观察者网WAIC直播实录：AI大潮下的具身和人形，中国在跟跑还是并跑？-赵仲夏、奚伟、冯子勇、陈勉诺

当特斯拉Optimus再度更新、波士顿动力Atlas秀后空翻，全球目光再次聚焦“具身智能”与“人形机器人”。观察者网在2024 WAIC现场邀请智源、美的、格灵深瞳、真格基金四位一线操盘手，追问一个核心命题：在AI大潮奔涌的当下，中国究竟是在“跟跑”美国的脚步，还是已经与之“并跑”甚至准备“弯道超车”？从电机供应链、强化学习算法，到落地场景与资本路径，这场一个半小时的尖峰对话给出了答案——也留下了更大的悬念。

以下是7月27日上午，北京智源人工智能研究院研究员赵仲夏、美的人形机器人创新中心主任奚伟、格灵深瞳技术副总裁兼算法研究院院长冯子勇、真格基金投资经理陈勉诺在观察者直播间的对话实录：

从左至右：北京智源人工智能研究院赵仲夏、美的集团奚伟、格灵深瞳冯子勇、真格基金陈勉诺 （点击观看直播回放）

文字实录：

**赵仲夏：**各位线上的观众大家好，欢迎来到 WAIC 观察者网直播间，现在我们在 WAIC 的现场，看到进场的时候会有一个镇馆之宝，是我们的人形机器人。我们本次直播的主题是“具身向左、人形向右——的人工智能和机器人产业将走向何方？”，首先我们来问一下奚老师。我们知道在大众的理解中，美的是一个家电或者是一个智能硬件的品牌，我想知道为什么美的要去做人形机器人？做人形机器人的初心是什么？

**奚伟：**大家对于美的可能一开始的印象都是家电行业，包括我加入美的之前，也对美的业务并不了解。但事实上，美的在 2016 年开始就开始做一些全球化的布局，包括To B的转型，从2016 年开始收购包括库卡机器人相关的机器人的领域，目前美的To B领域有四大板块：第一是楼宇科技，借助美的在暖通上面的积累，把技术应用在楼宇相关领域，尤其商业楼宇；第二个是工业技术，也是美的在核心零部件上对整个工业进行赋能，包括电机、减速机相关的一些产品；第三个就是机器人与自动化，是在 2016 年收购库卡之后建立一个新的业务板块；第四个是正在建立的一些新业务板块，包括美的医疗、美云智数等一些新的 AI 的技术。

人形机器人是我们去年才开始做规划的，我们认为美的进入人形机器人是有天然的优势的：第一，我们在零部件上有已经有一些技术的一些积累；第二，在整机上我们已经开始有完整的产品线，人形机器人作为下一个阶段的一个新赛道，我们应该当仁不让，要去切入这个赛道。所以说从去年开始，我们在人形机器人上去做一些尝试，通过一些项目去积累技术。今年，我们开始大力发展人形机器人相关的一些产品，包括应用的一些尝试。

**赵仲夏：**原来美的不只是一个家电公司，还是一个智能制造的公司，同时还是一个机器人的公司。说到智能制造，我想知道美的从2016 年收购库卡到现在已经快十年了，这十年中我们服务的主要客户是什么？

**奚伟：**库卡机器人在服务的行业有很多，目前主要集中在是汽车制造，同时也在像3C、船舶、飞机制造方面以及一些相关拓展。除了库卡机器人之外，我们还有其他的一些行业，比如物流、电商相关行业，美的服务的行业跨度是非常大的。另外，美的本身也在制造行业，也需要很多机器人的支持，所以库卡机器人在我们所有的美的灯塔工厂，应用量也非常大。

**赵仲夏：**太棒了，汽车制造、船舶，都是中国制造业最关键的行业。然后我们来问一下冯院长。我们知道格林深瞳应该是中国第一家 AI 领域的计算机视觉公司，也是中国第一家上市的 AI 领域的计算机视觉公司。能不能跟我们介绍一下格林深瞳和您这边所在研究院？

**冯子勇：**对，格林深瞳是首个科创板上市的 AI 企业，在2013 年开始到现在已经 12 年，我们一直深耕的是视觉技术。主要做的是图像，还有视频的分析跟理解。先介绍一下业务，譬如在金融行业，我们为金融银行的上万家营业网点，做边缘端加中心端的视频分析，在安防领域大家比较熟悉了，像人脸、人体、车辆这些都已经落地到千家万户。我们最近也新增了大模型相关的工作，譬如说以文搜图，帮助公安去找人更有价值。另外关于人体分析这一块，我们也进入到智慧体育方向，我们帮助中小学做体育考试训练，帮助中小学生们提升体育素养。随着大模型的发展，我们也做了一些信创的这个工作，像 AI PC 大模型一体机，也在我们的产品范围内。再如刚才讲到的视觉技术，我们发布了自己的视觉基础大模型，叫MVT，最近有一个更新的版本，等一下再详细介绍。

赵仲夏太棒了，格林深瞳在大模型时代依然有自己的动态、多模态的基础模型诞生，这很难得，因为多模态赛道已经没有太多玩家了。然后是勉诺，至少从我一个外行人角度思考，真格基金应该是我最开始听到的三家投资机构之中的一家。能不能介绍一下真格基金在做什么？您个人会比较关注什么方向？最近有没有在投一些好玩的项目？

**陈勉诺：**真格基金是一家早期风险投资机构，主要是面向天使阶段投资，我们最开始由新东方的联合创始人徐小平老师和王强老师创办，一直关注前沿科技领域，在 AI 和机器人领域我们一直有超前的布局，像之前投的月之暗面、Manus、Genspark、Momenta、包括格林深瞳等都是作为第一轮投资人进行投资的创业项目，我们希望能够在这个时代去推动创业者在新的科技领域去做一些早期布局，能作为投资机构给大家助力。

**赵仲夏：**对，在产学研端的话投资是必不可少的。那我们就进入到人形的话题，奚老师给我们介绍一下人形机器人这个品类？人形机器人到底是由什么组成的？它主要在做什么？

**奚伟：**好的，人形机器人一直是一个大家关注的热点，最近可能更热一些。其实早在 70 年代，人形机器人就开始发展了，中间也发展了很多代。但我觉得比较有特色的就几个。一个是 2000 年的时候，本田出的阿西莫机器人，2011年又做了一些改版。然后是波士顿动力的Atlas，都是一个标杆性的产品，但从我们历史发展来看，之后到 2022 年，特斯拉发布了 Optimus 之后，把人形机器人带到了一个新高度。

我觉得中国中间的过程主要是刚开始的时候，我们的机电系统没有那么强，学习能力、对机器人的控制能力也不够，就导致了机器人发展一直在停滞不前。随着如今强化学习、具身智能、大模型的一些突破性进展，让人形机器人得到了一个巨大发展。人形机器人，顾名思义就是像人一样的机器人，它的复杂度在于，如果像人一样去做，我们知道人大概身上有 200 多个骨头，所以就有 200 多个关节。如果做这么复杂、精密的系统是非常困难的。

