藍鯨新聞5月6日訊（編輯 李夢琪）從簡單的工業(yè)自動化發(fā)展到具身智能，智能化發(fā)展進程大步向前。人類對于智能技術的應用早已不滿足于單一技術的重復，在大規(guī)模數(shù)據(jù)積累和技術突破的當下，人形機器人的發(fā)展逐漸從科幻走向現(xiàn)實。

浙江大學求是特聘教授、浙江人形機器人創(chuàng)新中心首席科學家熊蓉在2025藍鯨“人形機器人“高端閉門研討會上分享了具身智能機器人發(fā)展挑戰(zhàn)以及落地進展，藍鯨新聞在現(xiàn)場獨家對話熊蓉。

浙江人形機器人創(chuàng)新中心成立于2023年，發(fā)展核心便是圍繞著打造一個能夠智能作業(yè)的具身智能人形機器人進行展開，熊蓉希望賦予人形機器人可泛化、高精準的移動作業(yè)能力和快速便捷的開發(fā)部署能力。

通過諸多行業(yè)應用調(diào)研，浙江人形機器人創(chuàng)新中心不斷推進打造人形機器人本體和大小腦相關軟件算法。尤其是在機器人的操作技能上，依托具身智能相關技術賦予機器人多場景下可泛化、高精度和高可靠的操作能力。據(jù)熊蓉介紹，早在去年8月份，旗下人形機器人已經(jīng)實現(xiàn)在雙腳直立的情況下做大幅度擬人的動作、操作工具實現(xiàn)高精度操作任務（如打螺絲）以及開放雜亂場景下的端到端自主決策任務（如端茶倒水）。

浙江人形機器人創(chuàng)新中心于2024年發(fā)布首代產(chǎn)品領航者二號，它的手臂作業(yè)能力可以達到5公斤的負載和0.1毫米的精度

她表示這兩年產(chǎn)業(yè)界和科技界的兩大熱點詞匯是具身智能和人形機器人，但從最終發(fā)展視角來看，其實要打造的是能夠具身智能作業(yè)的機器人，人形機器人代表一種通用的形態(tài)，能夠更好地去適應人類生存的環(huán)境。藍鯨最前線欄目獨家整理熊蓉在會議上的分享內(nèi)容，以下：

一、人形機器人是具身智能最大的挑戰(zhàn)者

當具身智能和人形機器人交融的時候，它能夠形成我們期望的多功能的機器人，去取代原來基于某個特定任務打造的專用機器人。

近兩年，國內(nèi)外對于人形機器人的市場預測越來越樂觀，去年11月份，花旗銀行發(fā)布預測報告，預計人形機器人相關產(chǎn)業(yè)在2030年能夠達到百萬的市場，到2050年在整個機器人市場占有率排位第三。

人形機器人能不能落地，關鍵在于具身智能技術。早在上世紀50年代，圖靈就給出了具身智能的定義，核心在于通過行為表現(xiàn)而非內(nèi)在機制來判定機器是否具備智能?。之前計算機、人工智能的發(fā)展，我們更多關注的是感知智能，它不需要跟物理世界發(fā)生接觸，通過語言、文本、圖像、視頻，我們就能夠對里面的物體進行認知。

現(xiàn)在技術正由專家建模求解轉為數(shù)據(jù)驅動學習訓練，由模塊解耦分離轉為感控一體端到端。為什么會發(fā)生這樣的改變？因為傳統(tǒng)專家的知識經(jīng)驗只在限定框架內(nèi)適用，一旦超出范圍就不適用。因此，我們在傳統(tǒng)機器人使用中經(jīng)常看到，換一個場景、換一個作業(yè)任務，需要專家不斷地介入或進行參數(shù)調(diào)整。

面對現(xiàn)實中的各類復雜場景，我們可以通過積累數(shù)據(jù)形成現(xiàn)在通用的語言大模型、多模態(tài)大模型，希望通過行為數(shù)據(jù)的不斷積累，能夠讓它具備行為智能。

