、交互等方面的能力。

具身智能大模型是基于AI技術(shù)打造，專門賦能人形機(jī)器人，幫助人形機(jī)器人實(shí)現(xiàn)在通用應(yīng)用場景下的落的專用大模型。

ChatGPT、Deepseek等非具身智能大模型服務(wù)的對象是人類，輸出的內(nèi)容是給人看或者給人讀，更多還是在人機(jī)交互、內(nèi)容生成等方面展現(xiàn)價值。

具身智能大模型的服務(wù)對象是機(jī)器，其輸出的內(nèi)容是需要機(jī)器人能夠理解，并最終要轉(zhuǎn)化為具體可執(zhí)行動作的控制指令，從而與周圍環(huán)境進(jìn)行交互，并做出各種動作。

智元機(jī)器人推出的GO-1，絕非國內(nèi)第一個具身智能大模型。在此之前，國內(nèi)一些機(jī)器人初創(chuàng)企業(yè)已經(jīng)開始推出自己的具身智能大模型。

譬如，有鹿機(jī)器人的Master 2000、若愚科技的九天大模型、千訣科技的千訣.機(jī)器人大模型、穹徹智能的Noematrix Brain、X square（自變量機(jī)器人）的Great Wall系列的WALL-A模型以及千尋智能的具身智能大模型……

GO-1僅僅是國內(nèi)首個通用具身基座模型。

所謂通用具身基座模型，采用模塊化架構(gòu)（如ViLLA框架），整合多模態(tài)大模型（VLM）、隱式規(guī)劃器和動作專家，支持跨本體適配和任務(wù)泛化，其重要的特點(diǎn)是泛用性。

簡而言之，GO-1是“啥都能干，但都不精”。

就像一個廚子，?能看菜譜學(xué)做菜（看人類視頻學(xué)習(xí)），今天炒川菜、明天做西餐（適配不同場景）?，甚至能用新買的廚具（跨本體硬件）。雖然做每道菜不是最頂尖的，但換菜單時不用重新買機(jī)器人（降低成本）。

陷“數(shù)據(jù)荒”

GO-1距離真正的人形機(jī)器人“大腦”有多遠(yuǎn)？

首先，不可否認(rèn)GO-1具有充當(dāng)人形機(jī)器人“大腦”的潛力。

GO-1通過ViLLA架構(gòu)實(shí)現(xiàn)多模態(tài)學(xué)習(xí)，可利用人類視頻數(shù)據(jù)提升小樣本泛化能力，支持機(jī)器人從單一任務(wù)到開放場景的靈活切換。

例如，GO-1支持的智元機(jī)器人靈犀X2已能完成騎單車、縫葡萄等復(fù)雜任務(wù)，并初步具備自然語言交互能力。

這表明GO-1具備整合感知、決策和執(zhí)行能力，符合“大腦”的核心需求。

GO-1還突破了傳統(tǒng)預(yù)設(shè)程序的限制，可結(jié)合語義推理執(zhí)行動態(tài)指令?。

例如，靈犀X2能通過自然語言指令完成充電協(xié)作、家務(wù)輔助等任務(wù)，體現(xiàn)了從“工具”到“智能體”的轉(zhuǎn)變?。

其二，GO-1距離真正的人形機(jī)器人“大腦”還很遠(yuǎn)。從智元公司對這一大模型的訓(xùn)練過程，就可以得出這一結(jié)論。

當(dāng)初，智元公司決定構(gòu)建人形機(jī)器人“大腦”之后，就發(fā)現(xiàn)門檻太高。

眾所周知，大模型的訓(xùn)練是需要大量的數(shù)據(jù)投喂的。

ChatGPT、Deepseek等非具身智能大模型，在訓(xùn)練過程“吃”下去的數(shù)據(jù)可謂不計(jì)其數(shù)。單就ChatGPT，就已消化了全球互聯(lián)網(wǎng)2/3的文本語料。

人形機(jī)器人“大腦”所需“投喂”的數(shù)據(jù)，更多的是動作數(shù)據(jù)，因?yàn)樗鼈兪切枰袢艘粯舆M(jìn)行各種動作。

文本語料從互聯(lián)網(wǎng)中就可以獲得，但動作數(shù)據(jù)卻非常難找。

智元公司曾試圖尋找行業(yè)內(nèi)的開源數(shù)據(jù)庫，但發(fā)現(xiàn)高質(zhì)量、統(tǒng)一格式的數(shù)據(jù)幾乎不存在。