目前我们的人形机器人大概平均在 40 个左右的关节，包括手的关节，如果是全身的关节大概是在 30 个左右，控制这样复杂结构的系统，如果用传统的基于模型计算方法是不太容易实现的，但现在引入了强化学习之后，我们可以看到，不同的炫技视频越来越多。核心原因是，因为强化学习的出现，使得将调试机器人变成了一个非常简单的工作，另外就是仿真的一些能力。此外，因为有AGI等技术，机器人的操作能力方面也得到了一个巨大进步。

当然我觉得是离实际的应用还有一段距离，但随着技术的不断发展， 5 到 10 年之内应该会有很大进步。

从应用角度来去看，现在人形机器人是有一定瓶颈的，大家还在探索阶段。最近看到有几个新的投资事件，比如上汽要引入 500 台人形机器人，真正进工厂开始做尝试。所以我觉得通过应用的牵引，会使人形机器人发展迭代速度越来越快，我也相信在未来3到5年，整个机器人产业的发展会有一个巨大进步。

从产业链的角度来去看，人形机器人这几年，尤其是核心部件产品，包括关节模组、传感器也有巨大的进步，所以成本会大幅下降，这些都是机器人大发展的重要原因。

赵仲夏： 好的，我们感觉就是人形机器人已经发展很多年了，就像您刚刚聊到的，日本那边有阿西莫，美国 20 年前就开始做波士顿动力，也有一些出圈的工作，但从来没有像最近的中国和美国一样百花齐放。此外，以前都是一两个出圈的机器人，这次感觉有上百个出圈的机器人了。

我也想问一下冯博士和勉诺，人形机器人发展这么多年，本次的像美的、宇树、智元的人形机器人和早期的阿西莫和波士顿动力相比，到底有什么区别？

**冯子勇：**从我的角度来说，刚才也讲到，过去很多机器人的控制是以规则或者以硬编码为主。现在我们有了强化学习，有了VLA，可以把这个模型的训练融合到机器人里面。我们可以看到，随着数据的积累，机器人的能力会不停地提升。比起我们手写规则，它的上限会更高，效果也会更好。这是我从机器学习这个层面上去看到的。

赵仲夏： OK，然后勉诺是否能来表达一下，您觉得这次人形机器人和之前的有什么主要区别？

**陈勉诺：**我们也一直在关注具身领域的发展。我们看到波士顿动力早年的时候，其实以液压传动为主，今天的机器人大家都普遍用电动传动，这个是一个很大的本质区别，因为液压传动到电动传动能够在里面加入到很多新的智能算法。第二个点是以前大家是基于rule-base的方式去做控制学来实现机器人的运动，今天我们可以用 learning-base 的方式来去实现更多任务的泛发性，比如说可能在 manipulation 操作层面上带来一些新的可能性。

在今天，中国本土的供应链能力也得到了这个大幅的提升，所以在这一波的机器人浪潮里，中国的企业玩家越来越多，可以推导到当年的电动汽车领域。我们最开始电动汽车领域整个产业链也是相对落后的，但在整个的电动车领域发展之后，我们对于新的产业链有了巨大的技术提升。

赵仲夏： 您说得很对，之前大部分波士顿动力都是液压形式的，这次我们看到的几乎所有人机器人都是电机形式的，而中国在电机领域做了很多很多的技术储备，供应链的优势也很高。

下一个话题，我们在场馆里也看到，人形机器人有两类，全人形和轮式的人形机器人。奚老师，您觉得人形机器人一定要具备双足吗？

**奚伟：**从我的角度来讲，它是以应用来去驱动的。双足式的人形机器人它是一个通用机器人的载体，这也是行业的共识，未来如果是通用的人形机器人，我觉得应该是双足这个形态的。但是对于我们很多工程，即智能制造场景，尤其是工厂的智能制造场景，其实用轮式的更方便。因为在工厂里边大部分的场内环境相对比较标准，用轮式机器人更容易。我们目前的机器人自动化制造领域就是如此，尤其是和我们的 AGV 以及其他工业机器人进行配合。

另一个是家庭场景，尤其中国的小户型场景，用轮式机器人也是比较适合的。像扫地机器人，也是轮式的，所以家庭场景第一个是用轮式机器人，也会更安全。用双足机器人还是要解决安全的问题，才能真正进到家庭里。

而通用机器人，是先有机器人再去找应用。但在美的面向智能制造过程中，很多时候是先有应用，再去找对应适合的产品。从这个角度来讲，我们就更希望有了合适的钉子去找更适合的这个锤子。目前来讲，我们有三类产品，一个叫类人形，即刚才您说的基于轮式的机器人加上双臂的操作能力，第二个是全人形机器人，我们也在探索通用型人形机器人的使用方式，第三个是我们在提的一个概念，叫超人形机器人。

赵仲夏： 超人形机器人？

奚伟： 所谓超人形机器人，就是在工业应用场景，比如像智能制造，有六大核心应用，尤其工组装线上核心的应用，包括搬运、上下料、打螺丝、端子插接、面板装配、焊接等，每一个领域需要的技能等要求是比较高的，用传统的通用机器人，虽然能适应不同任务，但速度不够快，达不到目前人的操作效率，所以我们希望设计一种可以突破人的效率的形态，更定制化的机器人，真正适应到我们的工厂里边去突破现在人形机器人的一些缺陷和不足。我觉得中间阶段，一定会有这样的一种机器人出现。

**赵仲夏：**明白，甚至最终的人形机器人也都是一个超人形的机器人，因为电机的能量密度有可能会超过人类未来。

勉诺这块我记得你说过，可以提供一些好玩的观点，我觉得当前从落地角度看的话，轮式可能会比人形会更好落地一些。因为双足的关节比较复杂，运动起来或在跨楼梯等特殊地形，会出现一些危险情况。这块话您有什么见解？您觉得人形机器人需要双足吗？

陈勉诺： 这是一个非常有争议的话题，我们作为投资人也会经常去思考。我自己经历过很大的思想转变，最开始我认为轮式非常重要，因为人类发展了这么多年，通过技术推进，终于将双腿这种行走效率低的方式进行进化，出现了自行车，又进化了汽车出来，进化了各种各样的轮式产品，已经说明轮式的效率比双足更高。

结果也是如此，轮式被使用得要多得多，但一个很有意思的现象是特斯拉为代表的一些企业，始终在坚持要走人形的路线。我跟特斯拉 Optimus 的核心成员有过交流，他的观点还挺打动我的：我们自己做机器人动力学都知道，如果轮式加上半身的双手，很容易面临一些弯曲身体的动力学平衡问题。如果用双足形态，就能够做出有效的支撑。而且能做弯曲身体形态，随时调整全身的动态性，这是双足人形的优势，是一个很有意思的观点。

所以我的观点已经改变了，今天我认为，人形双足的形态是一个有必要的形态。

特斯拉二代人形机器人Optimus在上海2024世界人工智能大会首次亮相 视频截图

但它到底在场景中有多少实用性，取决于这个场景的动态复杂性。如果在一个非常固定的场景，比如家庭，没有楼梯，没有动态复杂性的场景下，我觉得轮式就 OK 了。但如果在像工厂等有一些跨越阶梯的场景，或者室外一些复杂场景，甚至可能未来移民火星，在这些高复杂动态性的场景下，我觉得双足形态是非常必要的，这也是我自己从认知的一端转向另外一端的一个极大转变。

