WAIC观察：具身智能从展台到产线还差关键几步

WAIC观察｜从展台走向产线，具身智能距离落地还有多远

今年WAIC上，具身智能厂商几乎占据了整个展馆的一层。京剧、踢球、舞蹈……各具特色的表演展台前，围满了高举手机的观众，场面十分火爆。但如果你走到楼下或展馆外的论坛里，听听产业一线从业者的真实声音，就会发现气氛远没有那么乐观。

展台虽然热闹，但焦虑情绪同样在产线蔓延。智元合伙人、高级副总裁，觅蜂科技董事长兼CEO姚卯青直言：“从‘能用’到‘可用’，是0.1到100的鸿沟。”博世中国战略副总裁、机器人业务负责人刘敏给出了更具体的量化标准：节拍必须压进6秒以内，准确率要超过99%。达不到这些门槛，工厂根本不会买单。

具身智能正从“能跑Demo”艰难地迈向“能稳定干活、不出错”的交付阶段。无论是模型还是硬件，各自都面临不小的挑战。

具身智能仍未解决准确性与泛化性等核心难题

在“AI in Action·腾讯AI应用创新论坛”的圆桌讨论中，来自产业一线的声音几乎都指向同一个问题：实验室与现实之间的巨大落差。

姚卯青坦言，目前具身智能和人形机器人在制造场景中的应用，仍处于协作与实验阶段。“现在更多是协作机器人在解决工业自动化尚未解决的问题，目标是提升效率、替代人工，实现柔性生产。”他说。

刘敏则认为，行业去年已经解决了运动性问题，今年则是在探索和迭代操作性问题。算法作为具身大脑落地，在一些工业场景已能满足使用需求。在商用场景中，机器人操作时间能从60秒左右压缩到30秒，但准确率仍需提升至90%以上。

机器人在实验室里能干活，不代表到了现实世界同样可靠。这背后涉及节拍、准确性、泛化性等一系列问题。

节拍与机器人的速度直接相关。以工业场景为例，6秒可能只是入门门槛，而且机器人必须达到99%以上的准确率。

姚卯青分享了一个真实案例：上个月在江西南昌的一条产线上，智元机器人六天操作了六万多件产品，成功率达到了99.99%。但值得注意的是，在此之前它已经在24小时产线上全工段连续运行了三四个月。

腾讯首席科学家、Robotics X实验室主任、福田实验室主任张正友在接受采访时表示，Physical AI可以在不完美的情况下落地。工业领域有些场景，物体类别相对较少、环境相对结构化、所需数据量也相对较少，通过互联网视频、第一人称、UMI采集等数据增加预训练，就能快速适配。“唯一的差别，可能只是针对某些场景多采集一些数据。”

但进入家庭等非结构性环境，要求就完全不同了。“需要从机器人形态、智能等方面保障100%安全。”张正友说。

泛化性则关系到机器人能否完成更多、更具体的任务。北京大学计算机学院研究员、博士生导师仉尚航认为，这个鸿沟之所以存在，很可能是因为在实验室里，机器人的所有数据场景都是提前设计好的。一旦进入真实世界、面对开放任务，模型暂时还无法展现智能涌现的能力。“具身智能还没有解决泛化性问题。模型是具身研究的基础，目前还处于百花齐放的开始阶段。”

模型技术尚未收敛，分层架构将长期保持稳定

具身智能研究需要模型、本体和数据形成闭环。目前，整个技术栈远未收敛。去年VLA（视觉-语言-行动）还是行业热词，今年主角已经换成了世界模型。但究竟什么是世界模型，行业内部连定义都尚未对齐。

在张正友看来，VLA的短板很明确：它没有预测能力。而世界模型可以基于行动后果进行预测。VLA要实现泛化需要大量数据，VLM出现后，基于海量视频、图像训练，提高了理解能力，VLA开始向世界模型的范式推进，世界模型也开始接上行动这一层。