行業(yè)內(nèi)雖然開源了百萬條由真實(shí)機(jī)器人收集的訓(xùn)練數(shù)據(jù)集，但是這些數(shù)據(jù)實(shí)際上由不同公司、不同型號規(guī)格的機(jī)器人采集，數(shù)據(jù)質(zhì)量較低，達(dá)不到智元公司的要求。

智元公司決定“笨鳥先飛”，采取“笨辦法”，于2023年9月建立了動作數(shù)據(jù)采集工廠。在工廠里一比一地模仿人類生活中的每一個動作，將其采集下來，形成數(shù)據(jù)，然后“喂”給大模型。

為此，他們搭建了家居、餐飲、商超、辦公和工業(yè)等五類應(yīng)用場景中。

在不同場景中，數(shù)據(jù)采集員們手持設(shè)備，手把手地控制人形機(jī)器人完成抓、握、放等動作。有時采集員頭戴VR設(shè)備，精準(zhǔn)地讓機(jī)器人模仿學(xué)習(xí)人類動作。

譬如，在臥室中，人形機(jī)器人乖巧地跟著采集員學(xué)習(xí)疊衣服。在餐桌前，機(jī)器人學(xué)著把餐具挨個擺放整齊，還要學(xué)會打餐各式菜肴，并且不會手抖。在商超收銀臺前，機(jī)器人一只手拿掃碼器，另一只手拿著商品掃碼。

人形機(jī)器人每完成一個動作，就能采集一套數(shù)據(jù)。這些數(shù)據(jù)聚集起來，上傳至云端，便被智元團(tuán)隊(duì)喂給大模型，從而讓機(jī)器人真正掌握一項(xiàng)技能，比如沖咖啡、熨衣服等。

笨鳥先飛，談何容易？

僅一個倒水的動作，大模型就需要“吃”下上萬條數(shù)據(jù)才能學(xué)會。而據(jù)36氪前幾個月的報(bào)道，一位采集員每天僅采集約150條數(shù)據(jù)，工廠里的近百臺機(jī)器人日均采集條數(shù)據(jù)也才3至5萬條。

雖然僅僅幾個月，智元公司就積累了涉及217個任務(wù)的百萬條高質(zhì)量標(biāo)準(zhǔn)動作軌跡數(shù)據(jù)，規(guī)模全球最大。但是，這些動作數(shù)據(jù)，與ChatGPT“吃”下的全球互聯(lián)網(wǎng)2/3的文本語料的數(shù)量級相比，可謂少得可憐。

靠這些“少的可憐”的動作數(shù)據(jù)，GO-1這樣的具身智能大模型又何時能夠達(dá)到ChatGPT的聰明程度呢？

野心難實(shí)現(xiàn)

AI大語言模型，如ChatGPT，之所以表現(xiàn)得聰明，是因?yàn)樵诓粩唷拔埂逼鋽?shù)據(jù)進(jìn)行訓(xùn)練后，量變引發(fā)質(zhì)變，使其在某個時間點(diǎn)，突然出現(xiàn)的、難以預(yù)測的、超越了模型初始設(shè)計(jì)和預(yù)期的智能行為或能力，即“智能涌現(xiàn)”現(xiàn)象。

業(yè)內(nèi)稱此為?尺度定律。即，隨著模型參數(shù)、訓(xùn)練數(shù)據(jù)量和計(jì)算資源的指數(shù)級增長，模型的性能會以可預(yù)測的冪律（Power Law）方式提升?，甚至在某些任務(wù)中表現(xiàn)出“涌現(xiàn)”的智能能力。

具身智能大模型需要獲得ChatGPT這樣的聰明度，必須不斷“喂”動作數(shù)據(jù)。只要“喂”得足夠多，到某一天，具身智能大模型就會突然變得聰明起來，真的像真人“大腦”一樣了。

具身智能大模型需要“喂”多少數(shù)據(jù)，才能像真人“大腦”呢？

智元公司采取的采集動作數(shù)據(jù)的“笨辦法”，堪稱龜速。業(yè)內(nèi)人士坦言：“如果只靠我們一個工廠采集數(shù)據(jù)，采集1億條需要幾百年?！?/p>

