經(jīng)歷了過去一年的沉淀和發(fā)展之后，具身智能機(jī)器人公司們的發(fā)展路徑也變得更為清晰。
3月10日，由華為前“天才少年”稚暉君創(chuàng)立的智元機(jī)器人（以下簡稱：智元）發(fā)布首個(gè)通用具身基座大模型：智元啟元大模型（GenieOperator-1）。據(jù)智元官方介紹，該模型基于Vision-Language-Latent-Action （ViLLA）架構(gòu)，該架構(gòu)由VLM（多模態(tài)大模型） + MoE（混合專家）組成。這種模型架構(gòu)可以讓機(jī)器人持續(xù)學(xué)習(xí)進(jìn)化，利用人類視頻學(xué)習(xí)，完成小樣本快速泛化，將具身智能推上一個(gè)新臺(tái)階。
模型發(fā)布后，智元合伙人、具身業(yè)務(wù)部總裁姚卯青和智元具身研究中心常務(wù)主任任廣輝接受了包括新京報(bào)貝殼財(cái)經(jīng)在內(nèi)的媒體采訪。
近兩個(gè)小時(shí)的采訪里，數(shù)據(jù)、AI是被討論和提及最多的詞匯，姚卯青和任廣輝多次強(qiáng)調(diào)了AI對智元的戰(zhàn)略意義。進(jìn)入2025年，機(jī)器人行業(yè)之間的競爭將變得更為激烈。
通過分析人類視頻進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)小樣本快速泛化
能走能跑能跳舞的人形機(jī)器人從去年開始就一直是科技圈討論的焦點(diǎn)，酷炫的外形總給人一種科幻照進(jìn)現(xiàn)實(shí)的感覺。但對于部分機(jī)器人企業(yè)的從業(yè)者來說，相較于外觀，數(shù)據(jù)才是他們更為關(guān)注的。
據(jù)智元官方介紹，智元啟元大模型發(fā)布的初衷就是為了解決具身模型在落地上的困境。在任廣輝看來，現(xiàn)在很多具身模型的泛化性相對差一些，比如在實(shí)驗(yàn)室訓(xùn)練的模型到了一些新的場景中成功率就會(huì)大幅下降；或者機(jī)器人在接受訓(xùn)練了一個(gè)任務(wù)之后想要再做其他的任務(wù)就會(huì)再次需要大量的數(shù)據(jù)，這樣就會(huì)導(dǎo)致數(shù)據(jù)成本比較高；另外，很多數(shù)據(jù)在不同的機(jī)器人本體之間是無法共用的，行業(yè)缺乏一個(gè)完整的數(shù)據(jù)回流的系統(tǒng)，這就導(dǎo)致模型無法持續(xù)地進(jìn)行性能提升，也是現(xiàn)在機(jī)器人落地難的主要原因。
Vision-Language-Latent-Action在利用視覺、語言大模型之外，還讓機(jī)器人學(xué)習(xí)人類的操作視頻和真機(jī)的示教數(shù)據(jù)，任廣輝認(rèn)為，這樣的架構(gòu)就可以構(gòu)建一個(gè)非常完整通用的能力，包括場景理解、指令理解、動(dòng)作理解，還有精細(xì)的動(dòng)作、操作能力等。所謂小范圍泛化則是指可以在極少數(shù)據(jù)甚至零樣本下泛化到新場景、新任務(wù)，降低了具身模型的使用門檻，使得后續(xù)訓(xùn)練成本非常低。
“在內(nèi)部討論會(huì)上，我們會(huì)對比不同企業(yè)之間的數(shù)據(jù)量，這比產(chǎn)品外觀更能說明各家進(jìn)度?！便y河通用機(jī)器人的一位研發(fā)工程師告訴貝殼財(cái)經(jīng)記者。數(shù)據(jù)質(zhì)量決定了算法的形式，算法又決定了機(jī)器人行動(dòng)軌跡，這都是非常重要的。
為了解決數(shù)據(jù)不足的問題，銀河通用發(fā)布端到端具身抓取基礎(chǔ)大模型 GraspVLA。銀河通用介紹，GraspVLA 的訓(xùn)練包含預(yù)訓(xùn)練和后訓(xùn)練兩部分，其中預(yù)訓(xùn)練完全基于合成大數(shù)據(jù)，預(yù)訓(xùn)練后，模型可直接在真實(shí)場景和物體上零樣本測試。