赵仲夏： 你刚刚有点说服到我了，我在过去的时候从左端偏到了右端，刚刚听你讲完之后，我又感觉又从右端到了左端。这么看人形的话，在它可以同时保持一些平衡性，然后并且有些地形跨越能力，从某种意义上它更灵活一些。

陈勉诺： 在动态性的调整上，我觉得双足还是有巨大的优势的，但只是说今天我们无法去解决的问题是这里边使用了太多的电机。我也跟特斯拉Optimus的团队去交流如何考量成本的问题，他们思考把电机换算成原材料，有多少用了稀有金属，有多少可以用常规金属，在这个金属成本下，到底能把人形机器人成本控制到多低？也许有不同的视角，我觉得这是一个大家今天可能都值得思考的一个问题。

如果成本降到足够低，有一天，这种动态性的人机器人就能解决高价值的、复杂的、今天轮式解决不了的场景问题，那它就带来了巨大的场景价值。

**赵仲夏：**我记得腾讯出过一款轮足的机器人，它是一个这样的形态（双足交叉），用来搀扶老人，这种形态也许会更稳定。我看您之前有打过 RoboMaster，RoboMaster 轮足也是一个非常好玩的品类。然后您在RoboMaster经历里面怎么看待轮足这件事情呢？

**陈勉诺：**我觉得有一个形态大家可以去关注一下，智元前段时间发布了一个将轮式跟双足进行有机结合的，可以将轮式进行折叠，变成一个双足的形态。但这里边有一些关键的技术问题，比如从轮式变成双足的过程中，对于中间关节的磨损是非常严重的。在这种关节的磨损上，其实现在有一些大的技术难题以及它的工程稳定性难题解决不了，但这种形态本质上解决了动力学动态稳定性和在平坦地面上运行效率两者平衡的问题。我们在大量的直行道路上，其实轮式由于摩擦系数的原因，它的效率是最高的。所以我觉得这是一个今天值得关注的形态。而之前定义的轮足形态还是有一定的挑战，比如在动态稳定性上，尤其是跨越楼梯之类场景的动态稳定上，因为底下是轮式，还是无法做到完全的平衡。但智元做的那一款机器人是有一定启发性的，可以将轮式变成一个真的双足步态行走的状态。

赵仲夏： OK。轮足可以跳跃吗？我看到你们早期的比赛里面轮足很多是用来跳跃的。

**陈勉诺：**跳跃是一个很重要的技术问题，当你的环境变成动态复杂的时候，控制会变得非常难做。所以在 RoboMaster里经常会设置一些动态复杂的问题。这些问题的解决，对于整个机器人控制学，以及我们今天看到有 learning-base 的方式来去做机器人的这个系统来说，都会有巨大帮助。

赵仲夏： 这很酷。冯老师，我听说您最近有在看灵巧手的项目，您怎么看待灵巧手这件事情？您觉得这种通用的手的末端，它后面的演进方向是什么样的？是通用末端好还是专有末端好？

**冯子勇：**这个要分场景的，从两个维度上去看，一个是在数据采集维度，手的末端比较好的，就是我直接能跟人的手很好地对应上，这时候人采集数据就很容易，也能把数据比较容易地投影到机器灵巧手上，这就是一个很好的数据，而且这个数据源非常多。但在有的场景，它的效率不够高，像刚才奚老师说的打螺丝之类，可能用一个专用器具会更好，这种情况下，如果我们的场景还能采到更多的数据，用专用末端的优势还会更大。

另外，我自己觉得，灵巧手这个东西，对于“像人”是非常大的执念，即人形机器人就应该像人一样，我觉得这在人的思维里面是非常重的。

**赵仲夏：**对，您之前跟我聊过人形人工智能是一个跟信仰有关的故事，我发现人形机器人某种意义上也是一个跟信仰有关的。

奚老师，美的的场景中也有各式各样需要各种末端的，您是如何看待现在的灵巧手？在您这边所有场景之间落地，您觉得灵巧手会是一个更好的未来吗？

**奚伟：**我觉得通用人形机器人一定是要灵巧手的，尤其是五指灵巧手。因为我们已经习惯了和像人一样的载体进行交互了，而且我认为可能将来人形机器人有一个阶段会像阿凡达这样，它会变成一个人的另外一个载体，如果有技术的话，可以把我们的意识去直接加载到机器人上来，进行远程的操控，这个可能再有一阶段会形成。它（人形机器人）不一定必须要完全自主，或许是变成我们另外一个替身，要在另外一个空间里你来进行操作。如果是这样的话，就需要用人的一个载体，让我们所有的动作在另外一个载体上进行完全一对一的复刻，从这个角度来讲，是需要有这样的五指灵巧手的。

但我们现在很多的从应用角度来讲，我刚才也说了，大部分场景并不需要这么复杂的结构，而且复杂机构会带来很多的不稳定性，尤其是行业还在发展阶段，我们要迅速落地的话，必须要解决它的可靠性、稳定性、待机时间、续航时间，很多现实问题想解决，所以我觉得中间一定有很长的发展过程。

**赵仲夏：**了解。Mario（陈勉诺），你最近有看什么灵巧手的项目吗？我看楼上有好多家灵巧手公司，并且最近也在陆续出一些更高关节度、更多自由度的更高维度的手。您是如何看待灵巧手这个品类的？你本身投资的偏好里面会重点关注灵巧手这个方向吗？

资料图：乐聚“夸父”人形机器人

**陈勉诺：**灵巧手也是一个争议比较多的话题，大家普遍认为，今天再怎么便宜的手都得几万块钱，因为它本身结构的复杂性在这里，灵巧手成本无法降到一个非常低的状态。我跟很多业界和学界的朋友探讨过，我们生活中和工作中到底有多少是真的需要五指状态来解决？其实大量的场景两指夹爪形态就能完成，大约70%吧。所以今天两指夹具在所有的具身智能里边是大家演示 Demo 和场景实际使用最多的形态，因为 70% 的任务能够在这个场景下得到有效解决，在这场景里面到底有多少任务可能是两指夹解决不了的？比如说当你拿握起水（瓶）的时候，其实两指也能够握取，但这个握的过程中是点接触，点接触就意味着摩擦系数比较高，所以会有一些力的精准掌控难题。但是如果你是握的方式，就会变得比较的容易。再比如拧转的过程，可能五指会更加的灵活，所以我觉得在一些细分的场景下五指是非常有必要的。但五指确实要去解决一个问题，就是在场景的实际使用过程中，如何考虑场景的价值和成本之间的 trade off。

