最完美的离婚

六位具身智能大佬同台：机器人的ChatGPT时刻，还有几年？_我的网站

A |     该图片使用了AI生成技术          本文来自微信公众号： 具身商业前哨 ，作者：何安          这次去上海参加WAIC，让我印象最深的活动是“智启具身论坛2026——迎接物理AI智能涌现”。    今年，做了6年炒货生意的唐山市路北区商户董朝辉有了“新伙伴”——智能炒货机器人。         这场论坛的含金量，不只在于智元、PI、Dyna、Sunday、腾讯和高校研究者坐在同一张桌子上，更在于他们讨论的是数据从哪里来、模型往哪走、本体要不要自己做这些行业尚未回答的硬问题。

B |          论坛最后，主持人问了一个所有人都关心的问题：机器人的“ChatGPT时刻”，到底什么时候来？          智元合伙人、觅蜂科技董事长兼CEO姚卯青说，两年；          Sunday Robotics联合创始人兼CEO赵子豪说，三年以内；          腾讯首席科学家、腾讯Robotics X实验室主任张正友说，三到五年；          Dyna Robotics联合创始人兼首席科学家马也骋说，四年左右；          Physical Intelligence研究科学家任至意说，四到五年；          佐治亚理工学院徐丹飞教授给出的答案是五年。8月18日上午，董朝辉打开手机软件，轻轻点击开始键，智能炒货机器人随即启动，自动完成预热、上料等工序。没过多久，色泽均匀的熟瓜子从出料口滑落，香气弥漫开来。“炒瓜子看似很简单，其实要求很高。温度差两三度，味道就差不少。

C |          几位嘉宾所在团队的技术路线和产品落地方式并不相同，但他们给出的时间判断却出奇地接近：两到五年。

D | ”董朝辉说，过去炒制一锅好货全凭经验，品质常有起伏，如今使用智能炒货机器人一键操作，不但火候均匀、口感一致，还有盐炒、清炒等多种模式，省心又便捷。董朝辉的“新伙伴”——智能炒货机器人出自唐山酷微自动化科技有限公司。

E |          这个共识，比我想象中更激进。不过，这些数字背后的口径未必相同。

F |          姚卯青给出的定义相对明确：机器人能够开箱即用，听懂开放式自然语言指令，并在常见任务上达到70%—80%左右的基础成功率。在公司生产车间，十余台长1.1米、宽0.6米、高1.2米的智能炒货机器人被打包装箱，即将发往湖南、四川等地。“这款机器人能感知环境温湿度、原料含水率，自主调整炒制节奏，实现炒制全流程无人化作业。”公司总经理万大顺介绍。

G |          但其他嘉宾并没有逐一定义自己的标准。凭借稳定性能和标准化炒制效果，智能炒货机器人一经推出就深受市场欢迎。目前，唐山酷微月均生产设备近百台，订单已排到今年年底。订单火爆的背后，与万大顺的从业经历有关。

H | 此前，他经营连锁炒货店，门店一度扩张到40余家。         所以，大家对时间看似形成了共识，但对“什么才算机器人的ChatGPT时刻”，其实还没有共识。规模上去了，问题也随之而来，手艺过硬的炒货师傅稀缺，各门店炒制水准参差不齐，很难做到口味一致。

I | 行业痛点恰恰蕴藏着转型升级的机遇。2024年5月，万大顺决定换赛道发展，从卖炒货转向生产加工设备，把老师傅的经验变成标准化数据，打造一款风味恒定、操控稳定的智能炒货机器人。         整场讨论中，有三个问题最受关注：机器人的数据飞轮怎么形成？“VLA已死”是不是一句伪命题？具身智能公司是不是正在走向软硬件全栈？          这三个问题，正好构成了理解当下机器人行业的三条主线：数据决定机器人如何进化，模型决定智能如何涌现，软硬件路线则决定谁能把能力真正变成产品和生意。         一、机器人的数据飞轮，不是采出来的          过去几年，大语言模型的成功，给了机器人行业一个直接的想象：只要不断扩大数据、算力和模型规模，机器人是不是也会迎来一次能力涌现？          可问题是，大语言模型需要的数据本来就存在于互联网上。

J | 跨赛道发展，可没那么简单，技术研发、生产制造、市场开拓，每一关都不容易。“在经营炒货店时，我们一直使用的是半自动设备，有一定的技术积累。”万大顺介绍，在此基础上，公司引入多模态感知、AI智能决策、物联网云平台等前沿技术，把老师傅们的炒制过程拆解成上千组参数，依托海量炒制数据形成可追溯、可复制的数字工艺包，破解传统炒制容易出现的粘锅、配料比不稳定等难题。随后，万大顺拿着设计方案，找到唐山百川机器人共享制造工厂，依托其成熟的制造能力完成结构件生产。机器人需要的物理经验，却没有统一的数据来源。企业自己的技术团队则负责硬件集成组装和整机调试，样机从图纸到落地仅用了四个月。“如今，设备已迭代到3.0版本，稳定性、感知精度进一步提升，并实现了批量生产。”万大顺说。打开销路又是一道难题。

