力控與運控的融合，共話具身智能“小腦”進化的破局之道

3月31日至4月3日，第27屆ITES深圳工業展暨高端裝備產業集群展將在深圳國際會展中心（寶安）啟幕。與此同時，鈦媒體也聯合ITES深圳工業展、工創聯，共同打造一場主題為“具身覺醒，智造躍遷” 的高端產業峰會。峰會首日，邀請到了賽博格機器人聯合創始人張懷東、非夕科技副總裁陳仙勇，與鈦媒體集團聯合創始人、聯席CEO劉湘明展開了一場關于《小腦進化——力控與運控的融合之路》的深度對話。

當下，具身智能正從實驗室走向產業化的關鍵節點，人形機器人作為具身智能的核心載體，其“小腦”——也就是控制架構的進化，直接決定了機器人能否真正實現類人運動、柔性交互，能否打破實驗室與真實場景的壁壘。

而在具身智能“小腦”進化的路徑上，力控與運控代表著兩條極具影響力的技術路線。其中，力控派以力覺反饋為核心，模擬人類指尖感知與柔順交互，追求 “像人一樣精準用力”；運控派以軌跡規劃+全身協同為核心，模擬人類肢體聯動與平衡控制，追求“像人一樣靈活移動”。

張懷東認為，之所以有兩條不同的技術路線，本質上是工業機器人對末端任務的要求不同決定的。“有時候對力的要求很高，有時候希望機械末端到達的位置足夠精確，比如做激光切割，定位精度要求毫米級，所以對位置有要求。它們各有不同的應用場景，因此才會分化出兩種不同的控制模式。”

陳仙勇也給出了相似的看法，認為更多是以任務為導向，從目標出發看怎么達到目的，技術本身都非常難。“運動控制，從傳統工業機械手和協作機械手領域，真正能把它做得非常好的目前也是鳳毛麟角。力控也一樣，聽起來是一個很泛的概念，但真正要做到非常精細、穩定的控制，做到柔順的力控，同時又準又快又穩，還要客戶用得起，都非常難，各有各的難處。”

不同的場景，不同的需求，力控與運控的差異化融合，是直擊具身智能在場景加速落地的關鍵。只不過，基于當前的技術成熟度以及成本問題，導致規模化應用還需要一定的推進時間。對于賽博格機器人和非夕科技亦是如此，如何去進一步降本，實現更多場景的落地應用，去規模化量產以及進一步盈利，成了下一步的難題。

對此，陳仙勇透露稱，目前，已經初步實現了規模落地的態勢。從去年開始，在各行業的機器人出貨量已經超過千臺，今年每年以翻倍的速度在推廣。如果說影響規模化商業落地的因素，第一是讓更多人看見你的價值，第二是讓更多人一起來把全新的形態推廣到千行百業。

張懷東則指出，每個客戶想要的解決方案有共性的地方，也有各自場景化的地方。從這個角度看，賽博格機器人的規模化盈利就是把每個客戶都做好。先用通用的底座（文明社會）保證下限，再用專用的適配（孤島生存）拉高上限，通過每一個場景的深度定制實現單點盈利，最終累加成規模化盈利。

以下是本次對話內容實錄，略經編輯：

劉湘明：各位朋友大家好，歡迎來到物理AI現場。今天我們要討論一個技術硬核的話題，就是“小腦的進化——力控與運控的融合之路”。今天很高興請到了兩位非常專業的嘉賓：賽博格機器人聯合創始人張懷東，還有非夕科技的副總裁陳仙勇陳總。

現在具身智能很熱，一方面大家討論大模型，另一方面討論小腦的問題，但小腦其實有兩條技術路線，有點像我們看《笑傲江湖》里的劍宗和氣宗，就是力控和運控兩條路線。今天很難得的機會，兩位專家能跟大家分享一下這些技術路線的利弊，包括未來的發展，先請兩位介紹一下自己所在的公司以及現在做的事情。

張懷東：大家好，我是深圳賽博格機器人的聯合創始人，我們公司是2024年7月份成立的，主要做面向工業和特種場景的個人機器人，所以對力控和微控的要求非常高。我們的機器人也有自研的靈巧手，手上帶有視覺傳感器，有自己的算法，去做定位和力控混合的一些運控算法，在這一塊還是有一些積累的。我們希望在一些工業場景里面，去做一些定位更精細的事情，比如精細的切割、打磨，或者旋轉閥門、開門這些很復雜的臨場操作。我們覺得這些控制算法是不可或缺的。