在我们的视角下，也认为五指灵巧手是一个非常必要的存在，但成本如果没有下降到一定程度，可能在场景应用过程中会有一定挑战，但我们作为一个早期的风险投资机构，在无论是对于这种五指灵巧手，还是对于人形，对于整个具身，我们都是非常积极地去看，积极地去布局，我们认为这里有很多的机会。可能有一天我们发现 pick and place 能解决的任务成本已经非常低了，剩下那些高复杂任务的场景，它的价值就必然会抬升起来。之后它的价值和成本之间达到一定平衡的时候，这些五指灵巧手就能得到场景的应用。

赵仲夏： 这个给了我们一个更好地去看待行业的思路。最近我们发现夹爪有的越做越大，有的越做越小，如果要做一些精细的情况就要点接触，如果要做一些更好的方便抓握的话会做得更大。这个好像就包含了您刚刚说的为什么人类是手，简单地抓取任务，人类有的时候也会不一样。

**陈勉诺：**是的，有个视角可以给大家提供参考，从数据采集方面，如果你是五指形态也许更容易，今天有很多路线之争，比如模仿学习、强化学习，有一条路线是通过大量视频的数据学习来调整机器人整个形态，那显然是人的数据最容易采集。所以我们认为这里有大量的机会空间，你可以更容易采集到数据。而两指夹具的数据采集，显然是你需要真的在实际场景去使用，采集数据的成本会比较高，所以我们也认为五指可能在这个层面上更容易实现在场景中的一些任务的泛化性。这也是一个视角。但还是回归到本质的问题，就是成本跟场景价值之间的tradeoff 问题。

赵仲夏： 了解。好的，我们刚刚聊了很多跟人形机器人有关的争议话题，要不来转到另一个好玩的话题，就是人工智能和具身智能，想听听大家对具身智能这个概念的定义和看法，是不是像宇数那样翻跟头、跳舞就应该算是具身智能？还是说具身智能有另外一些更广更大的概念？奚老师，要不您先聊一聊。

奚伟： 好的，具身智能我接触比较早， 2016 年在 Berkeley 访问 Peter 的时候，他就提出具身智能的概念，当时他们主要提出的是传统的我们做机器人控制分三部分，一部分是perception，一部分是planning，还有一部分control。所有东西要通过代码来去实现，先做物体的识别定位，再做规划，最后再做执行。其实是，能不能把这个东西压缩起来，直接从图像到动作一步完成。他提出这个东西，叫具身智能，因为当时我们对这个概念还是相对比较陌生，在 2016 年的时候就做机器人来讲，一肯定要做这些，把它分解开，就是 divide and conquer，但是我觉得从现在发展来看，就像宇数做的强化学习，可以认为是一种具身智能，它的输入传感器是通过力传感器，通过电流，也是通过传感器形成最后的一个具身动作，但它这动作是通过仿真来实现的。

我们更多更广义上的一些具身智能，是能够从现实的环境中通过视觉，通过多模态的传感器获取到的经验，能够实现更高意义上的这个决策和推理，最后能够达到通用的操作的能力。所以从这个角度来讲，我觉得目前的技能学习，或者说像宇数这种跳舞动作是属于相对初级的阶段，它的目标比较明确，但通用的具身智能，它的目标是比较复杂的，这个能力的具身智能还在一个需要发展的阶段。

赵仲夏： OK，了解，感谢奚老师对具身智能概念的分享，让我想到了之前有一个概念叫做视觉私服。从控制学角度去讨论的话，有点回到了当时大家讲通过视觉去牵引一个任务完成，然后来适应一些不同的泛化。

冯老师，您这边从人工智能，然后 AGI 到大模型这个角度，研究得会比较深刻一些，您是如何看待具身智能这个概念的？能不能帮我们从人工智能角度聊一聊。

**冯子勇：**因为我们原来做视觉，没有机器人就相当于我只有感知，到最后我的决策就是一个，譬如原来是输出一些 label 框或什么东西，现在可以输出语言，但是最终执行还是给到人，就是我只能说相当于他辅助出了一些信息，然后人再去做操作。整个闭环是没办法进行的。在我看来，具身智能是希望这个闭环能在整个模型，或者说整个智能模型里面自己去产生闭环，我的这个传感器进来，我自己产生判断，具体产生的action，最后 action 改变的世界又重新回来了，这个闭环是完全的。

我认为这就是具身智能非常重要的一个概念，需要把整个东西闭环，并且是跟物理世界去交互，随之就是我们可以在物理世界中随着这种闭环，不停地去提升我的智能能力，而不是靠采集数据标注员，智能来自于标注员，而不是来自于这个智能体本身。

赵仲夏： 多少人工就有多少智能。

**冯子勇：**对，这个其实不太符合大家对智能的需求，所以我觉得具身智能在这个层面上应该是，它会自主计划，随着他跟物理世界的接触不停地去学习，这样的一个概念。

**赵仲夏：**了解。说到这个，我有些概念想请教一下冯老师，我们常听的LLM、VLM、 VLA 这些都是什么样的概念？能不能稍微给我们解释一下？

**冯子勇：**LLM 大家可能也比较熟悉了，这个现场大家都看到很多大语言模型，当然在我看来，它虽然叫做大语言模型，但不只是语言模型，其实是逻辑模型，因为语言是有逻辑的，我不会随便说一些奇奇怪怪的话，所以你也可以认为它是大逻辑模型。

很多时候现在只有语言的输入，但接上了vision，就像我刚才讲了我们也在做 vision 相关的工作，我们在大概2021 年就开始去摸索大视觉模型，当时不叫大视觉模型，因为当时没有这个概念，叫视觉基础或者预训练模型。

这就是我们现在做的，我们把它叫做MVT，已经到了 1.5 这个阶段，它能够把视觉传感器进来的图像变化成视觉的token，这个 token 就能进到这个语言模型里面去。使得这个语言模型能够作为一种视觉外语去理解它，这个逻辑至少在视觉跟语言上，或者视觉跟逻辑上融合在一起了，这就是大家能看到的 VLM 。

随着机器人的发展，我不只想出一个文本，不想只出一句话，我还要有动作，我还要有操作，我还要改变世界，那么就是 action 也出来了。

可能我们看到有很多技术路线，从一个 hidden state，一个隐空间，就刚才说的某一坨逻辑，然后 decode 出来怎么去操作，这里面有很多专门的技术，譬如说DP，把这样的一些技术操作去做，在我看来可能导航也是一种操作，再把这三者有机地联系在一起，那么它就变成了一个VLA。

赵仲夏： OK，太棒了。感觉好像跟我们讲了一下大模型下发展的一个历史。Mario 你是如何看待具身智能这个概念的？这个概念真的非常火，但是好像大家对它的定义也没有完全特别清晰。

**陈勉诺：**我自己原来就是做机器人，在我的认知里边，它其实只是说把机器人做了延伸，因为大模型出来之后，智能有了进一步的提升，所以原来可能大家对机器人还是局限在传统的控制学范畴，然后今天终于加上了 AI 范畴。所以提出一个新的概念，让大家可以有更多的研究话题。

第二点是，对于具身智能概念的理解，主要因为它叫 EmbodiedAI，其实是在于本身具备物理实体、然后能与环境做有效的交互，这可能区别于LLM范畴或者VLM范畴更偏数字世界，EmbodiedAI一定要有跟物理世界进行交互，以及一个物理的实体。