K |          姚卯青在现场做了一个估算：头部语言模型的预训练已经达到100万亿Token量级。唐山酷微跳出线下跑客户的传统模式，将智能炒货机器人搬到线上平台，让设备自己“表演”。如果要让机器人真正开箱即用，可能需要一亿小时级别的数据。         这一亿小时从哪里来？          真机数据质量高，但采集成本太贵；仿真容易扩大规模，却始终存在虚实差距；互联网视频和第一视角数据数量足够，却未必能看清最关键的手部动作和力觉信息。“智能炒货机器人一上线，就吸引了全国各地客商关注。

L | 有一位威海客商一次就预订了20台。”万大顺说，良好的市场反馈快速积累起行业口碑，订单接踵而至，产品供不应求。

M | “目前，智能炒货机器人已在个体门店、连锁品牌、新零售终端等多种场景应用。”万大顺说，公司正持续优化设备，新增无线网络互联、双语操作系统等功能，提升产品综合适配能力，为拓展国外市场做足准备。（日报记者 师源）。         讨论中，一个被反复提及的数据来源是UMI。

N |          你可以简单把它理解为一种低成本的人类操作数据采集方式：人拿着采集装置完成任务，系统记录视觉信息和动作轨迹，再把这些经验转成机器人可以学习的数据。         赵子豪认为，短期来看，UMI可能是最高效的规模化数据来源。但他同时强调，长期真正重要的还是部署数据。         两句话放在一起，恰好勾勒出一条可能的数据路径：          UMI解决“机器人还没有大规模上岗之前，去哪里获得经验”；部署数据则解决“机器人上岗以后，如何越干越好”。         任至意更看重真机数据，同时主张通过多源数据和跨本体训练，提高模型的泛化能力。         马也骋则把这些数据总结成一个“数据金字塔”。

o |          底层是规模最大、成本最低的互联网视频和人类第一视角数据，中间是真机多任务数据，塔尖则是数量最少、价值最高的部署数据，尤其是机器人犯错、停顿、恢复并最终完成任务的过程数据。         它不是在告诉机器人“理想情况下应该怎么做”，而是在教机器人“真实世界不按剧本走的时候怎么办”。

p |          Dyna在酒店部署机器人完成折毛巾、折餐巾等任务时，会把前几次部署的数据重新放回预训练。随着数据积累，进入下一家酒店需要重新适配的时间就会缩短。         表面看，嘉宾们都认同多种数据需要组合。         但真正到了资源投入上，各家公司押注的重点并不一样：有人优先扩大人类操作数据，有人坚持真机数据，有人则直接进入真实场景，用部署换数据。         这里有一个典型的鸡生蛋问题。         没有足够好的模型，客户不敢让机器人上岗；没有真实部署，机器人又拿不到最有价值的数据。         说白了，机器人的数据飞轮不是采出来的，是在真实场景里干活干出来的。         二、“VLA已死”，死的可能不是VLA          最近，具身智能行业很流行一句话：“VLA已死，世界模型当立。”          但在这场圆桌上，这场争论被进一步落到了VLA与WAM（World Action Model，世界动作模型）两条路线上。         VLA是根据视觉信息和语言指令生成动作的模型；WAM则更强调世界如何变化，以及不同动作可能带来什么结果。

q |          Dyna确实从早期的VLA路线，逐渐把更多精力转向WAM。

r | 马也骋提到，在一些强调鲁棒性、少量数据和高成功率的任务里，WAM可能比VLA更高效。

s |          那么，VLA真的要被淘汰了吗？          任至意并不认同。他认为，到目前为止，还没有看到哪家模型做出明显超过π0.7的演示效果。π0.7是PI推出的新一代通用机器人模型，也是PI对VLA路线的一次重要升级。         更关键的是，任至意认为VLA与WAM并不冲突。VLA本身也可以吸收世界建模和未来预测能力。         机器人最终既要理解语言和当前环境，也要预测未来结果。PI的做法，就是先生成未来的子目标画面，再用这个画面引导底层模型执行动作。         智元也没有简单押注其中一条路线，而是在推动VLA与WAM融合，探索世界建模、推理和动作能力进一步结合的模型体系。         这场讨论的张力就在这里。         任至意用π0.7说明VLA仍有很强的竞争力，马也骋则用真实任务中的效率和成功率说明WAM的价值。

