具身的突破不會(huì)發(fā)生在實(shí)驗(yàn)室里，所以 “從伯克利到西二旗”。

文丨王與桐

編輯丨程曼褀

千尋智能的首席科學(xué)家、清華叉院助理教授高陽(yáng)，像是個(gè)被寫好程序、執(zhí)行程序的人：他每天騎共享單車上下班，固定時(shí)間健身，從不熬夜。他將做科研比作一套 Chain-of-Thought 推理流程，認(rèn)為只要每一步做對(duì)，結(jié)果就會(huì)自然導(dǎo)出。

但在具身智能這件事上，他愿意以創(chuàng)業(yè)者的身份，跳進(jìn)充滿不確定性的市場(chǎng)，因?yàn)殡S著大模型技術(shù)逐漸成熟，高陽(yáng)感受到，具身的突破已經(jīng)不會(huì)發(fā)生在象牙塔里。于是他和在國(guó)內(nèi)機(jī)器人行業(yè)工作了 20 年的 “老兵” 韓峰濤一起創(chuàng)辦了千尋智能。

“就像 GPT-4 之前，OpenAI 也等待了幾年，” 高陽(yáng)說(shuō)，“我們現(xiàn)在正處于具身智能的 Scaling Law 時(shí)刻，只是還需要四五年的沉淀。”

高陽(yáng)本科畢業(yè)于清華計(jì)算機(jī)系，博士階段在 UC Berkeley——被譽(yù)為具身智能 “黃埔軍校”——師從計(jì)算機(jī)視覺(jué)泰斗 Trevor Darrell，長(zhǎng)期深耕機(jī)器人控制、強(qiáng)化學(xué)習(xí)與計(jì)算機(jī)視覺(jué)的交叉研究。

韓峰濤則曾在 2023 年初，在還沒(méi)人相信具身智能時(shí)就在知乎撰文介紹具身智能。高陽(yáng)說(shuō)：“我見(jiàn)過(guò)的產(chǎn)業(yè)方里，韓峰濤是最愿意接受新技術(shù)的人之一。”

近期，千尋智能發(fā)布了新的 demo，在辦公室里，機(jī)器人可以收納雜亂的筆，可以換紙抽，也可以把椅子歸位。

6 月，千尋智能發(fā)布最新 Moz1 機(jī)器人 demo：機(jī)器人可以自主完成更精細(xì)的操作，比如把筆插進(jìn)筆筒。

從實(shí)驗(yàn)室到創(chuàng)業(yè)，從伯克利到西二旗，高陽(yáng)看見(jiàn)了技術(shù)的可能。他的描述里，有對(duì)技術(shù)細(xì)節(jié)的洞察，也有對(duì)路徑方向的推理總結(jié)。

具身智能非共識(shí)叢生，但這已經(jīng)是收斂后的結(jié)果了

晚點(diǎn)：近期在跟美國(guó)的導(dǎo)師和同學(xué)交流什么趨勢(shì)？中美具身智能發(fā)展有哪些差異？

高陽(yáng)：最近 Figure 02 釋放的 demo 還挺炫酷的，展示了 Figure AI 的快慢系統(tǒng)，目前國(guó)內(nèi)我還沒(méi)看到哪家把快慢系統(tǒng)真的做出來(lái)，并用到 VLA 里的。

中國(guó)目前的優(yōu)勢(shì)在基礎(chǔ)硬件的制造上，一個(gè)體現(xiàn)是，美國(guó)很多實(shí)驗(yàn)室用的都是中國(guó)的機(jī)器人，這帶來(lái)的另一個(gè)優(yōu)勢(shì)是，中國(guó)修機(jī)器人的速度要比美國(guó)快很多。

科研場(chǎng)景用機(jī)器人都比較狠，機(jī)器人經(jīng)常出現(xiàn)一些損壞情況。在科研使用中我們基本上每周都把機(jī)器人郵回工廠，他們修個(gè)一周半左右，再把機(jī)器人郵回來(lái)。但在美國(guó)，來(lái)回郵寄要很長(zhǎng)時(shí)間。