目前，全球機(jī)器人動作數(shù)據(jù)相較于大語言模型的“核爆點(diǎn)”還差3-4個數(shù)量級。

智元公司目前想出的新對策，就是聯(lián)合同行一起采集數(shù)據(jù)。

智元公司首先對自己采集的數(shù)據(jù)開源，“不擔(dān)心因?yàn)閯e人拿走一些數(shù)據(jù)而被超越，另一方面也是希望有更多人成為同道中人?！贝蠹乙黄鸩杉瘮?shù)據(jù)。

GO-1的發(fā)布，就是為了解決數(shù)據(jù)不夠的問題。但是，這也隱藏了智元公司，以及其創(chuàng)始人彭志輝的一個野心，那就是“希望未來所有機(jī)器人都能共享同一個‘大腦’”，而這個大腦就是GO-1。

因?yàn)镚O-1的一大特點(diǎn)是泛化性好，能在不同機(jī)器人本體上部署。大家一起采集的數(shù)據(jù)，可以通過GO-1這一通用具身基座模型共享。

GO-1作為首個通用具身基座模型，有著唯一性，若相關(guān)人形機(jī)器人公司沒有專用的具身智能模型，倒是可以共享數(shù)據(jù)。但是，如今很多人形機(jī)器人公司都有各自的具身智能模型，都在進(jìn)行數(shù)據(jù)“投喂”，進(jìn)行艱苦訓(xùn)練，為何要與GO-1共享數(shù)據(jù)？

GO-1要變“聰明”，所需數(shù)據(jù)可不少。智元公司到底聯(lián)合多少家公司一起采集數(shù)據(jù)，才能符合?尺度定律，達(dá)到人形機(jī)器人“智能涌現(xiàn)”時刻呢？

僅靠幾家公司，顯然不行。哪怕聯(lián)合所有研發(fā)機(jī)器人“大腦”的公司，恐怕都不夠。

結(jié)語：或可借鑒自動駕駛訓(xùn)練模式

國內(nèi)的智能新能源汽車發(fā)展迅速，L3級自動駕駛汽車開始量產(chǎn)。

汽車能進(jìn)行自動駕駛，也經(jīng)過了大量相關(guān)數(shù)據(jù)“投喂”和訓(xùn)練。僅僅在物理世界采集汽車行駛路測所需的數(shù)據(jù)，費(fèi)時費(fèi)力，而且無法完成。

據(jù)美國蘭德公司研究，自動駕駛汽車要保證絕對安全，需要110億英里（177億公里）的里程測試。假設(shè)由100輛車組成車隊(duì)，每年365天每天24小時不間歇以28英里每小時的平均速度進(jìn)行測試，大概需要500年。

在激烈競爭中“存活”下來的車企，不可能采取這樣的“笨辦法”。它們的做法是仿真訓(xùn)練，即通過數(shù)學(xué)建模的方式將自動駕駛實(shí)際的應(yīng)用場景進(jìn)行數(shù)字化還原，建立盡可能接近真實(shí)世界的系統(tǒng)模型，從而進(jìn)行訓(xùn)練。

仿真訓(xùn)練的速度是物理世界路測的千倍、萬倍，這才使得自動駕駛發(fā)展如此迅速。

《刃辛機(jī)器人》認(rèn)為，人形機(jī)器人的具身智能大模型，也可借助仿真訓(xùn)練，更快地達(dá)到“智能涌現(xiàn)”時刻。

只是，相較于自動駕駛只需模擬道路及周邊環(huán)境等，具身智能大模型需要的仿真訓(xùn)練設(shè)計(jì)場景則多得多，復(fù)雜得多。（文/刃辛機(jī)器人 陳重山）

參考資料

[1]《加緊建廠拼量產(chǎn)，上海具身智能“獨(dú)角獸”為何強(qiáng)推這條路》，上觀、文匯報(bào)，沈湫莎

[2]《我們?nèi)タ戳酥窃獧C(jī)器人的“數(shù)采廠”，等等！這不是<星球大戰(zhàn)>片場嗎？》，36氪、智能涌現(xiàn)，田哲

[3] 《自動駕駛究竟需要什么樣的仿真？》，智車科技官方