從“看著酷”到“真能干”，如今人形機器人正在加速“進場打工”。從2025年上半年開始，它們陸續(xù)經(jīng)歷了馬拉松比賽、格斗擂臺賽等運動賽事。如今，隨著具身智能技術(shù)的蓬勃發(fā)展，機器人已經(jīng)開始走向真實的工廠流水線。在本次2025世界人工智能大會（WAIC）期間，澎湃科技與螞蟻靈波科技技術(shù)副總裁、資深技術(shù)專家王志勇、智元機器人通用業(yè)務(wù)部副總裁王闖、上汽通用動力科技有限公司智能設(shè)備高級技術(shù)經(jīng)理徐嘯順，深入探討具身智能機器人如何實現(xiàn)從表演到落地的跨越。

以下是對談實錄：

整體技術(shù)水平提升，尤其遙操作和運動能力

澎湃科技：和去年相比，大家覺得今年大會有哪些亮點？

徐嘯順：去年大會人形機器人品牌眾多，但不像今年蓬勃發(fā)展，特別令我驚訝和欣喜。今年整體展廳非常充實，比如智元把整個工廠產(chǎn)線搬到現(xiàn)場。以前這些機器人可能只會走路、揮揮手，但現(xiàn)在搭載上好的大模型和視覺能力，不僅會走路，還會做一些復(fù)雜動作。

王志勇：今年有一個特別明顯的感受，去年的人形機器人只有18家左右，而今年整個H3展館幾乎被人形機器人“占領(lǐng)”，產(chǎn)業(yè)的發(fā)展速度確實讓人非常驚喜。另外，作為人形機器人行業(yè)多年的觀察者，可以明顯感覺到技術(shù)水平整體提升，尤其在遙操作相關(guān)技術(shù)和運動能力。去年不少機器人還需要外部支架輔助，現(xiàn)在大部分已經(jīng)可以自主行走了。

澎湃科技：回顧上半年人形機器人的表現(xiàn)，你們給它的表現(xiàn)打多少分？

徐嘯順：要分不同應(yīng)用場景，在娛樂和運動場景，人形機器人的表現(xiàn)8到9分（滿分10分）。像馬拉松項目，已經(jīng)創(chuàng)下了世界紀錄，基本只需要一兩次充電或更換電池，就能跑完整個全程，這在以前是難以想象的。整體來看，進步非常顯著。在工業(yè)物流等其他應(yīng)用場景，我給到7分甚至以上。

王志勇：從提供情緒價值視角來看，從宇樹機器人上春晚開始到現(xiàn)在，進步非常明顯。但從另外一個角度，進場打工或執(zhí)行具體任務(wù)角度來講，可能打7分有點樂觀，整體還比較早期。

王闖：我認為站在未來看，可能是60分。但在今天看，首次工廠常態(tài)化作業(yè)直播，我可以打100分。

這次在人工智能大會上的直播，我們有兩個關(guān)鍵詞，一是具身智能，二是常態(tài)化。為什么兩者同時達到會這么難？人形機器人廠商做了這么多年，從來沒有具身智能進入工廠常態(tài)化作業(yè)。

以前我們看到很多機器人進廠打工演示，周圍都貼滿了二維碼，而且是改造的環(huán)境，并不是真正意義上的工廠，機器人其實并不具備真正進入工廠生產(chǎn)線的能力。越復(fù)雜的系統(tǒng)出錯的可能性就越多，要實現(xiàn)長時間穩(wěn)定運行的。難度也就越大。

澎湃科技：機器人在車間工作時具體會面臨哪些實際挑戰(zhàn)？

徐嘯順：我們車間主要從事新能源汽車的生產(chǎn)。整體來看，工廠布局非常工整、產(chǎn)線和工藝流程都經(jīng)過明確的規(guī)劃，這其實為機器人提供了比較理想的工作環(huán)境。但即使這樣，還是會有一些挑戰(zhàn)和變化點。

像智元這類機器人產(chǎn)品已經(jīng)具備了一定程度的適應(yīng)能力，例如能處理箱子擺放位置和規(guī)格的變化，這些都已經(jīng)在它們的程序中被考慮進去。

我們認為近期應(yīng)該會出現(xiàn)一些試運行成功的案例，未來人形機器人實現(xiàn)更大規(guī)模落地推廣，是可預(yù)見的趨勢。據(jù)我了解，今年年底或明年初，就會有一批不同場景的試用項目陸續(xù)落地，包括在車企和物流企業(yè)的多個工位中正式運行。

“具身智能行業(yè)還處于早期階段”