Physical Intelligence（美國(guó)機(jī)器人公司，聯(lián)合創(chuàng)始人 Sergey Levine 曾經(jīng)和高陽(yáng)在 UC Berkeley 期間深度合作）從中國(guó)買了 100 套機(jī)器人，但修的速度很難能趕得上機(jī)器人壞的速度。所以他們讓機(jī)器人廠商寄了一些備件，自己修，但這對(duì)人力的消耗依然很大。

晚點(diǎn)：你在博士期間怎么選定了具身智能方向？

高陽(yáng)：我最開(kāi)始是在一個(gè)做計(jì)算機(jī)生物的實(shí)驗(yàn)室，之后還在一個(gè)理論機(jī)器學(xué)習(xí)的實(shí)驗(yàn)室參與過(guò)。當(dāng)時(shí)覺(jué)得計(jì)算機(jī)視覺(jué)挺酷的，所以就跟著 Trevor Darrell。

我最開(kāi)始做的項(xiàng)目是自動(dòng)駕駛，博士二年級(jí)才開(kāi)始做具身智能。

許華哲（星海圖首席科學(xué)家）進(jìn)組第一個(gè)項(xiàng)目是我們一起做的端到端自動(dòng)駕駛模型，那是 2016 年，學(xué)術(shù)界對(duì)端到端的研究不是很多，工業(yè)界更是沒(méi)人相信。當(dāng)時(shí)有一篇論文是英偉達(dá)的端到端自動(dòng)駕駛，我們用了比英偉達(dá)大了 100 倍的數(shù)據(jù)去訓(xùn)練，泛化性更出色。現(xiàn)在過(guò)了 9 年了，從現(xiàn)在的視角來(lái)看，那篇文論已經(jīng)過(guò)時(shí)了，但我們當(dāng)時(shí)就已經(jīng)有端到端的想法了。

晚點(diǎn)：怎么決定把研究方向從自動(dòng)駕駛轉(zhuǎn)向機(jī)器人的？

高陽(yáng)：從學(xué)術(shù)角度出發(fā)，機(jī)器人是比車更通用的控制形態(tài)：機(jī)器人能做的事兒非常多，更難，所以研究起來(lái)自由度也更高。

我做的第一個(gè)機(jī)器人課題是 “把模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合起來(lái)”，因?yàn)閺?qiáng)化學(xué)習(xí)還挺難的，得有第一次成功才能有未來(lái)的成功。后來(lái)研究的內(nèi)容就越來(lái)越多，包括更好的強(qiáng)化學(xué)習(xí)算法，跟物理機(jī)器人結(jié)合等等。

從個(gè)人角度，繼續(xù)做自動(dòng)駕駛，最好的結(jié)果可能是成為一個(gè)大廠的工程師，但這件事沒(méi)什么挑戰(zhàn)，也一眼望得到頭。

我之前也在 Waymo 實(shí)習(xí)過(guò)三個(gè)月，我覺(jué)得我的腦子進(jìn)去就壞掉了。每個(gè)人的事情都非常小，我只需要把極小的事情執(zhí)行好，不需要太多智力。在那里，大腦不是自己的大腦，而是公司決策層的大腦，我更想做成為大腦的事。

晚點(diǎn)：原來(lái)一起做自動(dòng)駕駛課題的你和許華哲，現(xiàn)在都在具身智能方向創(chuàng)業(yè)，你們有什么共同感受嗎？

高陽(yáng)：創(chuàng)業(yè)之后的共同感受就是忙了好多。平時(shí)我們也會(huì)交流各自的管理風(fēng)格，有什么方面可以改進(jìn)。

我跟許華哲最近交流的一個(gè)問(wèn)題是，具身智能已經(jīng)到了科研 idea 的瓶頸期，在這個(gè)前提下，我們探討有什么新東西可以做，結(jié)論是可能靈巧手還是有蠻多可以做的。

