作者 | 華衛(wèi)

本文為《2025 年度盤點(diǎn)與趨勢(shì)洞察》系列內(nèi)容之一，由 InfoQ 技術(shù)編輯組策劃。本系列覆蓋大模型、Agent、具身智能、AI Native 開發(fā)范式、AI 工具鏈與開發(fā)、AI+ 傳統(tǒng)行業(yè)等方向，通過長(zhǎng)期跟蹤、與業(yè)內(nèi)專家深度訪談等方式，對(duì)重點(diǎn)領(lǐng)域進(jìn)行關(guān)鍵技術(shù)進(jìn)展、核心事件和產(chǎn)業(yè)趨勢(shì)的洞察盤點(diǎn)。內(nèi)容將在 InfoQ 媒體矩陣陸續(xù)放出，歡迎大家持續(xù)關(guān)注。

我們采訪了真機(jī)智能董事長(zhǎng)兼首席科學(xué)家劉智勇，聽他講述了視覺語言導(dǎo)航（VLN）技術(shù)的當(dāng)前難題、具身智能領(lǐng)域在 2025 年的各類進(jìn)展以及今年在能力邊界上的兩個(gè)突破方向和技術(shù)決勝點(diǎn)。他表示，一旦世界模型的因果推理能力取得突破，無論是機(jī)器人的安全性還是行為和推理的安全性問題，都能得到很好的解決。

“2026 年本體廠商肯定會(huì)收縮，估計(jì)中國最終只會(huì)剩下 5 到 8 家本體機(jī)器人公司�！彼赋觯诵氖窃谀硞�(gè)單一場(chǎng)景實(shí)現(xiàn)盈利，不是毛利而是不依賴大量售后成本的凈利。但單純的整機(jī)銷售并非很好的商業(yè)模式，如果只賣硬件，后續(xù)的售后壓力會(huì)非常大，用戶一次性付太多錢也承受不了。

下面是詳細(xì)對(duì)話內(nèi)容，以饗讀者。

VLN 和世界模型上“大分”

Q：2025 年具身智能領(lǐng)域有哪些突破性進(jìn)展讓您印象深刻，包括技術(shù)、產(chǎn)業(yè)化和生態(tài)建設(shè)上？這些進(jìn)展是否已經(jīng)為具身智能從實(shí)驗(yàn)室走向特定場(chǎng)景的“初步普及”奠定了基礎(chǔ)？

劉智勇： 我印象比較深刻的是 VLN 方向的相關(guān)進(jìn)展。過去我們主要是以 SLAM 為核心的技術(shù)路線，但從去年到現(xiàn)在，涌現(xiàn)出了大量基于視覺語言作為多模態(tài)輸入的導(dǎo)航模型。這種視覺語言模型能解決零樣本泛化的問題，我們不再需要預(yù)先構(gòu)建地圖了。把一個(gè)機(jī)器人放到任何全新的固定場(chǎng)景里，它都能實(shí)現(xiàn)零樣本泛化，自主完成導(dǎo)航任務(wù)。另外，像 UniNavid、ETPNav、FSR - VLN 這些代表性工作，也讓機(jī)器人門到門配送的實(shí)現(xiàn)出現(xiàn)了曙光和可能性。這就是從幾何測(cè)量的導(dǎo)航范式，轉(zhuǎn)變到學(xué)習(xí)增強(qiáng)的導(dǎo)航范式。當(dāng)前的瓶頸在于未達(dá)極高的導(dǎo)航成功率。

從場(chǎng)景普及的角度來說，核心是我們不再需要預(yù)先建圖了。這就意味著，把機(jī)器人放在任何新的位置上，它都能立刻開始工作，直接解鎖了很多之前無法覆蓋的場(chǎng)景。最關(guān)鍵的一點(diǎn)是，零樣本能力等同于部署成本的大幅降低。部署成本降下來之后，整個(gè)成本結(jié)構(gòu)就能適配場(chǎng)景化的盈利模式，這正是為場(chǎng)景普及奠定的核心基礎(chǔ)。技術(shù)成熟后，前期的準(zhǔn)備和部署工作會(huì)大幅減少，這也為未來的產(chǎn)業(yè)發(fā)展打下了很好的基礎(chǔ)。

