在人工智能與物理世界交匯處，具身智能正開啟人形機器人的無限可能。在11月15日「心智合一：AI時代的人與組織進化新范式」高峰論壇上，北京人形機器人創(chuàng)新中心CEO熊友軍分享了他與團隊關于人形機器人及具身智能的前沿思考與實踐探索。本文依據(jù)演講整理。

全文 4168 字｜閱讀 8 分鐘

尊敬的各位來賓，我是熊友軍，很榮幸今天能在此與各位分享我們在具身智能領域的一些創(chuàng)新與實踐。我來自北京人形機器人創(chuàng)新中心，中心已于去年十月升級為國家地方共建的具身智能機器人創(chuàng)新中心。因此，我的研究領域主要涵蓋兩個方向：人形機器人與具身智能。

方才，再次聆聽陳老師的演講，深感啟發(fā)，每次都有醍醐灌頂之感。其中，“AI戰(zhàn)略投資于人”的理念，對我們后續(xù)的企業(yè)運營具有極其重要的指導意義。今天，我將主要從技術、企業(yè)與產(chǎn)業(yè)的角度，分享我們關于人形機器人及具身智能的一些思考與探索。

首先，我們需要明確“具身智能”的定義。這一概念最早可追溯至圖靈的論文，即“具身智能”（Embodied Intelligence）。其核心在于，智能系統(tǒng)必須基于一個物理實體，通過該實體感知環(huán)境，并與物理世界進行交互，最終實現(xiàn)具體的行動與行為。因此，其關鍵詞在于：物理身體、環(huán)境交互、實際行動。

這與當前主流的ChatGPT、DeepSeek等生成式AI模型有本質區(qū)別。后者主要在虛擬或數(shù)字空間中運作，而具身智能則根植于物理世界，是機器人技術與物理環(huán)境交互的核心研究領域。它是人工智能與機器人技術兩大前沿方向的深度融合。

具體而言，一個完整的具身智能系統(tǒng)類似于人類，包含三大部分：

（1）智能大腦：負責人機自然交互、環(huán)境感知、意圖識別、任務規(guī)劃與決策。

（2）機器人小腦：負責運動控制，如行走、抓取、安放及更復雜的動作執(zhí)行。

（3）身體形態(tài)：其載體不限于人形機器人，輪式機器人、四足機器狗，乃至具備高度自動化能力的電動汽車，均可視為具身智能體的代表。

我們的研究強調構建一個“一腦多機、一腦多能”的通用具身智能平臺，即“慧思開物”，能夠賦能多種形態(tài)的機器人本體，應用于工業(yè)生產(chǎn)、商業(yè)服務、家庭陪伴乃至特種作業(yè)等多樣化場景。

這要求系統(tǒng)具備三大泛化能力：

• 場景泛化：適應從會議室、工廠到家庭等不同環(huán)境。

• 任務泛化：勝任從文職輔助、重體力勞動到危險環(huán)境作業(yè)等各類任務。

• 本體泛化：驅動雙足、輪式、四足等多種形態(tài)的機器人載體。

在此背景下，人形機器人被視為人工智能融入物理世界、形成新質生產(chǎn)力最理想的高級載體之一。它并非唯一載體，但因其仿人形態(tài)，能夠無縫接入人類既有的環(huán)境與工具體系，部署成本低，適應性最強，被認為是未來最具通用性的機器人產(chǎn)品形態(tài)，將深刻顛覆人類的生產(chǎn)與生活方式。

從國家戰(zhàn)略與產(chǎn)業(yè)發(fā)展視角審視，人形機器人與具身智能正面臨歷史性的戰(zhàn)略機遇期。人工智能與機器人技術的深度融合已步入生產(chǎn)實踐階段，人形機器人作為最佳載體已成為行業(yè)共識。我國相關產(chǎn)業(yè)已從過去的“并跑”階段，進入有望“領跑”的關鍵時期。當前格局呈中美兩強競爭態(tài)勢，加緊布局，我們完全有能力在未來三至五年內占領行業(yè)制高點，實現(xiàn)如電動汽車產(chǎn)業(yè)般的“彎道超車”。

市場需求的拉動同樣強勁。在工業(yè)領域，老齡化社會與勞動力短缺，尤其在流水線及枯燥重復的崗位上，催生了對此類自動化解決方案的迫切需求。在社會服務領域，其仿人形態(tài)帶來的天然親和力與多模態(tài)自然交互能力，使其能更好地融入商業(yè)與社會環(huán)境。未來的工廠可能呈現(xiàn)“7:2:1”模式——70%工作由傳統(tǒng)工業(yè)機器人與自動化設備完成，20%由人形機器人補足，剩余10%則仍需人類的獨特智慧。