t |          两个人没有直接否定对方，但公司的技术下注已经给出了不同答案。         张正友又把问题往前推了一步。         他认为，具身智能远没有形成类似大语言模型Transformer那样的统一架构。一个真正的机器人智能体，至少要包含认知系统、感知行动系统和底层反应系统。         上层负责复杂推理和任务规划，中层负责感知与动作生成，底层则要以极高频率控制电机、处理碰撞和保持平衡。         你不可能让一个数千亿参数的云端大模型直接控制每一个电机，也不能指望一个三四十亿参数的端侧模型解决所有问题。

u |          所以，“VLA已死”很可能从一开始就是个伪命题。         未来形成主流的，大概率不是纯粹的VLA，也不是单独的WAM，而是一套融合语言理解、世界建模、未来预测、推理规划和实时控制的系统。         VLA没有死。真正可能死掉的，是“靠一个模型解决机器人所有问题”的想象。         三、全栈能力会成为趋势，但全栈生意未必会          第三个问题，是机器人公司究竟应该只做“大脑”，还是连身体一起做。

v |          PI现阶段主要做通用基础模型，没有选择自己研发和销售本体。

w |          任至意坦率地说，没有自研硬件，确实可能导致部分任务无法完成。但PI目前更看重模型快速迭代，因此优先使用结构简单、维护成本低的机器人搭建研发基础设施。         这是一条典型的“大脑路线”：先把通用模型能力做出来，把本体作为研发基础设施，而不是现阶段的商业重点。         腾讯的选择也很明确。         张正友说，腾讯只做大脑，不会卖本体。他甚至开玩笑说，腾讯过去做硬件基本没有成功过，所以要有自知之明。         但腾讯的Robotics X实验室从2018年成立以来，却一直保留着硬件研发。

x | 因为如果没有真正做过硬件，就很难理解触觉、力觉、关节控制和端侧算力，究竟会给模型带来什么限制。

y |          这是一条很微妙的边界：商业模式上可以不卖本体，研发上却不能不懂本体。

z |          智元走的是另一条路。         姚卯青认为，一旦机器人进入客户现场，面对的就不再是论文指标和Demo效果，而是可靠性、成本、成功率和一致性。

|          这些问题没办法只靠模型解决。

|          端侧芯片能运行多大的模型，电池能工作多长时间，关节如何控制，整机能不能稳定量产，都会反过来决定机器人的智能上限。         Sunday Robotics选择三指夹爪，也是同样的逻辑。         赵子豪认为，机器人的手要在成本与能力之间做平衡。三指夹爪追求的是用20%的成本获得80%的能力。         今天，通用机器人迟迟没能大规模进入家庭和更多真实生产场景，未必是因为少了两根手指，更可能是因为智能不够、成本太高、稳定性不足。         这正是全栈路线的价值：不是为了什么都做，而是在模型、算力、本体、控制、成本和场景之间更好地做取舍。         那么，软硬件全栈会不会成为新趋势？          我的判断是：全栈能力会成为趋势，但全栈商业模式未必会成为唯一答案。         未来，机器人行业很可能会出现类似苹果的公司，模型、本体、系统和产品都自己完成；也会出现类似安卓和Windows的平台，只做通用大脑，适配不同本体。         但在今天，本体、传感器、灵巧手、芯片和控制系统都没有标准化。即使一家公司的最终目标只是卖“大脑”，也很难完全绕开身体。没有一家公司还能假装硬件不存在。         四、两年还是五年，其实没那么重要          这场论坛听下来，我最大的感受，是机器人行业远远没有收敛。

|          哪种产品形态最适合家庭和工厂，没有答案；VLA、WAM、端到端模型和分层系统，谁会成为主流架构，也没有答案。         数据配方仍在变化，商业模式同样分散。有人卖整机，有人做模型，有人做数据平台；有人押注工厂，也有人瞄准家庭。         表面看，这是一种混乱。

| 换个角度看，这也是机会。

|          在一个尚未收敛的行业里，大厂和创业公司、中国团队和美国团队，都没有提前拿到标准答案。         所以，听完整场论坛，我反而不太在意答案究竟是两年还是五年。         机器人的“ChatGPT时刻”，不会只由某一次模型发布宣布到来。         它真正出现的标志，是数据、模型、本体与真实部署第一次形成自我加速：机器人部署得越多，积累的数据越多，能力提升越快，进入新场景的成本也越来越低。         在这之前，所有时间表都只是预测，所有路线都还在验证。         本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 [email protected]。

|

Current article:http://hdqdm.qiuergejiaolaiaozhuangshi.buzz/list_8gu10m/mt2zq.html

Published on:07:46:18