Q：具身智能的核心技術(shù)棧正在如何演變？2025 年這一年有哪些值得關(guān)注的新范式或共識(shí)？

劉智勇： 從算法角度來看，核心變化是從之前感知、決策、執(zhí)行分離的多模塊化范式，逐漸轉(zhuǎn)向 VLN 或 VLA 的端到端統(tǒng)一范式。從數(shù)據(jù)角度來說，發(fā)展方向是從單純的真實(shí)數(shù)據(jù)采集，逐步轉(zhuǎn)向合成數(shù)據(jù)、離線軌跡挖掘以及世界模型這些領(lǐng)域。訓(xùn)練范式也發(fā)生了改變，從強(qiáng)化學(xué)習(xí)調(diào)參慢慢轉(zhuǎn)向世界模型驅(qū)動(dòng)�，F(xiàn)在世界模型算是行業(yè)內(nèi)解決數(shù)據(jù)問題的一個(gè)共識(shí)，原因很簡(jiǎn)單，不管是在長(zhǎng)程層面模擬預(yù)測(cè)未來狀態(tài)、在底層層面預(yù)測(cè)動(dòng)態(tài)物體軌跡，還是彌補(bǔ)數(shù)據(jù)的 corner case，世界模型都起到了不可或缺的作用。

Q：世界模型被寄予厚望，被認(rèn)為是實(shí)現(xiàn)高級(jí)推理和規(guī)劃的關(guān)鍵�，F(xiàn)階段來看，它對(duì)機(jī)器人實(shí)際能力的提升體現(xiàn)在何處？之后還有哪些方面的潛力？

劉智勇： 現(xiàn)階段來看，主要體現(xiàn)在三個(gè)方面。第一，機(jī)器人執(zhí)行長(zhǎng)程任務(wù)時(shí)容易陷入短視困境，而世界模型可以模擬未來的長(zhǎng)程狀態(tài)，對(duì)全局規(guī)劃能力有非常重要的提升；第二，動(dòng)態(tài)環(huán)境下靜態(tài)地圖容易失效，無法準(zhǔn)確指引路徑軌跡，世界模型能夠預(yù)測(cè)動(dòng)態(tài)物體的軌跡，讓機(jī)器人的本地行動(dòng)更安全；第三，世界模型能較好地生成相關(guān)數(shù)據(jù)，減少數(shù)據(jù)泛化鴻溝。我們認(rèn)為，世界模型是 VLN 突破長(zhǎng)程規(guī)劃和動(dòng)態(tài)適應(yīng)瓶頸的充分非必要條件。但現(xiàn)在世界模型的主要問題是黑盒，而非白盒可微。

Q：大模型的快速發(fā)展，為具身智能的“智能”部分帶來了哪些質(zhì)變？

劉智勇： 從我們的實(shí)踐來看，最核心的變化是導(dǎo)航和路徑規(guī)劃的技術(shù)范式發(fā)生了轉(zhuǎn)變。過去我們采用的是 SLAM 方案，現(xiàn)在則轉(zhuǎn)向了 VLN 范式。過去的 SLAM 方案存在幾個(gè)明顯的局限，一是方案本身不具備語義理解能力，二是依賴靜態(tài)地圖，必須預(yù)先建圖才能使用，三是需要對(duì)特定的傳感器做專門標(biāo)定。而 VLN 范式完全不同，它可以結(jié)合語言和視覺實(shí)現(xiàn)語義層面的理解，同時(shí)能應(yīng)對(duì)非靜態(tài)環(huán)境，實(shí)現(xiàn)動(dòng)態(tài)適配。更關(guān)鍵的是，這個(gè)方案不再依賴高規(guī)格的激光雷達(dá)，也不需要預(yù)先部署地圖，成本和效率都實(shí)現(xiàn)了大幅優(yōu)化。大模型的快速發(fā)展，推動(dòng)技術(shù)范式從幾何測(cè)量的 SLAM 轉(zhuǎn)向?qū)W習(xí)增強(qiáng)的 VLN，這正是帶來質(zhì)變的核心原因。行動(dòng)、觀測(cè)和語言本來屬于三個(gè)空間，現(xiàn)在要把三個(gè)空間統(tǒng)一起來，這也是目前的核心難點(diǎn)。