晚點(diǎn)：為什么說(shuō)科研 idea 到了瓶頸期？目前具身智能領(lǐng)域的非共識(shí)實(shí)在太多了。

高陽(yáng)：我之前一直在做科研，大多數(shù)時(shí)間我都在想下一個(gè)研究課題怎么去選。在某一些瞬間我會(huì)覺(jué)得這個(gè)研究好像沒(méi)有那么多可做了。

你能看到范式的變化，這樣的變化可能會(huì)終結(jié)掉整個(gè)研究：某個(gè)論文出來(lái)之后，這個(gè)領(lǐng)域基本問(wèn)題都已經(jīng)解決完了，就不用繼續(xù)搞研究了。

現(xiàn)在相當(dāng)于在學(xué)術(shù)上大家有了一定的共識(shí)，因?yàn)槟骋恍┞窂揭呀?jīng)被證偽，不可能實(shí)現(xiàn)；趨同的部分，就是要在工程上做得更好。雖然不是說(shuō)現(xiàn)在的學(xué)術(shù)的話題就完全收縮成一個(gè)了，但是可能從 500 個(gè)收縮成了 100 個(gè)，相當(dāng)于每一個(gè)話題之下就都可能有人探索過(guò)了，要產(chǎn)出真的 ground breaking 并且很有影響力的東西，就變得越來(lái)越難。

晚點(diǎn)：所以即使在我們外行人看來(lái)，具身智能有這么多的非共識(shí)，但在科研領(lǐng)域已經(jīng)是共識(shí)收斂過(guò)的一個(gè)狀態(tài)了。是不是類似現(xiàn)在的大語(yǔ)言模型？現(xiàn)在已經(jīng)很少有人探索 transformer 架構(gòu)之外的技術(shù)了。

高陽(yáng)：對(duì)，就像現(xiàn)在大模型一樣，在學(xué)校做自然語(yǔ)言處理的老師，可能只有 AI safety 還有比較多的問(wèn)題可以做，已經(jīng)沒(méi)有那么多更加需要去探索的大方向了。

2023 年開(kāi)始，我大概就有這樣的感覺(jué)：具身智能沒(méi)有完全收斂，但是已經(jīng)在收斂的過(guò)程中。從社會(huì)的角度和工程的角度，收斂后是是很好的，因?yàn)槲覀冋娴目梢蚤_(kāi)始享受技術(shù)所帶來(lái)的福利。

我從博士第二年起就開(kāi)始做機(jī)器人相關(guān)的探索，包括強(qiáng)化學(xué)習(xí)、計(jì)算機(jī)視覺(jué)等，到 2023 年也做了七八年了。我在那時(shí)觀察到了通用機(jī)器人的技術(shù)突破正在到來(lái)，正在從實(shí)驗(yàn)室走向千家萬(wàn)戶。在這個(gè)過(guò)程中，通過(guò)公司的形態(tài)把技術(shù)的工程化做好是有價(jià)值的，所以那時(shí)我下決心創(chuàng)業(yè)。

晚點(diǎn)：清華很多教授出來(lái)創(chuàng)業(yè)，都是類似的原因嗎？尤其是交叉信息研究院，你們 “四子”，還有楊植麟。

高陽(yáng)：一方面我們所在的領(lǐng)域，大模型和具身智能，從學(xué)術(shù)科研階段進(jìn)入到產(chǎn)業(yè)化的階段；另一方面清華這些方向過(guò)去有積累的老師比較多，我們可以把我們已有的研究推向產(chǎn)業(yè)。

晚點(diǎn)：你、邊塞智能的創(chuàng)始人吳翼、星動(dòng)紀(jì)元的陳建宇，以及星海圖的首席科學(xué)家許華哲，你們四位被稱為 “伯克利歸國(guó)四子”。你們當(dāng)時(shí)是怎么決定一起回國(guó)、來(lái)到清華的？

高陽(yáng)：我們本來(lái)就在 Berkeley 很熟，是相差不大的同學(xué)。我和許華哲、吳翼當(dāng)時(shí)在一層樓，經(jīng)常一起吃火鍋、打牌，關(guān)系挺近的。