劉湘明：現在哪些特種場景會用到你們的機器人？

張懷東：所有產品都會用得到，不管是工業還是特種產品。工業上，我們去山西電子廠，或者物流倉庫、分揀，很多產品都需要用到。特種場景就更多了，比如煤礦、電力、核能等很多危險的地方，高負荷的地方，都需要機器人去替代人類。因為人類想做輕松的工作，我們想把人類從那些難、苦的工作里剝離出來。

劉湘明：來，陳總您也介紹一下。

陳仙勇：大家好，我是非夕科技的副總裁陳仙勇。很高興在這里介紹非夕科技——一家專注于以仿人化技術打造具身機器人的公司。目前我們希望構建的是面向全身世界的操作任務、通用智能機器人的基礎平臺。我們的核心不僅僅是為了做單品，而是持續打磨機器人在持續接觸、多場景、復雜環境下的系統能力。今天我們也帶來了我們剛剛發布的“初心”系列新產品，歡迎大家到我們的展位參觀，謝謝！

劉湘明：新產品有什么亮點？

陳仙勇：沿著仿人化的路線，我們一直在持續迭代極致的環境交互能力。從幾個方面來簡要介紹：一方面在自適應的能力上有了全新的突破；同時機器人已經打造了具備全身感知的觸控能力，以及圍繞自適應的場景有了更安全的架構。基于我們的初心產品，我們也帶來了各種豐富形態的解決方案，比如“Michael”，有點像我們人的上半身，雙臂協同操作能力的產品平臺。

劉湘明：為什么要強調雙臂的協調？什么樣的場景會用到？

陳仙勇：在自動化場景里，高度結構化以及固定的任務場景，傳統的機械式重復定位精度的自動化解決方案已經非常適合。但是仍然有很多場景需要人去做精細的柔性操作，來適應多任務、跨場景的切換。人的雙臂協同作業，能夠大大降低自動化場景的結構復雜度，提升操作柔性，同時提升作業效率和質量。

劉湘明：為什么在小腦這種場景里會出現力控和運控兩種不同的技術路線？兩位能不能先做一下科普？

張懷東：是這樣，我們想要完成的工作本身有兩個主要目的：第一，希望我們的機械末端到達的位置足夠精確。比如做激光切割，定位精度要求毫米級，所以對位置有要求。第二，有時候對力的要求很高，比如要去按按鈕，不是說到了那個位置停下來就行，而是要把東西按下去，按得太深或太淺都不行，需要根據力的大小決定什么時候停下來。所以本質上是工業機器人對末端任務的要求，決定了有位置控制和力控制兩條路線，它們各有不同的應用場景，因此才會分化出兩種不同的控制模式。

陳仙勇：從更通俗的角度來理解這兩個事情：它們不是為了單純分運動控制還是力控制，更多是以任務為導向，從目標出發看怎么達到目的。運動控制比較專注在“怎么到達你想要的位置”，力控制則比較關注在動態調整過程中持續高質量地達到目的。這是兩個不同的目的產生的兩條技術路線。

劉湘明：從開發難度來看，這兩條技術路線哪個難度更高？

陳仙勇：技術本身都非常難。比如運動控制，從傳統工業機械手和協作機械手領域，我們經常聽到運動控制，但真正能把它做得非常好的目前也是鳳毛麟角。力控制也一樣，聽起來是一個很泛的概念，但真正要做到非常精細、穩定的控制，做到柔順的力控，同時又準又快又穩，還要客戶用得起，都非常難，各有各的難處。

劉湘明：不管是力控還是運控，其實都和原來的工業機器人有技術延續性。為什么現在又把難題提出來？而且現在算力已經提升很多，軟件工程也和原來很不一樣了，現在的技術難點卡在什么地方？

陳仙勇：力控本身已經出現幾十年了，不是什么新技術路線。但是怎么樣把力控運用到手臂關節里，同時做到又準又穩又快，還能做到足夠精細的調整，其實非常難。因為力的控制很容易受外部干擾產生擾動。所以這不僅僅是單一硬件形態的問題——硬件要足夠極致穩定優秀，同時底層的算法和軟件也必須做到極致的配合。