大規(guī)模落地現(xiàn)在卡在哪兒？

Q：幾乎所有專家都指出，高質(zhì)量、大規(guī)模的物理交互數(shù)據(jù)稀缺是當(dāng)前最大瓶頸。面對(duì)真實(shí)數(shù)據(jù)采集成本高昂的困境，仿真合成數(shù)據(jù)、人類視頻數(shù)據(jù)等替代方案能走多遠(yuǎn)？“數(shù)據(jù)工廠”是可行的解決方案嗎？

劉智勇： 我們面臨的主要數(shù)據(jù)瓶頸有兩個(gè)，一是數(shù)據(jù)的場(chǎng)景覆蓋不足，比如現(xiàn)在常用的數(shù)據(jù)集大多基于 Mate Port 3D、Habitat、AI2THOR 等 構(gòu)建，只包含 固定的訓(xùn)練環(huán)境，場(chǎng)景覆蓋肯定不夠；二是做 VLN 的數(shù)據(jù)采集成本很高，有時(shí)需要 3D 數(shù)據(jù)采集，標(biāo)注成本也比 2D 圖像高出一個(gè)量級(jí)。對(duì) VLN 來說，現(xiàn)在數(shù)據(jù)是完全不足的，既存在場(chǎng)景覆蓋問題，又有成本高昂的問題。

目前，我們?cè)诓捎枚喾N數(shù)據(jù)解決方案。第一是采集真實(shí)數(shù)據(jù)，采集 RGBD 視頻流，以及數(shù)字手套等，再結(jié)合人工標(biāo)注指令，像 Atomic 和一些基準(zhǔn)數(shù)據(jù)集的主要來源就是真機(jī)數(shù)據(jù)。第二是比較常見的用仿真器生成，比如借助模擬器搭載 3D 場(chǎng)景庫，批量生成視覺語言軌跡三元組。第三是采用 新范式，不用額外改動(dòng) 3D 環(huán)境，通過改寫人類標(biāo)注數(shù)據(jù)的方式生成新樣本，這是一種靜態(tài)片段生成的新范式。另外，未來還有一種發(fā)展方向是離線數(shù)據(jù)、離線軌跡挖掘的方式，有點(diǎn)類似實(shí)行微克隆。

Q：當(dāng)前的硬件如靈巧手、關(guān)節(jié)驅(qū)動(dòng)、傳感器等，在哪些方面最能滿足機(jī)器人的技術(shù)需求？又在哪些方面構(gòu)成了發(fā)展的主要制約？

劉智勇： 要講滿足技術(shù)需求的地方，我們可以和輪式機(jī)器人做個(gè)比較。之前的輪式機(jī)器人只能移動(dòng)到樓下，沒辦法開單元門、摁電梯，只能在樓下送貨或者在室內(nèi)移動(dòng)。而現(xiàn)在的靈巧手、一體化關(guān)節(jié)，再加上一些觸覺傳感器，能讓機(jī)器人具備開門、按電梯的能力，這是輪式機(jī)器人到人形機(jī)器人的一個(gè)巨大轉(zhuǎn)變。

不過目前硬件也存在幾方面的制約。第一，我們還需要高分辨率的柔性觸覺皮膚。因?yàn)闄C(jī)器人需要用機(jī)械靈巧手摁電梯，如果觸覺不夠靈敏，盲按的波動(dòng)率大，成功率就會(huì)比較低。第二，門把手的種類太多了，如果機(jī)器人沒有觸覺反饋，根本沒辦法應(yīng)對(duì)成千上萬種門的情況，也很難實(shí)現(xiàn)場(chǎng)景泛化。再就是機(jī)器人要進(jìn)行成千上萬次的反復(fù)操作，電機(jī)、執(zhí)行器、絲杠這些部件的脆弱性，可能在我們的應(yīng)用場(chǎng)景中被放大 100 倍。所以從硬件角度來講，目前主要的制約就是開門要做得好、觸覺要做得好這兩點(diǎn)。