从概念上去理解的话，广义上不单单只局限于在机器人领域，只不过机器人是大家最fancy也是最容易想到的一个主要形态，这也是大家普遍提到具身智能就理解成机器人的原因。我的理解在广义上来说，它只要跟物理世界进行交互，然后有具备一定的物理实体，可能具备一些这个物理感知，其实都可以被称之为 EmbodiedAI具身智能。但在整个与物理世界交互的形态里面，最重要的还是机器人的形态，因为机器人形态才能够跟物理进行有效的交互。有效交互指的是一定要跟物理世界有接触，发生物理反应才能够叫有效交互。所以我们认为 EmbodiedAI这个概念是机器人概念的一个延伸，但不限于机器人概念。

赵仲夏： 对，我感觉每次听勉诺讲话都有点顿悟的感觉。冯老师，我们这边关注到，最近有一个新的概念叫 world model世界模型，大家认为也会在具身智能方向上产生一些比较好的潜力。您是怎么看这件事情的？我听说您最近在做一些视频模型，我们怎么理解视频模型和 world model 呢？它们对具身智能是否有帮助？

**冯子勇：**OK，首先世界模型我认为它是希望有一些视觉输入之后，预测这个世界是怎么发展的，相当于自己内部会有一个预测模型，但这个模型有一些是显示的，要生成下一帧或者下面一段时间的图片或视频。也有些就觉得，不需要显示，拿到隐藏空间或者表达就 OK ，并不一定到 Pixel 像素层面去还原它。从我的角度更偏向于后者一点，只要大概知道接下来是怎么做的就 OK 了。

世界模型可以帮助我们去提升VLA，因为现在大家说的 VLA 可能更狭义一点，就是直接到操作，但是那具体怎么到操作可能中间会有，但都是直接做。

当然你可以用COT，就说我做一些thinking，reasoning 这样的序列来到达那个操作，但最后压缩起来，还是应该在这个模型的 latent 的 space 里面，是有一些预测的，但这个预测究竟是什么东西，我觉得学术界也在探讨。

但我觉得世界模型还很重要，它不一定是显示的表达出来，视频模型是这样的，就是我们自己，因为刚才也说了，我们很多研究都是基于图像，但不只基于图像，而是原来基于视频的技术发展有点落后。图像一是因为数据多，另外容易训，但视频不太好去搜集标注，从这个层面上训练的复杂度跟对算力的需求也非常大。

我们现在去看这个视频是因为，我们知道不管是真正地去分析这个世界，还是机器人，它对于这个连续动作还是非常有需求的，而不是我就看一张一张的图，当然现在很多 VLM 也好， VLA 都是我先把这个视频流切成一张一张的图，然后送到这个模型里面，这个相当于我可以让这个大语言模型它自己去串这个逻辑。

在我们自己做视觉的这个角度来看，很多视频流在前端就已经有一点被压缩掉了，特别是我们在视觉领域上，它是冗余的，特别是我们大部分视觉元素是不变的，视频是可以做得更高效、更紧致，而且去表达我们真正关注的东西，像人的 forbia 一样，他只关注到动的东西，我们做机器人很多时候关注的也是这个状态，世界状态变化，别的可能不太关注。我觉得在这里面视频的模型应该是有可以做的空间，而且最后它肯定是也能服务到机器人上。因为我们是一个动态的场景，它不是静态的。如果我们视频能做得更好，那我相信机器人对场景的理解，对最终自己动作的判断也能做得更好。

赵仲夏： 了解。奚老师，您从应用端角度来看的话，会去关注 world model 或者是视频模态的进展吗？您觉得它对您这边实际的人形机器人或者是区分智能落地会有很大帮助吗？

奚伟： 我觉得这是对于复杂场景肯定是有帮助的。像勉诺刚才讲的，对于通用的人形机器人，是要进和世界进行反复交互的，我们也在探索，比如在家庭场景四大件就是最典型的应用，收纳、清洁、洗衣、做饭，这四件事情看似简单，但非常复杂，比我们刚才说的在工业场景应用复杂得多。因为工业场景已经高度细分了，它每一个内容是一个一个动作，只要把它做得精准就可以了，它就有产业价值。但是我们希望这些机器人真正像人一样能够在家庭里边给我们应用。

所以我觉得 world model 就是物理世界模型，它是建立物理之间相对关系一个更好的表述，因为我们是缺乏表达的，因为缺乏表达才没有推理的手段，才没有范式。所以我觉得进入到家庭来讲， world model 是一个比较重要的基础。

赵仲夏： 谢谢。勉诺，你最近有在看 world model 一些相关的公司吗？你如果看 world model 的。

**陈勉诺：**我们也一直在关注学术前沿进展。 world model 到具身智能之间的衍生其实是在一些主流具身智能学派里面的一个分支路线。我们有交流过一些学者在顺着 world model 方式来去做 Robotics 领域，我们也认为这条路线是非常行之有效的。我有跟 MIT 和 Physical Intelligence 等里面同学去交流，这条路线是可以行得通的，因为 worldmodel本质上是对物理世界的数字重建，如果可以将物理世界进行重建得非常完善的情况下，它就能够很有效地将机器人也能在数字世界重建，就能够有效地 train 机器人的model。但这里边有一个很大的问题，因为 world model 需要将物理世界重建，所以需要采集大量的数据，它的成本会变得非常高，要把物理世界完全数字实现难度是非常高的。在这条路线上

如果问 world model 对具身智能发展是不是有帮助？绝对是有帮助的，但能不能构建完全行之有效的 world model 这个事情，成本是非常非常昂贵的，而且很难去完全实现。所以在我的认知里面，一直也在关注 world model 实际进展。但从 world model 到具身的实际使用过程，我觉得是一个非常长期的过程，而且可能world model 本身构建的过程也非常困难，我们当然希望有一天能够把 world model 重建出来，那这样的话我们就能在数字世界映射一个真实的物理世界，那这个时候很多物理世界的客观物理规律甚至可能新的科研发现都能在这个数字世界进行重建。就不单单只是机器人领域了，整个科研领域，整个人类的进步都能够得到更快的一个进展。

赵仲夏： 太棒了，之前有听我的老师讲，传统的大源模型是读万卷书，那 world model 或者说具身有点像是行万里路。这样的话最终会发生一些概念，完成一些对现实上的一个对齐，一旦对齐之后将会诞生一个更棒的超级智能。

说完 world model，我们想聊一下强化学习。奚老师觉得强化学习在这次具身智能中扮演一个什么样的角色？您觉得强化学习要如何使用？

**奚伟：**我是这么想的，大语言模型是一个概率模型，它生成内容，但是并不保证它的准确性。强化学习是一个优化模型，它去把结果根据你的需求进行优化，比如跳舞，在训练过程中都要根据你的目标来进行优化，所以强化学习是一个必要的工具。基本上现在所有的应用都会用到强化学习，但它不是要取代大语言模型，这是相辅相成的，它是大语言模型的一个 building block。我认为，强化学习是必需的。