澎湃科技：今年螞蟻集團開始官宣入局布局聚生智能，請王總來透露一下目前的進展。

王志勇：簡單說一下我們的進展，我們計劃在今年9月會有機器人產(chǎn)品面世，我們研發(fā)節(jié)奏比較快，整個行業(yè)大勢也在這里，我們不能等。

澎湃科技：我也很想問問智元的王總，您感覺到現(xiàn)在具身智能的競爭已經(jīng)開始進入白熱化的階段了嗎？

王闖：現(xiàn)在還不到白熱化的階段，現(xiàn)在是萬物生長的階段。所有的從業(yè)者我都不想稱為競爭對手，現(xiàn)在是一起去探索航道的時期。如果這個航道已經(jīng)完全被挖掘出來了，只有存量競爭的時候，那時可能才是白熱化。

現(xiàn)在還處于非常早期的階段，還沒有哪個公司敢說我的技術(shù)范式是以后永遠不變的，我們只是稍微在量產(chǎn)和商業(yè)化的地方走得靠前，但我不認為現(xiàn)在到了競爭白熱化的程度。

澎湃科技：你接下來會期待看到哪些應(yīng)用場景的出現(xiàn)？

王闖：從我內(nèi)心深處，包括身邊很多親朋好友問得最多的是養(yǎng)老。養(yǎng)老產(chǎn)品是大家最值得期待的。但我們也同時在思考，機器人真正走進家庭，對機器人的泛化性技術(shù)、執(zhí)行任務(wù)的成功率、 安全性、成本要求都特別高。

我們希望機器人能先在有限場景里把任務(wù)“做好做透”。我們的目標是把機器人執(zhí)行任務(wù)的成功率提升至99.9%。我們設(shè)想的技術(shù)路線是先易后難，把機器人本體規(guī)模化和成本優(yōu)化好，為機器人進入家庭做準備，這一定是一個巨大的市場。

重點突破兩個方向：交互智能和作業(yè)智能

澎湃科技：各位認為，對于人形機器人行業(yè)內(nèi)是看熱鬧更多，還是應(yīng)用更多一些？

徐嘯順：專業(yè)用戶還是在意人形機器人的應(yīng)用落地。大家可能會掐著時間節(jié)點，比如今年年底或者到明年年初先把一些應(yīng)用試運行跑起來，總結(jié)問題去更好地實現(xiàn)技術(shù)迭代。

看熱鬧的話，可能會把注意力都放在大型活動上，人形機器人去表演、互動，這也有好處，可以增加產(chǎn)品硬件打磨。畢竟只有人形機器人出貨量大了，才有可能實現(xiàn)降本和產(chǎn)業(yè)鏈的優(yōu)化發(fā)展。

王志勇：首先，人形機器人“表演秀”為觀眾提供情緒價值，肯定有價值。但在我們研發(fā)路徑上，還是會更關(guān)注具體落地。我們現(xiàn)在大部分的精力也集中在把機器人的本體技術(shù)打磨好、做扎實，然后在一些特定的場景下讓它跑起來，之后在逐步泛化。這個市場很熱鬧，我認為行業(yè)內(nèi)的人要冷靜。

王闖：情緒價值和注意力經(jīng)濟也有價值，機器人有一部分場景是為情緒價值服務(wù)的。現(xiàn)在機器人的能力是在持續(xù)增長的。我們把它定義為一個本體加三個智能。

本體的成熟度現(xiàn)在進步非常快，運動智能也取得不錯的進展。在展臺上，機器人可以在現(xiàn)場巡館巡展、跳舞等互動，這些都說明它的運動智能逐步完善。

但要真正讓產(chǎn)品開發(fā)出用戶價值，還需要重點突破兩個方向：交互智能和作業(yè)智能。

作業(yè)智能即讓機器人“干活”的能力，這是一條更長的路，而交互智能相對見效更快，能更快地讓大家感受到人形機器人的價值，這只是第一步；在我看來，在機器人發(fā)展初期階段，只要是客戶愿意買單，有實際價值的功能，都值得去做。

機器人遙控操作可做業(yè)務(wù)兜底

澎湃科技：徐總你們作為應(yīng)用方，你們會比較看重機器人哪方面的作業(yè)智能？

徐嘯順：對應(yīng)到機器人，一方面是穩(wěn)定性，不能突然有意想不到的動作和程序有突發(fā)狀況；另一方面是機器人對整體的場景適配程度。

現(xiàn)在我們很多工作集中在消除用戶或使用人員對機器人產(chǎn)品的理解差距。這個過程可能還有點困難。

從效率來看，現(xiàn)在人形機器人的效率可能會比人稍微弱也很合理。隨著后續(xù)產(chǎn)品持續(xù)優(yōu)化，機器人最終是可以達到甚至超越人工效率的。在一些高風(fēng)險工位，機器人已經(jīng)體現(xiàn)出明顯優(yōu)勢。比如一些涉及帶電作業(yè)的零部件，人形機器人上崗后，可以有效消除操作人員觸電的風(fēng)險。