通過具身智能技術，我們可以去讓機器人適應更多的場景，減少對專家知識的依賴。同時還有一個重要意義，當我們做感控一體端到端方案的時候，能夠降低對感知準確性的影響。當前大模型的泛化性足夠，但存在準確性不夠的問題。如何提高感知準確性、讓行為保持正確是我們需要解決的問題。

作為通用形態(tài)，人形機器人將會面臨更多的作業(yè)對象和場景。又因為它本身的自由度特別高，全身的自由度通常大于30個，而且運動模式多，在這些情況下面，我們其實很難用傳統(tǒng)的專家建模、機理控制的方式去做，所以我們說人形機器人是具身智能最大的需求者。同時因為它特別復雜，從而也使得它成為具身智能最大的挑戰(zhàn)者。

二、人形機器人為什么這么火熱？

人形機器人的火熱來源于社會發(fā)展需求和技術發(fā)展支撐兩方面因素共同推動。

一是社會發(fā)展需求。人口老齡化問題正逐漸成為國內(nèi)外面臨的一個重要問題，如生產(chǎn)制造、康養(yǎng)護理等領域均需要有機器人來補充空缺勞動力。

傳統(tǒng)工業(yè)機器人已經(jīng)在工業(yè)自動化中發(fā)揮了極大作用，現(xiàn)在工業(yè)自動化還需要大量應用人的雙臂手，甚至有些場景需要調(diào)動全身協(xié)同能力完成，這要求機器人具備較強的在有限空間內(nèi)進行靈巧作業(yè)的能力。當前已經(jīng)投入應用的專用機器人并不非不能用，但需要將功能拆解為多臺機器人完成，占用的空間比較大。尤其是在柔性生產(chǎn)制造方面，還需要依賴專家編程，因此目前發(fā)動機、底盤、電氣、裝飾等裝配工序90%以上仍需要人完成，組裝需數(shù)小時到數(shù)十個小時不等。

社會發(fā)展亟需把人形機器人和具身智能技術結合，打造新型通用作業(yè)機器人。這其中，具身智能是重要技術基座，可降低專家編程依賴，提升自主適應能力。

對于未來康養(yǎng)護理、家庭服務機器人來講，最佳的形態(tài)也是人形機器人，但是它面臨著場景、任務多以及可復制性等等問題，這些都對具身智能提出了一個極大的需求。

二是技術發(fā)展支撐。隨著大模型、生成式AI、合成數(shù)據(jù)、大算力等技術創(chuàng)新，具身智能技術進入到了一個新的階段。這兩年具身智能技術的發(fā)布層出不窮，可以總結為兩大類：

一類是人形機器人擬人化魯棒運動能力大幅提升。用人機動作行為映射學習，加上仿真平臺里面的強化學習，讓人形機器人有擬人化靈活的運動。國際上對于如何進行全身跟蹤控制提出了多種方法，國內(nèi)宇樹也在他們的小機器人上展示了靈活運動能力，同時也有研究機構在研究多地形的穩(wěn)定行走。仿真強化學習較好地解決傳統(tǒng)專家對機器人建模的不準確、環(huán)境擾動、無法建模等問題，有效提升運動的魯棒性。

一類是語言-視覺-行為大模型VLAM初步形成。從早期的谷歌語言-視覺-行為串聯(lián)，到去年提出來用遙操作數(shù)據(jù)去學習長序列構建一體化的架構，到今年的分層式架構，上層用語言視覺進行行為決策，下層進行上身體高速運動控制，并進行兩層聯(lián)合訓練。在數(shù)據(jù)積累的情況下，人形機器人能夠去做一些抓放、拉拉鏈等一系列工作。