當(dāng)時(shí)畢業(yè)準(zhǔn)備回國(guó)，最先是姚期智院長(zhǎng)給了吳翼 offer，吳翼就問(wèn)我 “要不要一起回清華”。我那時(shí)候才開(kāi)始認(rèn)真考慮回國(guó)的事。后來(lái)陳建宇和許華哲也是我們一起勸回來(lái)的，算是我們兼職做了 HR。

晚點(diǎn)：教授出來(lái)創(chuàng)業(yè)，會(huì)有什么局限性嗎？一些人擔(dān)心年輕的大學(xué)教授創(chuàng)業(yè)有風(fēng)險(xiǎn)，比如過(guò)段時(shí)間就拍拍屁股走人了。

高陽(yáng)：我覺(jué)得大家擔(dān)憂的本質(zhì)是，身兼教職創(chuàng)業(yè)是不是意味著決心不夠？我的考慮是，當(dāng)教授和創(chuàng)業(yè)都是在做一件事，只不過(guò)是逐漸成熟的技術(shù)過(guò)渡到工程化落地。我們也看到了一些人，企業(yè)發(fā)展得越來(lái)越好，就辭去了學(xué)校的職務(wù)，專注創(chuàng)業(yè)，這也很好，人生就是一個(gè) journey，沒(méi)有標(biāo)準(zhǔn)答案。

不過(guò)很多投資人說(shuō)科學(xué)家創(chuàng)業(yè) “不靠譜”，我一定程度上認(rèn)同。每個(gè)人都有自己的局限性，雖然技術(shù)我懂，但怎么去做工程化，怎么把團(tuán)隊(duì)的分工做好，怎么帶好團(tuán)隊(duì)，怎么和落地的節(jié)奏配合，想起來(lái)可能沒(méi)那么難，但是做起來(lái)，尤其是做好，還是挺難的。

端到端是共識(shí)，分層只是短期選擇

晚點(diǎn)：你會(huì)怎么給具身智能劃分階段？有人喜歡用 GPT 的發(fā)展階段來(lái)劃分，有人喜歡用自動(dòng)駕駛的 L 序列來(lái)劃分。

高陽(yáng)：我拍腦袋定義一下：L0 是工業(yè)機(jī)器人，沒(méi)有什么智能；L1 是在單一任務(wù)上有智能；L2 是能在辦公室場(chǎng)景里完成少數(shù)幾件事，比如倒一杯咖啡，或者把桌面收拾干凈；L3 是在一個(gè)物理場(chǎng)景里能做到 70%~80% 人類的事情；L4 是在單一場(chǎng)景內(nèi)，做到人類能做的所有事，就像 Waymo 一樣，在 San Francisco 去任何地方都可以；L5 是不局限于單一場(chǎng)景，在任意場(chǎng)景可以做任何事。

在這里面，L2 到 L3 是比較大的跨越，因?yàn)?L2 是少數(shù)幾件事，L3 是 70%~80% 的事情，能力范圍擴(kuò)大很多。

晚點(diǎn)：我們現(xiàn)在處在什么階段？

高陽(yáng)：我們已經(jīng)過(guò)了 L1 的階段，在接近 L2 的過(guò)程中。不止千尋，行業(yè)最好的水平就是在接近 L2。

晚點(diǎn)：現(xiàn)在走向具身智能的路徑，業(yè)內(nèi)有兩個(gè)選擇，一種是端到端 VLA（vision-language-action），一種是分層，即規(guī)劃-感知-執(zhí)行。你們選擇了哪一條？

高陽(yáng)：走向具身智能肯定是端到端，行業(yè)內(nèi)可能只有少數(shù)人不這么認(rèn)同。背后邏輯已經(jīng)在過(guò)去十多年的自動(dòng)駕駛發(fā)展中驗(yàn)證了，現(xiàn)在基本上所有的自動(dòng)駕駛都在做端到端，手動(dòng)去做分層不靠譜。

