具身智能頂流圓桌：VLA難以解決機(jī)器人關(guān)鍵瓶頸

6月6日，2025北京智源大會(huì)開幕。在當(dāng)天以具身智能為主題的圓桌環(huán)節(jié)中，幾家國(guó)內(nèi)外知名的機(jī)器人企業(yè)代表出席參加，并發(fā)表了對(duì)行業(yè)的最新看法。本次圓桌嘉賓包括：

王興興|宇樹科技CEO

熊友軍| 北京人形機(jī)器人創(chuàng)新中心總經(jīng)理

王 鶴| 北京大學(xué)助理教授、智源具身智能研究中心主任、銀河通用創(chuàng)始人兼CTO

盧策吾| 穹徹智能聯(lián)合創(chuàng)始人、上海交通大學(xué)教授、上海創(chuàng)智學(xué)院副院長(zhǎng)

Karol Hausman| Physical Intelligence聯(lián)合創(chuàng)始人兼CEO

主持人：王仲遠(yuǎn)| 智源研究院院長(zhǎng)

RoboX對(duì)他們的鮮明觀點(diǎn)進(jìn)行了篩選摘要，整理如下：

再談人形載體

王興興：過(guò)去幾年，我在一些活動(dòng)中已公開說(shuō)過(guò)多次，我并不堅(jiān)持一定要做人形。對(duì)于宇樹來(lái)說(shuō)，做機(jī)器狗和人形其實(shí)都是順理成章的事情。

在下肢層面，輪子、底盤都還是非常實(shí)用的。之所以大家現(xiàn)在喜歡用人形，尤其是上半身人形，還是主要因?yàn)楝F(xiàn)在的AI多數(shù)還是基于人的數(shù)據(jù)來(lái)進(jìn)行采集和訓(xùn)練，讓機(jī)器人與人體動(dòng)作保持一致，數(shù)據(jù)采集會(huì)方便很多。另外，如果不做成人形，跳舞或者格斗基本都沒(méi)辦法做成。

不過(guò)，在真正AGI實(shí)現(xiàn)后，機(jī)器人會(huì)產(chǎn)生千奇百怪的形態(tài)，甚至可能比現(xiàn)在要多100倍。

熊友軍：我同意王興興的說(shuō)法。具身智能的形態(tài)不一定局限于人形，人形只是具身智能里面一個(gè)比較好的載體。不過(guò)我比較認(rèn)可人「形機(jī)器人應(yīng)該是具身智能研究的最佳載體」，這是從未來(lái)市場(chǎng)容量這方面來(lái)考慮的。

1、未來(lái)機(jī)器人最大的市場(chǎng)應(yīng)該是商用服務(wù)場(chǎng)景，包括家庭場(chǎng)景。今天工廠的應(yīng)用場(chǎng)景只是一個(gè)開胃小菜。

2、從人機(jī)交互來(lái)看，人形的交互更自然，更容易被人接受。

3、我們所處的環(huán)境大部分都是為人類設(shè)計(jì)的，人形機(jī)器人在部署的過(guò)程中，適應(yīng)起來(lái)是更加便利的。它可以方便地使用我們的工具，不需要做太多改造。

所以從這幾個(gè)角度來(lái)說(shuō)，人形機(jī)器人應(yīng)該是最好的一種選擇。

我明白大家的顧慮是覺(jué)得目前人形的成本和技術(shù)不占優(yōu)勢(shì)，但如果放在一條長(zhǎng)的時(shí)間線上來(lái)看的話，我堅(jiān)持人形一定還會(huì)是一個(gè)較好的載體。

VLA只是一個(gè)起點(diǎn)

王鶴：自動(dòng)駕駛驗(yàn)證了一件事情，就是端到端的方案具備更好的擴(kuò)展性。它能通過(guò)數(shù)據(jù)去真正地驅(qū)動(dòng)模型，而不是靠無(wú)窮無(wú)盡的規(guī)則。

這條路其實(shí)自動(dòng)駕駛走了很多年，但是現(xiàn)在鋪開的在全國(guó)各地都能開的車，其實(shí)不是通過(guò)模塊化的方案，而是端到端的。

從這個(gè)角度上講，VLA的意義在于什么？

VLA可以通過(guò)視覺(jué)觀測(cè)、自然語(yǔ)言下達(dá)的命令等信息，端到端地輸出動(dòng)作，不經(jīng)過(guò)任何的中間產(chǎn)物。它能夠真正地充分吸收數(shù)據(jù)背后的知識(shí)，發(fā)揮出最大的性能，而不受制于一些模塊化方案中間階段的誤差，以及無(wú)窮無(wú)盡的規(guī)則兜底等問(wèn)題。

那么VLA究竟要突破什么？我相信也是有不同的觀點(diǎn)的。有些人認(rèn)為應(yīng)該把人類能做的一切事情，都快速地做進(jìn)VLA，然后形成一個(gè)基座模型。

我覺(jué)得這是有點(diǎn)太著急了：我們?nèi)祟惼鋵?shí)除了視覺(jué)輸入，還有觸覺(jué)、聽覺(jué)、嗅覺(jué)、味覺(jué)，和溫覺(jué)。