王志勇：機器人參與表演秀提供情緒價值和機器人具體干活，這兩者可以對應(yīng)到人有兩種激素，內(nèi)啡肽和荷爾蒙。情緒價值像荷爾蒙，比較短暫。對人來講，產(chǎn)生長久的價值還是內(nèi)啡肽的價值，即能真正幫助人去解決具體問題，提供生產(chǎn)力。

傳統(tǒng)的工業(yè)機器人在特定場景下做一個高精度的工作，已經(jīng)比人都高效，具身智能的重點還是在于多任務(wù)、多場景的泛化能力。這點來講，行業(yè)內(nèi)還有很多挑戰(zhàn)。

看落地，我反而認為遙操作的技術(shù)，可以做業(yè)務(wù)兜底，另外從獲取數(shù)據(jù)的角度來看，遙操作也非常有用。短期來看，遙操作技術(shù)可能是對獲取數(shù)據(jù)和在真實場景落地都非常重要的一個技術(shù)。長期來看，還是把智能的能力提高。 澎湃科技：其實包括現(xiàn)在其他品牌的機器人在展示具體操作能力時，往往仍離不開人工遙操作。很多網(wǎng)友也會質(zhì)疑，既然還要人來操作，那這算什么智能？什么時候才能真正擺脫遙操作？王闖：我們的機器人在工廠三小時的直播，全程都是機器人自主完成，后臺沒有任何人工干預(yù)。當然，我們也設(shè)計了兜底措施以應(yīng)對極端情況。但兜底的措施并不完全依賴遙控操作。

遙控操作有兩點價值：一是訓(xùn)練階段對真實場景數(shù)據(jù)的要求。我們在訓(xùn)練環(huán)節(jié)，是需要操作數(shù)據(jù)，有一些場景需要數(shù)據(jù)驅(qū)動，需要人類教機器人怎么做，這個過程包括模仿學(xué)習(xí)和強化學(xué)習(xí)。越是精細復(fù)雜的任務(wù)，越需要更多的數(shù)據(jù)去訓(xùn)練。如組裝類作業(yè)，仍需要真實場景中的操作數(shù)據(jù)，包括模仿學(xué)習(xí)和強化學(xué)習(xí)的過程。傳感器數(shù)據(jù)的豐富度也會影響模型學(xué)習(xí)效果。

二是保障任務(wù)的穩(wěn)定性。哪怕機器出錯的概率只有萬分之一，也不能讓整條產(chǎn)線停擺，這個時候需要人遠程遙控操作恢復(fù)。我們也想過，在某些商業(yè)場景里，遙控操作本身也有實際價值，比如在較為荒涼的地方開小賣部，以坐在辦公室遠程操控賣產(chǎn)品。

具身智能數(shù)據(jù)極度缺乏，包括觸覺、深度識別

澎湃科技：經(jīng)過半年的發(fā)展，機器人現(xiàn)在大腦和小腦成熟度分別怎么樣？

王闖：我們小腦并沒有用到大模型。現(xiàn)在我們機器人的小腦例如下肢的控制，我們用的強化學(xué)習(xí)都直接是端側(cè)部署，并不依賴于云端的大模型。

另外，我們上肢系統(tǒng)也不依賴云端大模型。上肢“小腦”的運動規(guī)劃也都在端側(cè)完成。我認為目前大模型對機器人產(chǎn)業(yè)最大的賦能，主要體現(xiàn)在對環(huán)境的理解能力上。

讓我驚艷的是多模態(tài)大模型的出現(xiàn)，它對現(xiàn)實世界中各種物體具備一定的理解能力，甚至有些它沒見過的，也能分析。但現(xiàn)在大模型技術(shù)還不夠成熟，機器人還做不到“看一眼就知道干什么”，也難以通過簡單語言指令高效完成復(fù)雜任務(wù)。目前，帶動作執(zhí)行的大模型還沒有出現(xiàn)，還沒有形成既具泛化性又高成功率的通用方案。

王志勇：我認為一是模態(tài)，二是模型。

所謂模態(tài)即大模型就像人一樣，有視覺、聽覺、觸覺、嗅覺等不同的感知能力。讓具身智能有感知，傳感器一定要足夠多，盡可能多獲取有3D深度的視覺、觸覺、電子皮膚。

更關(guān)鍵的問題是，當模型拿到這些信息后，是否真的能駕馭好，做出好決策。有些國產(chǎn)車因為接收了更多模態(tài)的信息，導(dǎo)致內(nèi)部的兩套決策系統(tǒng)可能“打架”。比如拿到雷達信號，但沒有實現(xiàn)有效融合，反而影響了最終判斷。換句話說，模態(tài)信息越多，不一定是好事，關(guān)鍵是決策系統(tǒng)能否協(xié)同處理。