晚點(diǎn)：在你的定義里，什么是端到端？VLA 等于端到端嗎？

高陽(yáng)：VLA 就是端到端。在 VLA 模型中，視覺(jué)、語(yǔ)言和動(dòng)作這三個(gè)模塊由同一個(gè) Transformer 統(tǒng)一處理，并最終輸出未來(lái)的動(dòng)作決策：你跟機(jī)器人說(shuō)任何一句話，比如說(shuō)給我倒杯水或者給我做杯咖啡，模型能從語(yǔ)言、視覺(jué)模塊抽取數(shù)據(jù)信息，機(jī)器人就能把理解和動(dòng)作結(jié)合，去生成一串動(dòng)作完成這個(gè)任務(wù)。

整體流程是：先從視覺(jué)和語(yǔ)言中抽取信息，再將兩者融合，最后與動(dòng)作模塊進(jìn)行進(jìn)一步整合。這樣的設(shè)計(jì)有兩個(gè)顯著優(yōu)勢(shì)：一是信息以數(shù)學(xué)語(yǔ)言的形式傳遞，更加高效和精確；二是具備良好的預(yù)訓(xùn)練能力，便于大規(guī)模數(shù)據(jù)學(xué)習(xí)與遷移。

晚點(diǎn)：你也說(shuō)過(guò)，在 2016 年時(shí)，自動(dòng)駕駛還沒(méi)人相信端到端，但現(xiàn)在端到端已經(jīng)很普遍了；再過(guò)幾年，具身智能領(lǐng)域會(huì)不會(huì)出現(xiàn)新的實(shí)現(xiàn)方式，替代端到端？

高陽(yáng)：未來(lái)信息的傳遞方式還可能繼續(xù)演化。隨著數(shù)據(jù)規(guī)模不斷擴(kuò)大，以及大模型的預(yù)訓(xùn)練與微調(diào)方法日趨成熟，VLA 的結(jié)構(gòu)也可能在某些層面上發(fā)生變化——但這些演化方向，目前還難以下定論。

晚點(diǎn)：VLA 不能解決什么問(wèn)題？

高陽(yáng)：其實(shí)只要是操作類的，VLA 應(yīng)該都可以解決。

晚點(diǎn)：但現(xiàn)在依然很多人選擇分層的路徑。VLA 還不能大規(guī)模使用的卡點(diǎn)是什么？

高陽(yáng)：端到端暫時(shí)只能落地簡(jiǎn)單場(chǎng)景，不能落地復(fù)雜場(chǎng)景，因?yàn)槟Ｐ皖A(yù)訓(xùn)練等的規(guī)模還沒(méi)有做得很大。短期內(nèi)，分層可以解決更多問(wèn)題，因?yàn)榉謱釉诠こ躺细菀讓?shí)現(xiàn)。

晚點(diǎn)：你們是如何訓(xùn)練 VLA 模型的？

高陽(yáng)：首先讓模型學(xué)習(xí)海量互聯(lián)網(wǎng)數(shù)據(jù)，包括文本、圖像和視頻，以獲取通用常識(shí)和基礎(chǔ)能力；隨后引入真機(jī)的遙操作數(shù)據(jù)，進(jìn)行精細(xì)的 SFT（監(jiān)督微調(diào)），提升模型在實(shí)際任務(wù)中的表現(xiàn)；最后通過(guò)強(qiáng)化學(xué)習(xí)進(jìn)一步優(yōu)化，讓模型在真實(shí)環(huán)境中的成功率持續(xù)提升。通過(guò)這樣的方式，我們盡可能把所有能用上的數(shù)據(jù)用起來(lái)，訓(xùn)練出具備泛化能力的 “基模”。

晚點(diǎn)：前段時(shí)間智元機(jī)器人也公開(kāi)提到了他們的模型可以學(xué)習(xí)互聯(lián)網(wǎng)視頻數(shù)據(jù)。視頻數(shù)據(jù)的優(yōu)勢(shì)是什么？應(yīng)該不是所有的視頻都可以成為數(shù)據(jù)來(lái)訓(xùn)練，你們有哪些篩選標(biāo)準(zhǔn)？

高陽(yáng)：來(lái)自互聯(lián)網(wǎng)的數(shù)據(jù)確實(shí)質(zhì)量參差不齊，我們會(huì)從視頻網(wǎng)站上扒一些第一人稱視角的、有操作動(dòng)作的素材，能用的比例大概在 1%。