赵仲夏： 这个非常确定，强化学习是必需的，我很喜欢这个结论。冯博您如何看待强化学习？

**冯子勇：**首先从强化学习技术发展的历史来先看一下，强化学习并不是现在才有，过去已经一直在，只是过去大家发现强化时学习，像这个阿巴狗这样的，它只能存在于仿真环境里，譬如说像游戏。

过去我认为叫小模型，就是它只能上 RL 的时候，需要大量的数据去train，就像我们以前做小模型就是我要标很多很多的数据，只训那一个任务，在这个上面也是一样的，当有一个很好的预训练，相当于我的知识，我的逻辑，我的所有东西都已经学得差不多了，最后才来激活他，来激发他新的这些，或者说在原来这些潜力下面去组织一些新的能力。这是这两个的范式一点点不一样。

RL 还是很重要，但 RL 里面还有一个最重要reward，就是做过 RL 的同事或者说研究人员都知道 reward 非常难调。那在具身里面 reward 怎么办？我们看到有的公司比如Dana是设计了一个不错的reward，那我觉得在这个方面应该也是非常有搞头，就是大家应该多去想想 reward 怎么搞。

赵仲夏： 说到 Daya ，勉诺，是你们投的公司对不对啊？要不要给我们介绍一下 Dana 在做什么？或者您如何看待强化学习的使用。

**陈勉诺：**Dyna Robotics也是朝着具身智能的方面去做努力，在不断地收集数据，尝试在真实的场景中构建能够真的走进到这个工业和生活场景中的机器人的这样一家公司。

我说一下对强化学习的理解。因为我原来是做控制学背景出身，对于可能 learning 这个方向没有特别强的概念。后来学到了一个很重要的概念理解，模仿学习可以理解成就是那些只会做习题集的普通学生，然后强化学习是那些做了习题集之后他能够去解更难问题的优秀学生。所以其实强化学习在机器人领域我觉得是一个必然很重要的发展路径。

比如 DeepSeek R1 那篇文章发出来之后，大家就看到如果你有比较大的base model ，在上面加上 RL 之后，那它其实就能够带来很强的智能的泛化性，这个理解也很简单，就像普通一个班级，同学们都做了很不错的习题练习之后，里边有一些极度聪明的同学，你给他一个 reward 奖励，给他一道更难的题这样一个目标函数，然后他就能在这里边去形成自己新的解题思路。

所以我们认为在机器人领域也是一样的，只不过可能今天在机器人领域，或者在具身智能领域，现在还没有很好的 base model，所以大家普遍在于数据采集，然后去建立 base model 的状态。所以RL重要吗？我觉得未来RL非常非常重要。

还有一个路径大家也可以去看，原来我们看四足狗的这种形态，在我创业的时候，那个时候在 2018 年左右，四足狗整个步态稳定性其实是比较差的。但今天四足狗整个的步态非常像狗，这里面其实就是采集了大量的狗的真实数据，之前像腾讯的RoboticsX实验室有一段时间专门采集狗的运动动态数据，动捕做了很多动态数据，把动捕的数据放到机器人里面去 train 它的RL model，然后让它可以去实现。

只不过locomotion这种运动学更容易实现，它不需要非常高精度的控制，所以我们今天看到 RL+locomotion其实在场景中更容易实现。可能下一步具身智能要解决问题就是RL+manipulation操作层面上。但操作是一个更复杂任务，你需要去定义这个任务到底是什么，它具备一定的复杂性，以及你要解决有一个能够在数字世界里边去建立的仿真环境，因为RL本身是需要有真实数据在仿真环境下跑最终得到一个有效的模型，然后再把模型返回到真机的场景下去实现结果的这样一个过程。这可能是今天我们要面临的一个挑战，也是今天所有的具身智能的公司大家在去解决的问题。大家可能普遍去构建仿真环境，去采集真机数据，构建仿真数据，然后仿真数据去Train一个还不错的 base model，把真实数据去放进来，然后定一个有效的任务目标函数，再让它能够在真实环境里面去解决。

另外一个我也挺认同今天具身智能是一个更复杂的场景任务，因为它跟物理世界进行交互，所以它的目标函数更难去定义。我们都知道RL里边最重要的是reward function的建立，其实构建Reward Function是很难的一件事情。比如说我们今天看到大语言模型RL在什么样的场景下是最有效？它在 coding 和math层面上很容易实现，因为这个目标函数非常容易定义。但跟物理世界的任务怎么样去有效定义这是一个今天还没有被完全定论的问题，也是我经常跟具身智能行业的学者和业界人士探讨的问题。什么样的任务体系是今天能够被定义为一个Benchmark，我们能够让把它作为一个很重要的任务评测集，能让具身智能系统在里边去不断地追求它的目标极致。

今天可能大家有一些概念，比如叠衣服任务。今天具身智能公司一个最重要的 demo 就是叠衣服，为什么叠衣服会成为一个重要的案例？因为它有几个层面，第一个它有翻折的复杂性，第二个它是跟柔性物体接触，这都是是重要的Benchmark点，但今天坦白来说还没有一个很有效的Benchmark ，也意味着 RL 在这个阶段还没有得到大范围的使用，但我认为它在未来，尤其当我们建立了有效的 base model，会像 DeepSeek R1 那样，有一天能够绽放出巨大的光彩，而且我认为是必经之路。

赵仲夏： 您说这个让我想到了一个好玩的概念叫 BA base model，有点像是人的顿悟，因为我们讲智能涌现是顿悟时刻，然后 RL 有点像佛祖的点化，但是佛祖只能点化一个有慧根的模型。所以我们现在相当于行业或者研究一直在做数据采集，也是为了先训一个聪明的有慧根的 base model，然后等待 RL 点化，我觉得这个很有意思。

然后我们再聊一些更宽点的问题，大家觉得如何看待具身智能和通用人工智能？具身智能是通用人工智能的必由之路吗？来，要不奚老师您来跟我们讲一下？

**奚伟：**具身智能和通用人工智能具有相关性，但完全是两个不同的东西。具身智能一定是要和物理世界发生关系的，要通过传感器去对物理世界进行建模，再去通过决策操纵你的机构，然后发生关系。但通用人工智能是对我们所有的知识规则的一个一个总结，它能形成一个有效的一个个推理，更多的是在一个抽象层面的能力，它并不一定需要一个具身载体，所以我认为通用人工智能是对具身智能能力的一个巨大的提升，它应该是一个 building block，人工智能可以去赋能的一个技术，它可以赋能不同的，包括机器人。美的也在提家电机器人化，也是把要把家电作为人工智能载体，结合在家电里边放的一些传感器，可以变成具身智能家电这样的一个新物种。