Q：目前為止，制約具身智能大規(guī)模落地應(yīng)用難題還有哪些？

劉智勇： 對(duì)于我們的 VLN 技術(shù)來說，主要有兩方面的難題。第一是感知決策的延遲問題，這甚至可能是致命的。簡(jiǎn)單來說，長(zhǎng)程規(guī)劃和行動(dòng)頻率的匹配很關(guān)鍵，如果感知和決策環(huán)節(jié)出現(xiàn)延遲，機(jī)器人在開放環(huán)境中運(yùn)作就會(huì)遇到很多麻煩，這就要求必須在端側(cè)做好部署。第二是硬件性能短板，既要讓硬件能靈敏地感知外部世界，又要保證它能反復(fù)進(jìn)行操作，而目前這類硬件的耐疲勞性、反脆弱性能還不夠強(qiáng)。對(duì)于世界模型來說，核心瓶頸是隱式神經(jīng)表征，而非顯式 3D 高斯，可能在開門和按鍵上缺少精準(zhǔn)幾何信息。

具身智能該告別 “一錘子買賣”？

Q：面對(duì)這樣的機(jī)遇與挑戰(zhàn)，您們?cè)诮酉聛硪荒甑膽?zhàn)略重點(diǎn)和核心發(fā)力方向是什么？

劉智勇： 真機(jī)智能其實(shí)分成了北京真機(jī)和蘇州真機(jī)兩個(gè)公司。北京真機(jī)關(guān)注的還是比較傳統(tǒng)的 SLAM 加輪式機(jī)器人的技術(shù)棧和方案，蘇州真機(jī)則聚焦于 VLN 加人形機(jī)器人的技術(shù)棧及方案。

蘇州真機(jī)接下來有兩個(gè)關(guān)注重點(diǎn)，第一是通過視覺語言導(dǎo)航的方式，實(shí)現(xiàn)無需額外提前部署的門到門配送。過去部署成本太高了，大概占了整個(gè)機(jī)器人售價(jià)成本的 38% 左右。我們希望能實(shí)現(xiàn)零樣本泛化，換句話說，就是讓機(jī)器人能夠直接理解環(huán)境，直接完成導(dǎo)航任務(wù)。第二是全身運(yùn)動(dòng)控制，要解決的核心問題是開門。之前的控制是基于機(jī)器人靜態(tài)的假設(shè)來實(shí)現(xiàn)的，哪怕是協(xié)作機(jī)器人也是保持自身不動(dòng)去拉開門，這種方式需要的扭矩非常大。我們希望通過全身控制打破靜態(tài)平衡的限制，依靠動(dòng)態(tài)平衡的方法更泛化地解決開門的問題。

把這兩個(gè)點(diǎn)結(jié)合起來，我們既能實(shí)現(xiàn)無需預(yù)先建圖的門到門配送任務(wù)，同時(shí)又能解決開門和按電梯的任務(wù)。這兩個(gè)方案結(jié)合之后，就可以實(shí)現(xiàn)最后五公里的門到門配送，既能開門、操作電梯，又能以無建圖、無 GPS 的方式完成導(dǎo)航。室內(nèi)本身沒有 GPS 信號(hào)，但又需要實(shí)現(xiàn)導(dǎo)航，這時(shí)候視覺和語言理解的作用就非常關(guān)鍵了。

Q：除了直接銷售機(jī)器人整機(jī)，具身智能未來的商業(yè)模式可能有哪些創(chuàng)新？

劉智勇： 整機(jī)銷售和租賃這兩種方式都會(huì)存在。但我個(gè)人覺得，單純的整機(jī)銷售并不是很好的商業(yè)模式，更好的方式是 “整機(jī)銷售 + 每年服務(wù)費(fèi)” 的組合模式。如果只賣硬件，一次性賣完其實(shí)很虧，后續(xù)的售后壓力會(huì)非常大�！罢麢C(jī)銷售 + 每年服務(wù)費(fèi)” 就比較合理，既能保證長(zhǎng)期的最大收益，又能解決售后問題，還能讓設(shè)備商一次性回本。通過這種組合模式，能把原本不賺錢的 “賣鐵生意”，變成能持續(xù)盈利的長(zhǎng)期現(xiàn)金流生意。另一方面，用戶一次性付太多錢確實(shí)承受不了。

除此之外，未來還可能出現(xiàn)按單收費(fèi)的商業(yè)模式。比如人形配送機(jī)器人測(cè)算下來每單成本能控制在兩到三元人民幣，和達(dá)達(dá)這類上游公司合作，機(jī)器人完成一單就賺一筆費(fèi)用。

本體廠商大收縮，要拼什么？

Q：到 2026 年，我們有望看到具身智能在能力邊界上實(shí)現(xiàn)怎樣的突破？整個(gè)具身智能領(lǐng)域的技術(shù)決勝點(diǎn)可能會(huì)是什么方面？