此外，人形機器人產(chǎn)業(yè)具備強大的全產(chǎn)業(yè)鏈拉動效應，如同曾經(jīng)的房地產(chǎn)與汽車產(chǎn)業(yè)，將對上游的先進制造業(yè)（傳感器、電機、減速器等）和下游的軟件與人工智能技術產(chǎn)生巨大促進作用。

在消費市場，它甚至有望超越個人電腦與智能手機，成為第三代的人機交互中心。其多模態(tài)主動交互方式（通過語言、眼神、習慣等），以及能產(chǎn)生實質性行為輸出的特性，將帶來遠比手機和PC更豐富、更直觀的體驗。例如機器人會根據(jù)人的日常生活習慣自動解決問題，無需等待人類主動發(fā)出指令。

人形機器人的應用普及將是一個漸進過程。

當前，其主要應用于特種場景，即“3D”領域——危險（Dangerous）、臟活（Dirty）、枯燥（Dull），如特高壓電網(wǎng)、有毒化工廠、生物病毒實驗室等。

下一步，將逐步滲透至泛工業(yè)領域（如汽車、3C制造）與商業(yè)服務領域（商場、博物館、企業(yè)展廳）。

最終遠景是進入家庭，初期以陪伴功能為主，逐步過渡到對失能、失智老人的精細化生活服務。

這一過程絕非一蹴而就，而是由點及面、全方位逐步滲透，根據(jù)多方預測，未來人形機器人的數(shù)量甚至可能會達到人類數(shù)量的幾倍。

產(chǎn)業(yè)的飛速發(fā)展，主要得益于兩大驅動力：

第一，市場需求拉動。“3D”領域場景應用、勞動力成本上升與老齡化趨勢是重要動力。

第二，技術驅動與成本下降。機器人核心硬件成本正從百萬級迅速下降，未來有望降至十萬元級別，趨于“家電化”。同時，人工智能技術，特別是人機交互技術的快速迭代，使得機器人能力更強、體驗更佳、適用場景更廣。

要實現(xiàn)從實驗室演示到規(guī)模化應用的跨越，即從“最能跑”的運動能力展示，到“最好用”的實際任務執(zhí)行能力，我們必須在三大智能方向上實現(xiàn)突破：

• 運動智能：聚焦下肢能力，強調在復雜環(huán)境中的全身控制、自主導航與抗干擾能力。

• 操作智能：聚焦上肢能力，強調腦-眼-手協(xié)作，依賴于VLA大模型解決軌跡規(guī)劃與多樣化行為生成問題，以完成端茶倒水、分揀搬運、擰閥門等精細操作。

• 學習智能：使機器人能夠理解世界、進行預測、規(guī)劃并評估解決方案，具備持續(xù)學習與進化的能力。其發(fā)展將呈現(xiàn)兩種模式：一種是增長式模式，機器人出廠后通過與用戶交互持續(xù)學習，逐步成長；另一種是專家式模式，出廠即集成最先進AI技術，具備多場景即時服務能力。

基于上述認知，我們構建了兩個核心研發(fā)平臺：軟件算法平臺“慧思開物”與硬件平臺“具身天工”。

在“慧思開物”平臺中，集成了多類關鍵模型，包括負責自然交互與環(huán)境感知的具身多模態(tài)大模型、承擔策略思考與決策規(guī)劃任務的世界模型，以及具備泛化能力的通用操作VLA模型，共同構成該平臺在人工智能領域的核心能力體系。

另一方面，在機器人本體技術層面，平臺持續(xù)推進包括環(huán)境感知、關節(jié)驅動、電力控制等核心元器件的迭代升級。

基于該技術平臺的支持，我們在運動智能、操作智能與學習智能三大方向持續(xù)開展深入研究。

1.運動智能：奠定物理移動的基石

我們的目標是實現(xiàn)“全自主導航的全身控制”。在今年八月于北京舉辦的世界人形機器人運動會上，我們的機器人是全場500多臺參賽機器人中，唯一無需遙控、完全自主完成所有比賽的機型，并在100米、400米接力和1000米項目中均獲得獎牌，其中100米奪冠。

這背后依賴的是OCC環(huán)視感知模塊與全身協(xié)同控制算法，使機器人能實時感知環(huán)境（如跑道線、障礙物），并做出精準、穩(wěn)定的運動決策。