我觉得这些东西都需要感知能力、逻辑推理和决策能力，包括一些动运和操作的能力。所以我认为通用人工智能是具身智能下一阶段能够发光发热的一个巨大的动力。

赵仲夏： 好的，谢谢奚老师。冯老师，您是如何看待具身智能和通用人物智能的关系的呢？

**冯子勇：**我也觉得是这样的，通用人工智能这个词，不同的单位有不同的解释方式，有些人认为只要大语言模型到了一个非常好的时刻，它就是通用人工智能。但有些认为，还是要跟这个世界包含在一起才叫通用人工智能。

在我看来，刚才奚老师也说了，通用人工智能肯定能帮助具身智能更好地提升，更好落地，更好发展。如果我们本身就是在这个世界里面的，这个世界的实践也能提升我们自己的智能能力，那有没有可能我们现在还没看到，因为我们都在用大语言模型的能力，还没有反馈给大语言模型。如果有一天，能够做到物理的反馈，能给大语言模型带来新的知识，这时候这两个是不矛盾的，甚至可能是一体的。

奚伟： 互为补充。

赵仲夏： 对，勉诺你如何看待AGI？

陈勉诺： 我是这么理解，具身智能是通用人工智能的一个子集，通用人工智能追求的是在世界实现一个完全的智能，完全智能不可能只有数字世界里进化，它也需要跟物理世界进行有效交互，而且它的这个终极目标是，我们经常说的知行合一，也就是不单单要知道知识，也能够能行动出来。

如果把知行合一当做人类的最高标准，那对于整个通用人工AGI来说，不单单只有智能的上限，还要需要有action，需要有行动，所以我认为具身智能是通用人工智能的一个子集，而且是一个非常关键的环节，只有有了具身智能，才能跟物理世界进行交互，才能感知物理世界，采集物理世界的数据，将物理世界的规律在智能的领域里进一步地提升，形成一个双向的闭环。所以我认为具身智能、大语言模型、多模态模型其实都是整个 AGI 或者通用人工智能的子集。

**赵仲夏：**好的，那我们进行下一个话题。中国的人工智能和具身智能产业将走向何方？跟产业落地相关的。Mario，你最近有投资哪些具身或者机器人的企业？在调研走访的时候有没有看到一些跟行业落地有关的趋势。

陈勉诺： 我们投了几家目前比较活跃的几家公司，一个是刚刚有提到的 Daya Robotics，第二个是方舟无限，做机械臂的，还有做灵巧手和电机的舞肌科技，以及之前投的像非夕机器人， 优艾智和都在往具身智能这个方向形态去转变。

在落地场景方面，坦白来说，今天还属于在技术发展的前端，甚至我认为今天具身智能的时代都远还没有到 GPT 3 时刻。所以今天大家去谈落地有点为之过早，甚至可能还有很多的弯路，大家还要去摸索、去探索，可能要给产业更多的时间和空间，让大家在技术方向做更多的探索。

在落地层面上，我觉得应该核心关注几个点。第一，因为我原来是做SLAM做移动机器人的创业者，在那一波里边有哪些场景是解决不了的？我理解就是手脑协同、 manipulation 和智能泛发性带来的操作泛化性这个层面上的任务。比如今天工厂的流水线上，那些没有被传统机械臂和没有被 AGV 去解决场景，都是既有高价又极度需要人力的场景，这种场景其实是需要今天的具身智能很容易落地可能的场景。

另一个点是应用场景具备一定的复杂性，比如 Dyna Robotics，他们在解决的场景是美国的一些餐厅后厨，后厨环境复杂性强，同时美国人力成本比较高，这种情况下需要有个机器人去解决。

我觉得今天可能真的有效的是找到一个智能程度相对比较低、人力成本非常高的场景，去替代人工成本，会是一些行之有效的场景。

赵仲夏： 了解。冯院长，刚刚勉诺提到了给智能一些时间，给研究者一些时间。我之前的感受是通用智能的每一次迭代都会摧毁在专有领域的所有努力，无论早期的 CV 到后面的自动驾驶都一样。您这边应该算是从 AI 1.0 走出来的公司，然后您对人形机器人和具身智能的落地是怎么看待的？有没有一些经验可以跟大家分享一下？

**冯子勇：**落地还早，说明就是还有的做嘛。从我的角度来看，落地还是数据先行，现在我已经看到不管企业、政府还是学校，还有一些其他组织都在牵头做各种各样的数据采集工厂或者各种机构什么的都有。

所以广泛的数据采集是必不可少的，但是在采什么数据上可能大家有一些分歧，像仿真的数据，动补的数据，各家都在说自己好的，没有定论。从预训练的角度，我的想法是回顾像GPT 跟 CLIP 这样的模型，大家用的主要是互联网数据，GPT 用的就是 common crawl，基本上是整个互联网的语料， CLIP 也是在 common crawl 里面把图文的 pair 给取出来了。所以我有一个幻想，可能答案还在互联网里面，可能数据一直在那，只是大家还没有找到一些非常有智慧的方法把它给找出来，去做具身的预训练，这是我的想法。

从 action 模型的角度，我更倾向最好是有一个设备能跟着人一起走，就像眼镜。

赵仲夏： 今天的会场好多眼镜。

**冯子勇：**对，有一个对比，像特斯拉的FSD，大家在开车的时候把自己的操作给记录下来了，就将采数据和产品融合到一起，这样的话，特斯拉有多少，就得有多少数据采集员，那这个量是非常可观的。眼镜是这里面最像的一个，我个人觉得一个是它可以适合所有人戴。在任何地方、任何场景采任何数据，然后人肯定戴了之后会有操作，只要把操作也记录下来，像Meta，他们有一个新的演进形态是Arial好像。

赵仲夏： 对，面向研究者的眼镜，还得申请。

**冯子勇：**它有一个机电的手环，相当于我在操作的时候，把手的操作也记录下来，是不是这样的数据在量大了之后，就能从量变直接达到质变？有那一刻像 FSD 最开始，也是从小模型到一个主干多个分支的模型，到 OCC 网络，到直接到现在它可能也是数据采集到了，它就可以直接上端到端了。

另外一个，刚才说具身真的离落地可能还有点时间，我也规划了一个项目，关于多模态的，这里其实在 VLM 到具身中间还加了一个叫 GUI agent，因为 GUI agent 也是操作物理的世界更加简单，而且不停地能重复。如果我们能在上面做得好，那可以谈具身，但如果在这上面都还磕磕巴巴的，就证明离具身的确有点距离。

赵仲夏： 对，您刚刚提到眼镜的时候，我的一个观察是现在大部分的摇操也要逐渐变成 VR 摇操了，而 VR 摇操很像一个人的手眼关系。这应该和眼镜也是可以互通的。

奚老师，这个就是您这边的重头戏了。您刚才有提到家电智能化、智能家电或者具身家电这个概念，您跟我们先解释解释什么叫做具身家电吧？

奚伟： 具身家电我们还没提这个词，我们现在是家电机器人化的概念。现在智能家电会比较注重的是IoT，就是家电互联这一块，但是家电可能也具有一定的机器人属性，能够让家电进行主动服务，这是下一步家电需要走的方向，要把机器人属性加入到一部分家电的能力中。