目前，從模型角度看，獲得具身智能相關(guān)數(shù)據(jù)仍有很大挑戰(zhàn)。這不像自動駕駛那樣相對成熟。現(xiàn)在連視覺都還只是初步應(yīng)用，更別說觸覺和其他感知，這些數(shù)據(jù)極度缺乏。

從算法技術(shù)路線來講，其實也沒有收斂。現(xiàn)在VLA（視覺語言動作）這條路上有好幾家在探索，但不像大模型已形成共識。所以有很多難點，路還比較長。

澎湃科技：好像多家都開始探索VLA模型路徑，您能否給大家科普一下VLA模型到底是什么？

王志勇：VLA其實強調(diào)像人一樣，從感知環(huán)境到自主決策并采取一定的行動。在自動駕駛領(lǐng)域已發(fā)展得相當不錯，機器人本身VLA的模型能力還處于早期階段。

王闖：VLA模型關(guān)鍵在于泛化性要求非常強。即使從未見過的場景，也能迅速做出正確的反應(yīng)。它依賴大量數(shù)據(jù)構(gòu)建基座能力，確保在千差萬別的任務(wù)中也有成功率。

目前VLA模型的難點在于，行業(yè)內(nèi)現(xiàn)在到底需要什么樣的數(shù)據(jù)并沒有形成共識，導(dǎo)致大家采集數(shù)據(jù)不一，此外數(shù)據(jù)量是否足夠現(xiàn)在未有定論。這些新的數(shù)據(jù)會對VLA模型有什么影響，也暫時未知。另外從VLA模型效果來看，它與人類的泛化能力仍然有顯著的差距，要實現(xiàn)強泛化、高成功率，這非常不容易。

還有一點必須考慮的是部署問題，模型不能無限大。真正落地時，也必須注重端側(cè)運行能力，不能完全依賴云端。最好模型大小也是可控的，在端測功耗算力都可負擔(dān)時，它最終價值才會非常大。

徐嘯順：在我們工廠環(huán)境中，質(zhì)量和安全是首要考慮因素。但非專業(yè)用戶很難理解模型的決策機制。這個行業(yè)里也一直在強調(diào)模型的可解釋可信任可負責(zé)，包括自動駕駛也是要讓模型達到可負責(zé)的程度才能完全交付。目前多模態(tài)VLA模型（視覺、語言、動作）技術(shù)尚未完全收斂，在現(xiàn)場部署中仍然存在一定風(fēng)險。在現(xiàn)階段，“能跑起來”已經(jīng)很不錯了，但要做到可信任可負責(zé)，可能還需要一段時間。

所以我個人認為，工業(yè)場景中更適合采用小模型或傳統(tǒng)神經(jīng)網(wǎng)絡(luò)小模型去處理動作任務(wù)。而大模型要經(jīng)歷驗證和完善，行業(yè)也需建立一整套評估和管理機制。

希望明年真正能做到客戶直接簽單

澎湃科技：這幾天我注意到特斯拉在美國洛杉磯已經(jīng)落地了一個無人化的服務(wù)場景，展望未來，如果我們以半年為單位來看，這類的場景會有在國內(nèi)落地的可能性嗎？半年之后又會有哪些變化或發(fā)展趨勢？

徐嘯順：前不久，我們也和智元機器人合作，做了一些機器人的場景測試，比如用戶抽盲盒、機器人遞交盲盒。這個動作本身并不復(fù)雜，但如果每臺機器人都能穩(wěn)定地重復(fù)執(zhí)行，就具備構(gòu)建“汽車餐廳”這類場景的基礎(chǔ)。這樣的流程可以被拆解為一系列可控的步驟。只要產(chǎn)業(yè)各方共同推進，我相信在中國類似場景很快就會實現(xiàn)落地。

王志勇：我不太好預(yù)測明年的進展，從更長遠的角度來看問題，我們在場景上希望未來機器人能夠走進家庭。

王闖：特斯拉一直擅長向公眾傳遞信息，善于制造能抓住大家眼球的內(nèi)容。我們看到它宣傳最多的其實是機器人倒爆米花的場景，咖啡反而較少。而在今年WAIC智元機器人的展臺上，我們也展示了多臺機器人為觀眾遞送可樂、飲料等互動體驗。

我們希望明年，機器人能在服務(wù)場景、作業(yè)場景中展現(xiàn)給大家更多價值，比如提供一些吃的，或具備更復(fù)雜的作業(yè)能力。我們把2025年定義為商業(yè)化元年，很重要的任務(wù)是跟客戶一起去思考哪些場景真正有價值，而不是只放演示，我希望明年客戶看上了可以直接簽單。