所以VLA只能是一個(gè)起點(diǎn)。

要真想做到人類級(jí)別的具身智能，那只能不斷地融合新的模態(tài)。目前最適合做的，就是移動(dòng)、抓取和放置。這幾個(gè)技能基本以視覺(jué)為主，末端再加上觸覺(jué)或力覺(jué)的傳感器，就能夠很好地執(zhí)行。

而且它在工業(yè)、商業(yè)服務(wù)中有非常廣泛的應(yīng)用。如果我們能把這樣的VLA先做好應(yīng)用，在各種場(chǎng)景里都能部署進(jìn)去，我們就會(huì)見證具身智能第一個(gè)真正高潮的到來(lái)。

盧策吾：V代表理解世界，L溝通交互，A改變世界，這是集合了機(jī)器人這幾年要干的事情。

而且這里的L很妙——語(yǔ)言是一種粘合劑，她能通過(guò)數(shù)據(jù)將各種高層應(yīng)用連接在一起。

它確實(shí)有很好的擴(kuò)展性，但也存在很大的限制，需要我們?nèi)ネ七M(jìn)。

我們也會(huì)想要星辰大海，走向通用智能，但相比于無(wú)人車來(lái)說(shuō)，機(jī)器人的任務(wù)和交互復(fù)雜度太高了。所以，如果想做通用，那就得要壓縮它的不確定性。

VLA相當(dāng)于是火鍋底料，現(xiàn)在只能清湯寡水，服務(wù)一部分人。要想服務(wù)更多人，我們需要不停地在里面加?xùn)|西，也就是更多額外的信息，使得VLA更加powerful，能在兼容的框架里加更多的信息，壓縮不確定性。

在這樣的端對(duì)端的模型里，壓縮的方式有很多種。比如穹徹一直在做的力反饋。有了力反饋之后，它的穩(wěn)定性會(huì)更高。

另外，在理解世界層面，如果能在視覺(jué)基礎(chǔ)上，加深對(duì)物理層面的理解，那也可以進(jìn)一步地壓縮不確定空間。

所以在穹徹第二版的大腦中，又加了很多東西：比如優(yōu)化數(shù)據(jù)資產(chǎn)的方法，以及力反饋帶來(lái)的新的試驗(yàn)?zāi)Ｐ停瑪?shù)據(jù)需求量會(huì)大大下降。

我們很期待找到更聰明、更加理解世界的方式，一步一步推進(jìn)到通用的拐點(diǎn)。

Karol Hausman：我認(rèn)為目前仍存在一些瓶頸。最大的一個(gè)瓶頸就是這些模型的成功率尚未達(dá)到必要的水平。這不僅僅是收集數(shù)據(jù)的問(wèn)題，似乎還需要在算法上進(jìn)行一些改進(jìn)。

我認(rèn)為，即使我們擁有無(wú)限量的數(shù)據(jù)，也無(wú)法僅憑現(xiàn)有的算法，在復(fù)雜、長(zhǎng)期且需要高度靈巧的任務(wù)中實(shí)現(xiàn)100%的成功率。

我認(rèn)為這需要新的技術(shù)，這也是我們正在努力解決的問(wèn)題。

如果你幾個(gè)月前問(wèn)我這個(gè)問(wèn)題，我會(huì)說(shuō)最大的瓶頸是泛化能力。但基于PI已經(jīng)分享的成果，我相信我們已經(jīng)掌握了如何改進(jìn)泛化能力的方法。而且我認(rèn)為，解決泛化能力問(wèn)題的答案主要來(lái)自于數(shù)據(jù)。

然而，當(dāng)涉及到性能問(wèn)題時(shí)，我認(rèn)為這更多是一個(gè)算法問(wèn)題，而非數(shù)據(jù)問(wèn)題。

各企業(yè)的最新進(jìn)展

王興興：無(wú)論是在春晚上的集群表演，還是格斗比賽，我們都希望給大家展示出當(dāng)前的機(jī)器人技術(shù)發(fā)展?fàn)顩r，也希望帶動(dòng)整個(gè)行業(yè)的發(fā)展。

目前機(jī)器人還不能直接去家里或工廠干活，但在實(shí)現(xiàn)之前，我們已經(jīng)取得了一些技術(shù)成果，也進(jìn)行了一些商業(yè)化拓展及嘗試。

我相信類似于機(jī)器人格斗的賽事，明年會(huì)成為在全球都備受歡迎的體育賽事。

（在現(xiàn)場(chǎng)，參加機(jī)器人格斗競(jìng)技的宇樹G1上臺(tái)進(jìn)行了拳擊表演，擬人度與靈活度極高。）

熊友軍：天工1.0在半程馬拉松比賽上，跑出了2小時(shí)40分的成績(jī)，被證明是最能跑的機(jī)器人。而我們希望天工2.0能做更多的事情，所以重點(diǎn)升級(jí)了上肢部分，所以它有更多的自由度，同時(shí)加裝了靈巧手，也有了更多的負(fù)重能力。