比如烤箱，大部分人做饭其实不太熟悉怎么去使用烤箱，怎么能做出更像大厨的牛排等食品。比如烤牛排，假如把一部分机器人的属性，可能把烤箱内部也做一些升降机构，能够自动升降，自动推出，调料也可以自动添加，或者根据它的温度场景进行调配。我们就把烤箱也变成一个智能体，而不是现在只会拉开门，东西放进去再定个时就完了。此外，我们希望烤箱能够更精准地、定制化地给客户服务。把视觉加进去之后，比如把食材放进去，它可以自动识别，自动给你定制菜谱，自动根据你的需求进行调味，这些都可以从我们的产品上实现。

赵仲夏： 客户导向这个感同身受，我感觉做牛排严重打击了我的积极性。我最后问了一个餐厅大厨，他跟我讲要不你先把油温升上去，先把锅弄热了，然后你再放，有没有可能锅不热永远做不出来？我觉得这个太酷了。另外，我们看到美的既有自己的工厂，还有一个整体的制造业，包含未来的面向家用的全领域。您觉得人形机器人未来是一个怎样的落地格局？我们什么时候才能真的每个家庭都拥有一个或者几个人形机器人？

奚伟： 刚才冯院长，还有勉诺也说了，这个还需要一点时间，但从一个从业者的角度来讲，还是要应用来牵引，否则一直在说我们要打磨技术，我们要去要给一定时间、一定空间才能发展。我觉得需要不断地在应用上去探索，反哺我们技术上的一些缺陷，所以从我们角度来讲，工业场景的应用比较具体，也比较聚焦，它在产业的赋能角度来讲，可能短期会产生比较大的价值，所以我们也像特斯拉、很多创业者，都是从工业场景入手。

这样做最大的好处是，我们不一定完全需要这种通用的具身智能，才能够达到进入工厂的阶段。我们可能把它分阶段变成小模型，比如一些小的通过视觉模型，通过一些传统的规划，也可以做到一定的泛化能力。这个过程中，把这些数据采集回来，去训练更具有通用性的具身智能大模型，不断地进行迭代。就像特斯拉，先做一个 FSD ready 的这样一个车，然后放到工厂里，可以先去做一定的自主化或者自动化。但是它不一定是要完全的自主化，过程中我们通过人机混合的方式进行数据采集，但不断地迭代模型，最终实现端到端的这种具身智能模型。这是一个必由的路径，它一定不会是一蹴而就。今天是0，明天接到完全的具身智能。

相对来讲，工业场景比较好结构化，从工业场景我觉得下一步是商用场景，需要有一些人机交互，相对的，它的任务有一定的复杂度，但也会比较结构的，比较具体的，比如在餐饮行业、奶茶店、咖啡店，都是比较简单的一个任务，当他在商业行业能够用起来之后，我觉得最终是引进家庭的。

进入家庭有几个问题，一个是安全问题，再比如说真正的语言的人机交互问题、个性化的定制问题，还有一些隐私问题，都会要去解决，这时候才能真正每一个家庭或者甚至每一个人都能用上机器人的个人助手。

人民网研究院数据统计，从具身智能人形机器人专利累计受理量数据看，截至 2022 年末，中国已占据40%的份额。

赵仲夏： 这个很棒啊。我们是在观察者网的直播间，（时间关系）也是我们的最后一个问题。我个人的感觉，人形机器人如果真的落地，本质上是生产力的解放。当生产力解放之后，经济基础决定上层建筑，整个社会结构都会完成一次解放，然后也许就有可能实现大家社会学上的一些比较好的愿景。所以我觉得它应该是一个世界人民的视野。在本次的人形机器人和具身智能的竞争与合作过程中，大家觉得中美之间有什么优势或者各自的劣势？对这块的话想问一下大家对这件事的看法，要不奚老师您先回答。

奚伟： 我觉得中国的优势还是很明显的，机电优势、产业的优势无庸置疑。人形机器人在中国发展两年，整个产业链发展非常迅速。尤其是今年，关键模组也是飞速降价，让很多的从业者能够参与到行业来，而且进入成本可以开始做一些规模化的应用。这个是中国的巨大优势。

但在包括具身智能、 AI 技术等的发展上，我觉得中美两国还在并肩竞争阶段，我认为从某些角度来讲，美国有一定的领先优势，中国更多的还是在 follow 、了解、快速地发展。

赵仲夏： 冯老师，您怎么看待这件事情？

**冯子勇：**中国的人工智能的人才还是非常的强的，大家可以看到，不管是中国本身的，从 paper 层面，从创新层面，哪怕是在美国，一半的人才也都是华人，所以人才储备是很强的，中国也有非常广泛的落地场景，像咱们美的，今天在现场也看到很多。

另外，中国的政策优势也很明显，政府非常大力地支持。需要改进的，刚才也都说了，我们的创新性就更多的还是以 follow 为主。

赵仲夏： 了解。勉诺，你可能对中美之间都会接触得更多一点，你是如何看待这件事情的？

陈勉诺： 从我的视角下，我自己看到中美确实两边形成了更加鲜明的优势。在中国，大家可以看到更高的人才密度的这个涌现，我们今天说 AI 和具身智能的整个行业的竞争，变成了中国的中国人和美国的中国人的竞争。

从我的视角下，我自己看到中美确实两边形成了更加鲜明的优势。在中国，大家可以看到更高的人才密度的涌现，我们今天说 AI 和具身智能的整个行业的竞争变成了中国的中国人和美国的中国人的竞争。

另外一个层面上，中国的硬件优势还是很鲜明的。在美国可能我们只知道有特斯拉这样一家电动汽车公司，在中国有蔚小理，有小米等等这样一些硬件公司，中国本身的供应链的优势能够让硬件这个事情变得更容易去实现，这也是为什么在美国可能软件比较盛行，而在中国硬件可能做的更好，这是中国本土环境下的长足优势。

另外，我们也看到每一次革命的发生都会带来一次大国之间格局的变化，比如说从农业时代到电气时代，再到互联网时代，到今天的智能化时代。我觉得今天可能中国在更迭上是有巨大机会的。

但我们也得正视，中国在改革开放之后，整个的经济发展速度变快，科技的发展速度变快，但还是有一些领域我们仍然有一些不足，比如在算力方面。其实今天可能中国的人工智能瓶颈不在于人才，而在于缺乏比较好的算力，这也是有我们投的公司在去做这个事情。

此外我也看到在机器人和AI场景下还有一些现象，由于在美国可能人力成本比较贵，所以在真正的落地场景里边，无论AI 还是机器人可能在美国落地会更加容易，美国的市场会更加的高效。

所以中国有大量的，无论是硬件公司还是软件公司去做出海，这个也是我们需要去正视的问题，因为在中美的格局下，中国本土的市场在这个人力的成本没有到达很高的情况下，确实在本土市场这一块有一定的挑战。

所以我们也一直倡导今天的创业者要具备全球化视野，要去做全球化市场，利用中国本土的优势服务全球的市场。

赵仲夏： 太棒了，我感觉勉诺可以做我的创业导师。好的，我们也进行了一个半小时了。我们这场具身和人形机器人的讨论，今天也就到此为止，非常感谢奚老师、冯老师还有勉诺给我们带来的非常精彩的观点分享。也感谢大家，感谢各位观众。

本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。