劉湘明：現在大模型和軟件能力的提升，對小腦的開發有沒有幫助和促進？

張懷東：像您剛才說的拿瓶子操作，我們自家的機器人已經做得很好。我們現在也是用大模型端到端地去學習，桌子上擺了很多蘋果，抓完一瓶又抓下一瓶，因為它自己有感知。但是整個過程如果純靠力控就不行，因為那個東西是軟的，抓大力點也不會捏爆，也不會導致手或物體損壞，它本身不需要力控。

您剛才說的學習問題：基于視頻學習確實沒有力的信息，因為視頻只能學到“到了哪個位置”。實際訓練出來的模型會發現，如果是純位置控制，有時候抓的力會不夠，位置到了但抓力不夠，物體可能會滑落，模型就會嘗試再抓一次，力度可能會更大，這樣也能抓起來，但成功率和效率都降低了，要嘗試好幾次才能抓起來，有點像人閉著眼抓。

為了讓效率更高、抓得更準，一個辦法是把力的信息加進去。現在常見的做法是：在端到端模型里，把靈巧手上的觸覺傳感器信號直接接進去，通過學習的方式讓模型自主感知該用多大力氣抓。我們發現這種做法對抓取效果有提升。原始訓練數據里沒有任何力的信息，但通過引入觸覺信號，模型是可以學習到的，我覺得這是一種很好的思路。

您剛才說的大腦對小腦的幫助，我覺得是有的。因為我們之前說的純力控或純位控，本質上你把力加進去之后，它是一個力位混合的工作模式。力位混合就會問：我更關注力還是更關注位？信號在融合時怎么優化？但回想一下人是怎樣工作的：人不會去推理“我要用多大力”或“我要控制這個位置”，所有推理都是經過大量訓練后自主完成的。

所以我們希望大腦還是端到端，只是小腦給力位提供輸出通道。抓東西時到底該用多大力、多大關注度在力上、多大關注度在位置上，讓大模型自己去分配。這樣它還是端到端的，簡化了很多算法工程師需要做的事，不用再去過多考慮力位的問題。我們可能就不用再去推導規則，給數據讓它自己學習就行，這也符合現在人工智能發展的路徑——數據驅動。

劉湘明：那剛才說的一桌子瓶子，如果有一種特別容易碎的，容錯空間很小，稍微用點力就碎，是不是挑戰會更大？

張懷東：對的。如果抓的東西一捏就可能折起來，那風險就高了。像我們現在挑戰一個很難的動作，比如轉閥門，它是一個圓周運動，手一旦位置不對，就可能對手造成損壞。現在的靈巧手還是比較貴的，這種情況必須把力控加上，否則做不好，很容易造成硬件損壞。

劉湘明：陳總，您有什么補充嗎？剛才我們已經進入到技術的深水區了。

陳仙勇：非夕科技一直沿著仿人化路線，專注在通用具身智能機器人這個方向上不斷深耕。從智能化水平來說，我們也是通過大小腦相結合的方式構建這條路線。就像剛才張總介紹的，在簡單的動作里，通過海量學習可以很快實現。但我們要反過來思考：為什么要智能？智能到底解決什么問題？如果是簡單的任務，需不需要智能？

小腦智能其實是在跟物理環境持續高密度接觸、高密度反饋、快速反饋的任務過程中，才能發揮它的價值，才需要智能。我認為小腦智能在物理世界的動態調整、機器操作中發揮了很大作用。大模型和小腦的能力是相輔相成的：大模型解決泛化能力，小腦解決物理最后一公里的柔性快速調整、持續接觸的問題。

劉湘明：剛才大家都在談大模型和小模型、大腦和小腦的問題。實驗室環境里可以接大模型去算，但真到了具身智能里面，因為受到能耗和物理條件的限制，沒有那么強的算力，這個問題怎么解決？

張懷東：目前業界通用的做法有兩種：第一，把模型壓小，壓到足夠小就能上邊緣端；第二，云邊協同，通過通信方式遠程連接，所有計算在云端，邊端負責執行。兩種辦法各有利弊。云邊協同最大的限制是延時，對實時性要求高的操作可能不行；另外我們做特種機器人，有時要下煤礦，沒信號就直接斷連了，肯定也不行。邊緣端的模式好處是走到哪都能自主感知、自己完成所有事情，不需要跟云端通信。