三、距離真正的落地應用還有多遠？

熱潮背后，我們還要看到現(xiàn)有技術距離真正的落地應用還是有著很大的挑戰(zhàn)。

根據(jù)去年Gartner發(fā)布的產(chǎn)業(yè)技術成熟度曲線顯示，人形機器人、空間智能、具身智能、行為大模型整體處于產(chǎn)業(yè)早期發(fā)展階段。我們現(xiàn)在正進入到一個技術快速發(fā)展、公眾對技術期望快速膨脹的階段，但是它離真正的落地應用還面臨著多個挑戰(zhàn)：

挑戰(zhàn)一是人形機器人運動學習偏復現(xiàn)/遙控，尚需提升作業(yè)臂（有精度和負載）下的上肢大幅運動、負載作業(yè)、智能移動作業(yè)、并滿足作業(yè)精度要求。

具體來講，我們雖然現(xiàn)在能夠做到靈活運動，其實每一個運動序列都需要反復訓練，而在里面它還是依賴專家知識經(jīng)驗去進行網(wǎng)絡的調(diào)參，然后來實現(xiàn)功能，所以我們看到的相關演示都是片斷式的，或者是特斯拉那種遙操作方式。

挑戰(zhàn)二是VLAM行為偏簡單，動作類別少，缺少力觸信息融合、工具使用等。現(xiàn)有VLAM融合了視-抓-放-移，形成視覺-軌跡的端到端控制，主要為小范圍場景行為，缺少旋擰、插拔等力觸動作、多指協(xié)同、柔性物體操作、工具使用等。

比如人形機器人在桌子上學習得到的視覺和軌跡映射，一旦變更場景就需要重新采數(shù)據(jù)、進行訓練，所以它的泛化性比較差。這與我們只是簡單地做感知和行為映射有關系，它并沒有形成知識的學習，不具備人類知識學習和抽象泛化的能力。

挑戰(zhàn)三是交互行為學習訓練數(shù)據(jù)匱乏。很多的應用場景涉及到柔性物體的操作、以及工具的使用，其中很多要求都涉及到力觸等交互信息，而與互聯(lián)網(wǎng)文本、圖像、視頻數(shù)據(jù)相比，當前機器人跟環(huán)境交互的數(shù)據(jù)非常匱乏。合成數(shù)據(jù)和仿真訓練面臨Sim2Real問題，遙操作采集則涉及設備、人員、標注等，成本高且異構遷移難。

挑戰(zhàn)四是亟待突破可泛化、自適應與高精度、高可靠、高效率的兼顧。工業(yè)發(fā)展要求高精度、高可靠、高效率，而我們現(xiàn)在的柔性生產(chǎn)制造則希望它能夠實現(xiàn)可泛化、自適應。

挑戰(zhàn)五是亟需提升視-力-觸傳感器、端側智能計算控制器和操作執(zhí)行器。在執(zhí)行器件方面，不管是關鍵零部件如靈巧手、環(huán)境交互的傳感器以及端側計算設備，均需要進一步提升性能，包括體積重量減少，精度、可靠性、壽命的提升等。

浙江人形機器人創(chuàng)新中心也從不同方面推動人形機器人及具身智能發(fā)展。在具身智能方面，我們在大小腦和數(shù)據(jù)采集方面做了一系列的工作，特別是提升機器人的操作技能。通過底層高實時、高精準的控制，能夠實現(xiàn)大幅的運動和高保真，讓人形機器人在雙腳直立的情況下做大幅擬人的動作，以及操作工具實現(xiàn)高精度操作任務等，這是在去年8月份實現(xiàn)的。

目前的技術有多方面進展：運控方面，可以實現(xiàn)高實時高精準下的長序列新動作快速學習；操作方面，可以實現(xiàn)雙臂-手-頭協(xié)同的遙操作，軌跡更平滑、延遲較低，與此同時，還搭建了場景可泛化的Real2Sim2Real訓練通道；可泛化高精準視覺伺服技術，可適應無標定、擺放誤差、抓工具誤差等問題，可適應少紋理場景……

未來人形機器人的想象空間還有多大？從工廠流水線操作到零售場景到家庭服務等等，新的應用場景探索還在隨著技術進步不斷向前推進。