一方面，模型可以通過(guò)這些視頻學(xué)習(xí)物理世界的常識(shí)，另一方面也可以去預(yù)測(cè)物體的軌跡、人手的動(dòng)作軌跡，通過(guò)這樣的方式去學(xué)習(xí)怎么操作這些物品，我之前也發(fā)布了相關(guān)的論文。

晚點(diǎn)：這些是學(xué)習(xí)、理解的部分，那怎么讓理解變成動(dòng)作？

高陽(yáng)：機(jī)器人學(xué)習(xí)完也不會(huì)操作，所以還需要模仿學(xué)習(xí)，然后強(qiáng)化學(xué)習(xí)不斷調(diào)整。人有肌肉記憶，機(jī)器人也有類似的 “記憶”，只不過(guò)人是 “分布式” 的，機(jī)器人現(xiàn)在還是 “中心化” 的。

我們?cè)谟?xùn)練時(shí)也會(huì)發(fā)現(xiàn)，一個(gè)操作，機(jī)器人可能很久都不會(huì)，但在某一次突然做成以后，之后也就一直會(huì)了，并且還會(huì)泛化，比如會(huì)插 USB 接口之后，插其他的東西也都會(huì)了。

這個(gè)事情主要還是取決于我們基模的訓(xùn)練和 SFT 做得如何，如果兩個(gè)都做得很好，那強(qiáng)化學(xué)習(xí)就會(huì)比較快。

晚點(diǎn)：關(guān)于訓(xùn)練數(shù)據(jù)的來(lái)源，業(yè)內(nèi)其實(shí)還沒(méi)有統(tǒng)一共識(shí)。有人偏好仿真，認(rèn)為便宜且量大；有人看重遙操作，數(shù)據(jù)更真實(shí)，也是特斯拉的主流做法。實(shí)際操作中，各類數(shù)據(jù)通常都會(huì)用，只是側(cè)重點(diǎn)不同。你們以互聯(lián)網(wǎng)數(shù)據(jù)為主，為什么？

高陽(yáng)：我覺(jué)得本質(zhì)是大家認(rèn)知以及擅長(zhǎng)的東西不同。但共識(shí)是已經(jīng)被大語(yǔ)言模型證明的：如果基模足夠好，那么模型就能變得非常強(qiáng)，所以第一步就是預(yù)訓(xùn)練，預(yù)訓(xùn)練就要求有足夠多的數(shù)據(jù)。

遙操很難搞到量很大的數(shù)據(jù)，昂貴且很花時(shí)間；仿真可以跑出無(wú)窮多的數(shù)據(jù)，但不能解決無(wú)窮多的問(wèn)題，因?yàn)閿?shù)據(jù)的 diversity（多樣性）是有限的。

我們團(tuán)隊(duì)也發(fā)現(xiàn)了具身智能領(lǐng)域的 Scaling Law，就是數(shù)據(jù)每增加 10 倍，小數(shù)點(diǎn)后就會(huì)多一個(gè) 9。

晚點(diǎn)：這是在什么數(shù)據(jù)范圍內(nèi)的 Scaling Law？

高陽(yáng)：我在論文里驗(yàn)證的規(guī)模沒(méi)有那么大，十到幾十萬(wàn)區(qū)間里，這個(gè)規(guī)律都是成立的。

晚點(diǎn)：你們之前提到，你們發(fā)現(xiàn)了 Scaling Law，是具身智能領(lǐng)域的 ChatGPT 時(shí)刻。你覺(jué)得是嗎？

高陽(yáng)：算是 ChatGPT 的理論提出時(shí)刻。如果真的要比，最恰當(dāng)?shù)氖?OpenAI 提出 Scaling Law 的時(shí)刻，在兩三年之后他們做出了 GPT-4，因?yàn)闄C(jī)器人的數(shù)據(jù)更難搞一些，所以我覺(jué)得機(jī)器人的 GPT-4 要更久一些，可能需要 4-5 年。