但問題在于算力確實小，模型壓縮后效果肯定不如云端的好。這就需要想辦法讓小模型進化，讓它的能力盡可能匹配云端的大模型。我們會用到蒸餾、量化、剪枝等操作，也在做一些持續學習和聯邦學習的事情：多個機器人同時部署到B端場景，每個機器人每天都會產生新數據，我們可以把所有機器人的知識匯集到云端大腦去更新模型，更新完再知識蒸餾回到每個邊緣端。聽起來有點賽博，但這是我們正在做的，因為我們面向B端，不是只給客戶交一臺，而是上百臺交給一個客戶，更容易實現這個事。

劉湘明：那現在最小的模型能壓到多大尺寸？

張懷東：現在常用的邊緣端算力基本上兩三百TOPS才行。我們大概測了一下，如果能將模型壓到1B以內，運算速度基本就夠了。因為我們可以用一些推理加速技術，讓模型推理時更快。

劉湘明：那現在一個具身智能機器人的能源儲備，也就是續航能力，大概是什么狀態？

張懷東：跟本體相關。輪式機器人能扛更重的電池，一般能干到八小時。雙足人形機器人因為本身負重有限，我們現在設計的是四小時，都采用換電的方式。

劉湘明：陳總，您對模型云邊端的問題有什么看法？你們是怎么解決的？

陳仙勇：基礎路線上，大家都差不多，共識越來越多，沒有之前那么分化了。現在大家在卷的是：以更高效的學習效率、更低的成本、更小的樣本量去學習。我們也在沿著讓手和手臂本身的小腦級智能更加強大的方向，來減少模型容量或大小，更高效地部署。同時在機器人本體上，我們不斷降低能耗、提升自身能力。比如我們剛發布的“初心”新品，更小的尺寸、更強的負載能力、更小的功耗，多方面同時發力。

劉湘明：剛才談到能耗，具體到具身智能機器人，有哪些比較有效的降能耗手段？

陳仙勇：首先從算力本身，像張總說的壓縮模型量是一方面。同時我們更關注大模型的通用泛化能力，在訓練中如何形成高質量的與物理世界交互的能力迭代，這樣可以大幅降低算力要求和模型容量。在機器人本體上，我們一直走輕量化路徑，讓本體能力更強大，壓縮硬件功耗，同時提升學習效率和降低樣本量。

張懷東：我從本體角度補充三種辦法。第一，鎖電機。現在的模型輸出控制著所有電機，如果給電機信號，不管力大還是小，電機都會耗電。其實可以讓不重要的電機停下來——整個機器人可能有五六十個電機，干活的可能只有五六個，其他電機可以鎖住，這樣能耗快速降下來，但目前大家還比較少這樣做。

第二，從人類視頻學習或模型優化的角度，讓模型自己去尋找更低能耗的方式。比如拿水杯喝水，走直線和繞大圈能耗不一樣，可以把能耗加入到優化目標里，讓模型自己找到更低能耗的方式。

第三，訓練模型本身的能耗很大，因為需要很大的算力中心。我們能不能讓模型在訓練時只學習新的、重要的數據？這涉及到數據篩選、自動清洗、持續學習和終身學習。我們自己在探索這方面，因為交付B端后每天都有新數據，如果能以低能耗方式處理這些數據，在算力中心那邊可以降低差不多十倍甚至一百倍的能耗。

劉湘明：咱們回到靈巧手。剛才說到像擰螺栓需要很大的扭矩，靈巧手需要很高的動態響應。現在的硬件能不能支撐規模化量產？還是有些挑戰？

張懷東：業界頭部的幾個靈巧手公司做出來的產品我覺得是可以用的。我們公司也有自己的靈巧手，上面帶有六維力傳感器，也支持量產。所以我的回答是：Yes，從業界角度看已經完全可用了。只是成本可能還得再降一下，因為現在的售價有些客戶可能不太能接受。我們在做這樣的事，但如果說能不能用，我覺得是能用的。