另外，據(jù)媒體報(bào)道，特斯拉也于去年大量招聘操作員收集動(dòng)作數(shù)據(jù)，不同企業(yè)都在出招解決數(shù)據(jù)機(jī)器人企業(yè)數(shù)據(jù)匱乏的問題。
機(jī)器人公司不做大模型將沒有未來
在接受媒體采訪的時(shí)間里，兩位受訪對象多次提及AI對智元的戰(zhàn)略意義以及對于機(jī)器人企業(yè)發(fā)展的重要性，這背后也可以看到智元的發(fā)展路徑。任廣輝認(rèn)為，機(jī)器人公司不做大模型將沒有未來。
“今年具身智能、智能機(jī)器人首次寫入政府工作報(bào)告，這說明行業(yè)即將迎來更多的新玩家，但同時(shí)競爭也會(huì)加劇，這對機(jī)器人企業(yè)本身也提出更高的要求，公司團(tuán)隊(duì)規(guī)模、產(chǎn)品研發(fā)實(shí)力、商業(yè)化能力是接下來企業(yè)之間比拼的重點(diǎn)，只有綜合實(shí)力過硬的企業(yè)才會(huì)搶占先機(jī)?！币γ喔嬖V貝殼財(cái)經(jīng)記者。
按照國際機(jī)器人協(xié)會(huì)預(yù)測，2021年到2030年，全球人形機(jī)器人市場規(guī)模年復(fù)合增長率將高達(dá)71%。中國電子學(xué)會(huì)數(shù)據(jù)顯示，到2030年，中國人形機(jī)器人市場規(guī)模有望達(dá)到8700億元。
行業(yè)快速增長，機(jī)器人企業(yè)之間的發(fā)展路線以及商業(yè)化模式也開始出現(xiàn)明顯分化。
在任廣輝看來，AI能力將來一定是區(qū)分整個(gè)機(jī)器人產(chǎn)品競爭力的核心，機(jī)器人公司不做大模型將沒有未來，沒有智能化、沒有作業(yè)能力的機(jī)器人只是一個(gè)硬件，能做的事情非常有限，智元未來一定會(huì)持續(xù)加大對AI的投入。
銀河通用機(jī)器人、智平方機(jī)器人也和智元的觀點(diǎn)類似，但在春晚爆火的宇樹科技的優(yōu)勢卻是在本體硬件層面，對AI的投入比較克制。
去年世界機(jī)器人大會(huì)召開時(shí)，宇樹科技創(chuàng)始人王興興在接受媒體采訪時(shí)表示，目前人形機(jī)器人行業(yè)最大的難題在于，機(jī)器人的AI發(fā)展是落后于通用AI的，目前尚未達(dá)到突破臨界點(diǎn)的時(shí)刻。
“目前具身智能領(lǐng)域，每家企業(yè)的想法都不太一樣，技術(shù)路線上有所差別，甚至連一些共性的方面都不太一樣。例如機(jī)器人的相機(jī)應(yīng)該裝什么？裝幾個(gè)？裝在哪？傳感器數(shù)據(jù)應(yīng)該怎么采集，是存在很多的差異性的，這就導(dǎo)致整個(gè)機(jī)器人AI模型的技術(shù)路線其實(shí)沒有那么統(tǒng)一，其實(shí)很難評(píng)價(jià)哪個(gè)正確哪個(gè)錯(cuò)誤，宇樹科技在AI的投入是比較克制的?！蓖跖d興表示。
今年年初，具身智能公司傅利葉在宣布拿到近8億元E輪融資時(shí)，傅利葉創(chuàng)始人兼首席執(zhí)行官表示，“本輪融資的完成讓我們更加堅(jiān)定了‘為AI打造最佳具身本體’的產(chǎn)品目標(biāo)?！?/p>
從整個(gè)機(jī)器人行業(yè)發(fā)展來看，有的企業(yè)著力發(fā)展具身大模型，有的在本體方面具備優(yōu)勢，就像姚卯青所說，目前“偏科”的機(jī)器人公司比較多，有的擅長算法，當(dāng)然也有其他大量做本體的公司，但智元把自己定位為從硬件、數(shù)據(jù)、算法，端到端都具備研發(fā)能力。然而在行業(yè)發(fā)展初期，究竟哪種模式更能受到市場認(rèn)可還有待檢驗(yàn)。
新京報(bào)貝殼財(cái)經(jīng)記者 張晗
編輯 白昊天
校對 柳寶慶