晚點(diǎn)：機(jī)器人要做出像 ChatGPT 一樣的效果，需要多少數(shù)據(jù)？

高陽(yáng)：如果按照我們的技術(shù)路線，需要 100 億條有效的互聯(lián)網(wǎng)數(shù)據(jù)，也就是說(shuō)先要從 100 億的 100 倍的數(shù)據(jù)里篩到 100 億條數(shù)據(jù)，再加上 1 億遙操數(shù)據(jù)，再加上小幾千萬(wàn)的強(qiáng)化學(xué)習(xí)數(shù)據(jù)。

晚點(diǎn)：現(xiàn)在互聯(lián)網(wǎng)上已有的數(shù)據(jù)，足夠多嗎？

高陽(yáng)：我們測(cè)算過(guò)，互聯(lián)網(wǎng)上能用的視頻大概就是 100 億條，所以是要學(xué)完所有的數(shù)據(jù)，大概需要 4-5 年的時(shí)間。

晚點(diǎn)：機(jī)器人的鏈條比大模型也會(huì)更長(zhǎng)一些，所以除了要有好的大腦，是不是也要等產(chǎn)業(yè)鏈一起成熟？

高陽(yáng)：也不是，我覺(jué)得目前的瓶頸還是在 AI，雖然別的板也不長(zhǎng)，但 AI 是最短的板，如果能把 AI 補(bǔ)齊，至少是個(gè)木盆。

人形不是必需，雙足更不是

晚點(diǎn)：現(xiàn)在幾乎所有具身智能公司都在做人形機(jī)器人，為什么？有人說(shuō)是學(xué)特斯拉，有人認(rèn)為人形適應(yīng)人類環(huán)境，也有人看中它的科研挑戰(zhàn)性。你怎么看？

高陽(yáng)：我覺(jué)得是需求出發(fā)的，本質(zhì)還是世界是為人設(shè)計(jì)的，所以人形從物理形態(tài)上可以確保解決大部分問(wèn)題。

其實(shí)機(jī)器人也并不一定完全是人形，要看切入的方向是什么。比如在 L1 階段的工業(yè)場(chǎng)景，一個(gè)機(jī)械臂就可以了；L2 的話，大部分時(shí)間需要雙臂 + 移動(dòng)底盤，但是不一定要人形。在 L4 之前，如果只是室內(nèi)場(chǎng)景，雙足都不是必須。

晚點(diǎn)：如果機(jī)器人有雙臂和移動(dòng)底盤，還需要 “人的上半身” 嗎？比如一定要有頭和軀干？

高陽(yáng)：不一定需要頭，但相機(jī)需要放在高處俯視全景。也不一定非得一米七三或人類比例的雙臂。我們可以設(shè)計(jì)很多奇怪的形態(tài)，但仿人是物理上一定可行的——畢竟環(huán)境就是為人設(shè)計(jì)的。比如桌面高 75 厘米，機(jī)器人太矮就夠不到。

晚點(diǎn)：那要是機(jī)器人只有 120 厘米，但胳膊兩米長(zhǎng)、還能像九節(jié)鞭一樣折疊，不行嗎？

高陽(yáng)：也行，但多數(shù)場(chǎng)景不需要那種設(shè)計(jì)。異形機(jī)器人需要為特定任務(wù)定制，沒(méi)法通用。而做人形，能覆蓋大部分人類能完成的操作。

晚點(diǎn)：從福特時(shí)代的流水線開(kāi)始，工業(yè)生產(chǎn)邏輯就是分工細(xì)化。為什么現(xiàn)在我們卻希望用一個(gè)機(jī)器人來(lái)解決大量通用的問(wèn)題？

高陽(yáng)：精細(xì)化本質(zhì)也是追求更低的成本，而通用機(jī)器人也是同一個(gè)出發(fā)點(diǎn)。如果為每一個(gè)問(wèn)題都專門設(shè)計(jì)一套解決方案，需要付出更多成本，但通用機(jī)器人可以復(fù)用硬件設(shè)計(jì)、智能系統(tǒng)，只需要讓機(jī)器人具備做不同任務(wù)的能力就能做到更多事。