此外，我們致力于提升機器人的環(huán)境適應性與抗干擾能力。今年四月，我們的機器人以自主方式，2小時40分42秒的成績完成了世界機器人半程馬拉松比賽。

在非結構化的戶外測試中，機器人能夠基于視覺感知，自主攀爬百余級高度不一的臺階，并穩(wěn)定行走于石子路、草地、沙地、斜坡等多種地形。我們甚至進行了抗沖擊測試，在承受十公斤沙袋的沖擊時，機器人能通過自主調節(jié)保持平衡。

這為實現(xiàn)“人能到之處，機器人皆可至”的科技向善目標奠定了堅實基礎，為在危險與特種環(huán)境中的應用鋪平了道路。

2.操作智能：實現(xiàn)靈巧精準的任務執(zhí)行

操作智能的核心在于泛化能力。我們正通過構建VLA（視覺-語言-動作）大模型，來賦予機器人強大的上肢操作能力。該模型能指導機器人完成多種任務，而非局限于單一編程。

• 任務泛化：同一機械臂可執(zhí)行拿取杯子、倒水、取手機等不同指令，并能適應產(chǎn)線上的分揀、搬運。

• 場景泛化：在物流流水線上，機器人能完成識別包裹、貼標簽、打包、放置到傳送帶等一系列眼-腦-手協(xié)同作業(yè)。

• 本體泛化：模型可適配單臂、雙臂等不同構型的機器人。我們特別展示了雙臂機器人在協(xié)同操作上的進展，例如處理無定形物體（如軟包、紙張）的抓取與放置，這比操作剛性物體更為復雜。同時，機器人已具備處理長程任務的能力，例如，當接收到“幫我去冰箱拿杯水”的模糊指令時，它能自主拆解為導航、開門、識別物體、抓取等一系列子任務并完成規(guī)劃與執(zhí)行。

3.學習智能：賦能理解與決策的“大腦”

為提升機器人的認知與決策能力，我們獨創(chuàng)了“雙模驅動的具身智能世界模型體系”。

• 具身多模態(tài)大模型：負責人機交互、環(huán)境感知、空間理解、狀態(tài)檢測與任務規(guī)劃。它如同機器人的“前臺客服”與“初級規(guī)劃師”。

• 世界模型：這是一個嵌入了物理規(guī)律（重力、摩擦力、材料屬性等）的仿真環(huán)境。當具身大模型生成多個備選行動方案后，會在此世界模型中進行“預演”與推演。世界模型會模擬出執(zhí)行這些方案后的物理結果。

• 雙模協(xié)同：世界模型生成策略集（方案A/B/C）并輸出模擬結果，具身大模型則對方案進行評估與擇優(yōu)，最終輸出一個在物理世界中可行、高效的解決方案。

這套體系能大幅降低從仿真到實際（Sim-to-Real）的遷移差距，提高訓練效率，縮短部署時間，讓機器人真正地理解并適應物理世界的運行規(guī)律。

技術的最終價值在于應用，在完成運動能力的突破后，我們正積極推動具身智能在多場景下的試點應用，包括工業(yè)制造、特高壓電力運維等。

同時，我們認識到，數(shù)據(jù)是驅動具身智能飛輪轉動的核心燃料。與互聯(lián)網(wǎng)AI不同，機器人的操作數(shù)據(jù)需在真實或高保真仿真環(huán)境中采集與積累，用以訓練專用大模型。

產(chǎn)業(yè)化仍面臨諸多挑戰(zhàn)，如中試驗證平臺缺失、標準不統(tǒng)一等。我們正致力于構建標準化的工藝、生產(chǎn)設備與檢測方法，并向行業(yè)開源開放。未來，人形機器人可能像汽車一樣需要“上牌”，涉及安全、倫理等規(guī)范，因此，建設權威的檢測平臺與公共服務體系至關重要。

此外，我們正積極打造開源社區(qū)，將“天工”平臺的硬件設計、軟件算法等核心技術成果向行業(yè)共享，以期加速整個產(chǎn)業(yè)鏈的成熟與應用迭代。

總結而言，我們的實踐路徑清晰地描繪了從追求極致的運動性能“最能跑”，到聚焦解決實際問題的綜合能力“最好用”的演進。

通過運動智能、操作智能與學習智能的協(xié)同突破，并輔以堅實的產(chǎn)業(yè)化生態(tài)支撐，我們堅信，具身智能與人形機器人將在不遠的未來深刻重塑我們的社會與生活。（本文完）

微信 ID：chunnuanhuakai-cch