劉湘明：陳總，您怎么看？是這種情況嗎？現在可以量產了，但是貴？

陳仙勇：非夕科技一直走仿人化路線，到目前為止我們還沒有靈巧手的產品。我們更多在思考人在作業時發揮了什么功能。沿著這條路線，我們開發了兩指的仿人手作業功能，目前還沒有太多去關注是不是需要五個手指頭。兩指能夠實時適應各種工件的大小，根據不同的材質形成輕柔精細的操作，甚至能在穩定夾持的過程中做指尖調整等功能。

劉湘明：回到張總提到的BOM成本問題，未來在這種技術路線下，怎么形成成本優勢？價格的曲線會是什么狀態？

張懷東：我們的答案是：從軟件、硬件到算法，我們暫時是全棧自研。因為靈巧手一方面需要本體設計研發能力，另一方面需要控制算法和調度。很多工業客戶之前用傳統工業機械臂方案，你給他一只手他也不會用，所以交付時還得把算法也做進去。您說的BOM成本不只是硬件，而是整個解決方案部署下去的總成本。我們現在給出的答案是：我們提供的是整體解決方案，在這個方案里把成本做到最低。

陳仙勇：成本方面，這是一個全球范圍內顛覆式的創新形態。我們花了大量精力迭代極致的自適應能力，同時也在持續關注降本。一方面，隨著自適應能力的建立，我們從新品設計維度就開始關注更優的成本結構；另一方面，不斷優化供應鏈，在保證極致性能的同時優化成本結構。

另外，我想分享另一個維度：應該思考解決一個復雜問題給用戶省下了多少成本，而不僅僅是BOM成本。從零打造一個全新產品，大家看到的BOM成本只是冰山一角，下面還有大量的隱性成本。如果解決了客戶的痛點，讓整體使用成本更優，可能是更好的思路。客戶從購買決策到最終交付、維護、運維、產品切換等整體擁有成本，我們從這個維度去提供極致性能體驗，同時以快速高效的運維降低整體擁有成本，讓性價比最優。

劉湘明：最后一個問題，也是繞不過去的：規模化盈利。請兩位分享一下，你們最大的應用場景是什么？規模化盈利目前最大的障礙是什么？張總先來。

張懷東：我們面向的是B端客戶，說白了就是工廠，或者特種客戶——有應急需求、危險作業需求、高負荷作業需求的場景。在這些場景里，我們的靈巧手和力位混合都非常重要，因為都涉及靈巧操作。關于規模化盈利，我們的做法是一個客戶一個客戶打下來。每個客戶想要的解決方案有共性的地方，也有各自場景化的地方。我們現在把每個客戶當成一個“孤島”——我們的機器人是從文明社會學會了很多東西的通用機器人，然后把它流放到每個孤島里，讓它重新學習孤島的生存規則。

從這個角度看，規模化盈利就是把每個客戶都做好。正如陳總提到的，核心價值決定了盈利的上限。我們希望在每個孤島里把自己做到最好，即使在這個過程中可能會放棄一些文明社會學到的通用技能，也無所謂。我們本質上是把通用技能變成專用技能。這就是我們實現規模化盈利的路徑——給客戶提供最大價值，從而獲取最大價值。

陳仙勇：非夕科技從成立之初到現在已經十個年頭了。過去十年里，我們不斷沉淀和打造極致的自適應能力，這是一個全球范圍內全新的技術路線和產品形態。全棧式自研、構建這樣的產品本身已經很難，但難不等于有價值。真正規模落地，要從用戶角度出發：你解決了什么問題？打造全新產品非常難，而結合用戶痛點、真正解決行業難題是另一個維度的難。

過去十年，我們不斷讓產品性能達到極致，同時結合各行各業的痛點問題，帶來真正的價值。目前，我們已經初步實現了規模落地的態勢：從去年開始，我們在各行業的機器人出貨量已經超過千臺，今年每年以翻倍的速度在推廣。如果說影響規模化商業落地的因素，第一是讓更多人看見你的價值，第二是讓更多人一起來把全新的形態推廣到千行百業。謝謝！

劉湘明：謝謝兩位嘉賓精彩的分享。直播時間也到了，希望以后還有更多機會繼續深入交流。也感謝各位觀眾的觀看，我們一會兒再見，謝謝大家，謝謝！