今年WAIC期间，腾讯Robotics X实验室及福田实验室联合腾讯混元推出了两款具身智能基座模型：具身VLM基座模型Hy-Embodied-VLM-1.0，以及具身世界认知基座模型Hy-Embodied-RxBrain-1.0（简称RxBrain）。

RxBrain的核心，是将机器人左右脑之间的“高速桥梁”连接起来，同时传递语言和视觉信息。模型在分解子任务时，可以用文字、图像“描述”世界，让机器人在执行任务时，能够同时使用语言和视觉描述来指导执行。“相比其他仅用文本或简单拼凑的方案，我们模型的效果有明显提升。”张正友说。同时，RxBrain也能根据子任务完成情况对世界进行预测。

张正友认为，世界模型下一个有价值的方向，在于模型能同时传递语言和图像信息，能推理，也具备想象力。对于模型架构，他判断分层架构将长期稳定，“因为这接近人脑的结构”。但每一层内部的模型实现，会持续迭代。

人机交互的难题，同样需要分层来解决。张正友指出，机器人操作物体、与人物理接触的问题最难解决，这通常涉及触觉和力的感知。人机交互容错率极低，比如搀扶老人时不能捏碎骨头或让其受伤。一旦机器人与人在接触时绊倒，需要底层快速的肢体反应，而用VLA模型100毫秒的决策周期根本来不及。触觉反馈约需1毫秒，视觉反馈最快15毫秒。目前要实现这样的效果，还有许多工作要做，需要将不同频率的感知信息与模型结合。

模型要翻越的另一道坎，是数据。目前行业对数据金字塔已形成一定共识：最底层是互联网视频数据，第二层是第一人称操作的数据，第三层是UMI采集的数据，最顶层是真机遥操数据。张正友认为，如果模型泛化能力越来越强，遥操数据需求可能会逐渐减少，第二层和第三层的数据需求可能会越来越多、要求越来越高，“但数据质量永远是第一位。”

硬件尚未迎来终局

“模型属于技术问题，硬件属于工程问题。大脑问题解决后，下一个瓶颈将是硬件。”越疆科技股份有限公司创始人、董事长兼CEO刘培超提出，现阶段行业依然需要加大工程能力，突破硬件瓶颈。他以机器人手臂为例：过去机械臂有6个轴，现在至少20个轴、20个关节起步，系统更复杂，稳定性将成为瓶颈。

刘培超对现阶段硬件条件下，人形机器人能否在工业场景中撑起5万小时性能存疑。“5万小时是行业通用要求，实现5万小时后再突破10万小时，这是一个循序渐进的过程。目前在工业场景，手臂已经能支撑10万小时的性能。”

姚卯青也指出，具身智能许多零部件的可靠性，尚未经过充分的时间检验。这个赛道真正成长只有两三年，现阶段许多零部件甚至还没有达到类似汽车16949标准的要求。

“需求驱动硬件。一定要认清将来可能主要应用的场景，再设计硬件。”他以灵巧手为例：将自由度集中在那么小的空间里很难，需要在应用中寻找可靠性、成本、负载等“不可能三角”的平衡。“许多灵巧手依然存在一些早期问题，比如采集数据一两周就需要返修，或每工作半小时就要散热。这些都可以通过探索应用来改善。”

行业内也存在“由模型定义本体”的声音。仉尚航认为，具身开放平台需要系统迭代形成飞轮，而这应当由模型来定义问题——比如自由度怎么设计、关节怎么设计，让机器人更具泛化性，甚至更容易跨本体升级和迭代。这与腾讯具身智能的战略选择形成呼应。腾讯不做硬件本体，而是以Tairos（钛螺丝）平台承担具身大脑的角色，面向机器人本体厂家和应用开发商输出能力，同时通过硬件抽象层快速适配不同厂商的设备。

张正友用手机、电脑行业打了个比方：就像iOS与安卓、Mac与Windows，机器人行业也会分化出“全栈自研”和“平台+生态”两条路，腾讯选的是后者。目前，Tairos已与越疆、宇树、智元等头部厂商落地合作。