晚點(diǎn)：剛才你也提到了，可能室內(nèi)場(chǎng)景在 L4 之前都不需要雙足。也有人告訴我們，先做上半身，等于當(dāng)時(shí)新勢(shì)力先做增程車，之后還是要補(bǔ)課。

高陽(yáng)：我同意，之后補(bǔ)就可以了。

現(xiàn)在輪式移動(dòng)底盤已經(jīng)非常成熟了，但我們見(jiàn)到的輪式底盤的機(jī)器人其實(shí)非常少，好像只有酒店的送餐機(jī)器人。為什么呢？并不是因?yàn)榈妆P不夠好，而是光有底盤沒(méi)有手，場(chǎng)景就很局限，可能只能在酒店送外賣，靠人放進(jìn)去、人來(lái)拿出來(lái)。

這件事的核心就是，如果機(jī)器人沒(méi)有操作，只有移動(dòng)，價(jià)值很小。要解決問(wèn)題就要挑主要矛盾去解決，主要矛盾就是雙手的操作。

另外，從需求角度，在很長(zhǎng)一段時(shí)間里出貨量最大的機(jī)器人都會(huì)是輪式地盤加雙臂，因?yàn)檫@樣的形態(tài)已經(jīng)可以覆蓋 80% 場(chǎng)景。

晚點(diǎn)：那你覺(jué)得雙足的難度是怎么樣的？行業(yè)里對(duì)這件事的觀點(diǎn)也不統(tǒng)一，有人覺(jué)得雙足是好補(bǔ)的，也有人覺(jué)得雙足涉及到穩(wěn)定性，要比雙手更難。

高陽(yáng)：我個(gè)人認(rèn)為雙足技術(shù)還是比較簡(jiǎn)單的。我在清華實(shí)驗(yàn)室最近剛好做了一個(gè)關(guān)于平衡性的項(xiàng)目，機(jī)器人做燕式平衡的動(dòng)作，還有李小龍的踢腿動(dòng)作，技術(shù)上不太難，做到工業(yè)級(jí)的穩(wěn)定可能還要下一些功夫，但這里面沒(méi)有本質(zhì)的卡點(diǎn)。

機(jī)器人做燕式平衡

晚點(diǎn)：現(xiàn)在不少公司是同時(shí)做大模型和本體，比如 Figure AI 最初與 OpenAI 合作模型，后來(lái)也選擇自己來(lái)做模型。你怎么看只做本體、不做大腦呢？

高陽(yáng)：如果只做本體、不做大腦，那幾乎沒(méi)有價(jià)值——這和二十年前沒(méi)本質(zhì)區(qū)別。我們現(xiàn)在的共識(shí)是，具身智能的關(guān)鍵價(jià)值在 “大腦”。硬件能力和十幾年前差別不大，但大家之所以現(xiàn)在都在入場(chǎng)，是因?yàn)榇竽X變了，有了突破，市場(chǎng)的天花板才真正被打開(kāi)。

晚點(diǎn)：反過(guò)來(lái)，只做大腦、不做本體呢？

高陽(yáng)：理論上可以只做大腦，但現(xiàn)實(shí)中會(huì)遇到困難。人不能脫離身體行動(dòng)，機(jī)器人也一樣。大模型本身沒(méi)有 “肌肉記憶”，如果不針對(duì)具體的身體結(jié)構(gòu)進(jìn)行訓(xùn)練，很難精準(zhǔn)控制不同形態(tài)的機(jī)器人。

晚點(diǎn)：你們同時(shí)做大腦和本體，剛才聊了很多你們做大腦的事。千尋做本體，會(huì)做到什么程度？

高陽(yáng)：我覺(jué)得機(jī)器人最后會(huì)像汽車產(chǎn)業(yè)鏈，我們需要本體，也需要大腦，但很多零部件是可以開(kāi)放給大家一起做的，比如靈巧手、比如芯片、比如觸覺(jué)傳感器。最后分工越來(lái)越精細(xì)。

題圖來(lái)源：千尋智能