劉智勇：2026 年可能會(huì)有兩個(gè)關(guān)鍵突破方向。第一是機(jī)器人在非結(jié)構(gòu)化場(chǎng)景中實(shí)現(xiàn)穩(wěn)定作業(yè)。要做到這一點(diǎn)，需要機(jī)器人具備一定的社交行為表現(xiàn)和自主導(dǎo)航能力。解決了之后，一些之前沒想到的非結(jié)構(gòu)化環(huán)境下的任務(wù)機(jī)器人也可能完成了。目前行業(yè)內(nèi)大多還聚焦在結(jié)構(gòu)化環(huán)境，所以這會(huì)是一個(gè)重要突破。第二是突破莫拉維克悖論（Moravec's Paradox）。以往大家覺得，機(jī)器能完成人類覺得難的事，但難以完成人類覺得簡(jiǎn)單的事，而 2026 年可能機(jī)器人也能勝任這類任務(wù)，會(huì)在人類覺得簡(jiǎn)單的事情上取得突破。

至于技術(shù)決勝點(diǎn)，我認(rèn)為有幾個(gè)關(guān)鍵因素，其中最重要的是世界模型的因果推理能力。一旦這項(xiàng)能力取得突破，無論是機(jī)器人的安全性還是行為和推理的安全性問題，都能得到很好的解決。

Q：2026 年，全球具身智能公司的競(jìng)爭(zhēng)情況將如何變化？中國公司與國際巨頭各自的優(yōu)勢(shì)和賽點(diǎn)分別會(huì)在哪里？

劉智勇：2026 年本體廠商肯定會(huì)收縮，馬太效應(yīng)會(huì)非常明顯，估計(jì)中國最終只會(huì)剩下 5 到 8 家本體機(jī)器人公司。不過應(yīng)用場(chǎng)景相關(guān)的公司和上游企業(yè)會(huì)多一些。

中國和國際企業(yè)的優(yōu)勢(shì)不一樣，國際公司的大模型技術(shù)更先進(jìn)，基礎(chǔ)模型能力更強(qiáng)，國內(nèi)企業(yè)還處在追趕狀態(tài)，但中國企業(yè)擁有供應(yīng)鏈成本優(yōu)勢(shì)。另外競(jìng)爭(zhēng)維度也在升級(jí)，現(xiàn)在大家可能還在追求單點(diǎn)技術(shù)的先進(jìn)性，到了 2026 年，整體系統(tǒng)的效率會(huì)變得更重要。

至于賽點(diǎn)，我覺得核心是在某個(gè)單一場(chǎng)景實(shí)現(xiàn)盈利，不是毛利而是不依賴大量售后成本的凈利。誰能做到這一點(diǎn)，誰就能形成數(shù)據(jù)飛輪，有了數(shù)據(jù)之后，模型和方法能力會(huì)進(jìn)一步提升，之后再推進(jìn)跨場(chǎng)景復(fù)制。

聲明：本文為 AI 前線整理，不代表平臺(tái)觀點(diǎn)，未經(jīng)許可禁止轉(zhuǎn)載。

技術(shù)人的年度儀式感！ 年度盤點(diǎn)與趨勢(shì)洞察 啟動(dòng)！

《2025 年度盤點(diǎn)與趨勢(shì)洞察》由 InfoQ 技術(shù)編輯組策劃。覆蓋大模型、Agent、具身智能、AI Native 開發(fā)范式、AI 工具鏈與開發(fā)、AI+ 傳統(tǒng)行業(yè)等方向，通過長(zhǎng)期跟蹤、與業(yè)內(nèi)專家深度訪談等方式，對(duì)重點(diǎn)領(lǐng)域進(jìn)行關(guān)鍵技術(shù)進(jìn)展、核心事件和產(chǎn)業(yè)趨勢(shì)的洞察盤點(diǎn)。

力求以體系化視角幫助讀者理解年度技術(shù)演化的底層邏輯、創(chuàng)新方向與落地價(jià)值，并為新一年決策提供參考。內(nèi)容將在 InfoQ 媒體矩陣陸續(xù)放出，歡迎大家持續(xù)關(guān)注。

今日薦文

你也「在看」嗎？