這是一次系統(tǒng)性的更新，包括了4方面平臺(tái)能力的升級(jí)：

1、硬件平臺(tái)：主打草地、沙地、丘陵、石子等各種路形地面的適應(yīng)能力。

2、大腦升級(jí)：今年3月，北京人形機(jī)器人創(chuàng)新中心發(fā)布了通用的具身智能「慧思開物」平臺(tái)，它是一腦多機(jī)的平臺(tái)，包含了具身智能的大腦和小腦。

3、中心構(gòu)建了大型的數(shù)據(jù)采集和機(jī)器人訓(xùn)練中心，包含了20多個(gè)場(chǎng)景，方便虛實(shí)結(jié)合的數(shù)據(jù)采集。

4、中心構(gòu)建了數(shù)據(jù)采集處理、服務(wù)人才培養(yǎng)的一整套體系，用來(lái)升級(jí)不斷迭代和升級(jí)慧思開物的智能體。

（在現(xiàn)場(chǎng)，熊友軍用語(yǔ)音指令讓天工2.0「準(zhǔn)備一些茶點(diǎn)」，后者聽懂指令并選取了幾種食品）

王鶴：今年我們利用VLA技術(shù)，打造了適用性更強(qiáng)的端到端具身大模型，更貼近一般商超貨架的這樣的場(chǎng)景。

該模型能夠?qū)ω浖苌狭宅槤M目的、形態(tài)各異貨品進(jìn)行識(shí)別抓取。

從技術(shù)特點(diǎn)來(lái)看，我們不同于PI，訓(xùn)練數(shù)據(jù)主要使用了合成數(shù)據(jù)，而且是價(jià)格非常的低廉、能夠擴(kuò)增的合成數(shù)據(jù)。

（王鶴用一臺(tái)輪式底盤的人形機(jī)器人進(jìn)行了演示，他通過(guò)語(yǔ)音指令，讓機(jī)器人從密集的貨架上，成功取下安慕希酸奶和果粒爽果凍。）

盧策吾：我們?nèi)ツ臧l(fā)布了穹徹具身大腦的V1版本，接下來(lái)會(huì)在7月發(fā)布V2版本，新版本體現(xiàn)了對(duì)于世界物理的理解和交互。

這里我們要強(qiáng)調(diào)力反饋——人類在做很多動(dòng)作的時(shí)候，其實(shí)人都是下意識(shí)的。

比如刮胡子就是一個(gè)很典型的案例，在連續(xù)接觸皮膚的過(guò)程中，力氣大一點(diǎn)的話會(huì)刮傷皮膚，力氣小一點(diǎn)又會(huì)刮不干凈，所以力反饋就是魯棒性極高的、模仿人類的下意識(shí)動(dòng)作的關(guān)鍵技術(shù)。

還有一個(gè)案例是挖冰淇淋。它每次抓取時(shí)都需要應(yīng)對(duì)變化，動(dòng)作要非常精確。尤其當(dāng)凍得比較硬的時(shí)候，如果不具備力反饋，是挖不出來(lái)的。

接下來(lái)，將力反饋擴(kuò)展到生活場(chǎng)景中是非常必要的，比如照顧人時(shí)幫忙擦臉、按摩等多種交互。

（盧策吾還演示了刮冰淇淋的人形機(jī)器人，并表示該功能已經(jīng)在食品加工行業(yè)批量化落地。）

Karol Hausman：我覺(jué)得目前機(jī)器人還遠(yuǎn)未達(dá)到應(yīng)有的水平。我們希望將機(jī)器人通用大模型提供給所有人，讓那些正在執(zhí)行實(shí)質(zhì)任務(wù)、改變世界的機(jī)器人都能從中受益。

在很長(zhǎng)一段時(shí)間里，我們都認(rèn)為讓機(jī)器人適應(yīng)一個(gè)完全陌生的環(huán)境是不可能的。

在此背景下，我們選擇以終極挑戰(zhàn)——家庭環(huán)境作為測(cè)試場(chǎng)景。對(duì)我們而言，這就是檢驗(yàn)其泛化能力的最高標(biāo)準(zhǔn)——工廠環(huán)境往往比較相似，但家庭環(huán)境卻并非如此。

在開展這項(xiàng)研究時(shí)，我們面臨一個(gè)重大問(wèn)題：機(jī)器人需要見識(shí)多少種不同的數(shù)據(jù)，才能具備在全新家庭環(huán)境中泛化的能力？結(jié)果發(fā)現(xiàn)，這個(gè)數(shù)字其實(shí)并不大。

我們發(fā)現(xiàn)，機(jī)器人只需見識(shí)100個(gè)不同的家庭，就能具備在第101個(gè)家庭環(huán)境中泛化的能力。

當(dāng)然，這并不意味著每次都能成功，機(jī)器人仍然會(huì)經(jīng)常失敗，但我認(rèn)為這已經(jīng)展現(xiàn)出了非常好的前景——或許我們并不需要那么多的數(shù)據(jù)，機(jī)器人也不需要見識(shí)數(shù)據(jù)集中如此龐大的多樣性，就能真正具備泛化能力。

我們才剛剛起步，但這已經(jīng)是一個(gè)極具希望的跡象，也是我們未曾預(yù)料到的。