跳完舞、打完拳，人形机器人想进厂了？

腾讯科技《AI未来指北》特约作者 ｜小燕

编辑｜沈月

过去一年，人形机器人频频“出圈”：春晚上跳舞、马拉松中奔跑、格斗赛上对拳，吸足了眼球。但当掌声散去，行业面临的老问题仍未解决——机器人离“真正能干活”，到底还有多远？

6月6日，在 2025北京智源大会的“具身智能会客厅”上，宇树科技CEO王兴兴、北京人形机器人创新中心总经理熊友军、银河通用创始人兼CTO王鹤、穹彻智能联合创始人卢策吾、Physical Intelligence联合创始人兼CEOKarol Hausman、智源研究院院长王仲远等具身智能行业人士齐聚，分享对行业的最新观点。

这场对话呈现出一个信号：人形机器人正在从“炫技”向“实用”转型。跳舞和格斗只是通用动作的一种训练方式，最终目的仍是——扫地、配药、送货、擦脸，真正在家庭和工厂里顶得上岗、下得了线。

他们生产的机器人们已经不再是实验室的展品：有的刚在工业技能大赛摘金夺银，关节还带着竞技场的余温；有的已在24小时无人药店精准分拣药品，机械臂抓取误差不超过0.1毫米；更有的进驻连锁商超，用柔性夹爪在生鲜区完成草莓分装，或在食品厂以力反馈技术刮出完美弧度的冰淇淋球——每个动作都经过数百万次强化学习训练。

本场论坛核心要点：

1. 机器人赛事具备展示和科普价值，但终极目标是让机器人真正“干活”。

2. VLA模型（视觉-语言-行动）适合抓取等任务，具备端到端优势，但通用智能需融合更多模态。穹彻强调力反馈提升鲁棒性，Karol指出当前最大瓶颈在于复杂任务的成功率受限于算法，非仅靠数据可解。

3. 尽管未来机器人形态将多样，但人形仍是当前最适合的路径。类人结构有利于数据训练与环境适配，兼具亲和力与市场潜力，在商用和家庭领域具备优势。

以下为本场论坛观点实录，经腾讯科技编辑：

从春晚到格斗赛，各家人形机器人应用新进展

王仲远：各位来宾，本场环节既有人，也有机器人。兴兴，我们就从你开始吧。我印象很深，去年4月我们第一次在你们宇树交流。当时最让我惊讶的是你们的机器人不需要吊架就能随时展示。过去一年，宇树也有很多新动作，比如春晚上的《秧BOT》集群表演，5⽉25日全球首个人形机器人格斗赛引爆杭州，宇树G1“AI策算师”获得冠军。听说今天你们也把这台冠军机器人带来了？请你介绍一下。

王兴兴：我们这次带来的是去年新推出的G1机器人，它也是刚刚参加完格斗比赛的那款。其实我们一直希望通过表演，包括春晚的集群、格斗比赛等，能让大家看到目前全球人形机器人技术的实际发展水平，并推动行业整体进步。

现在很多人觉得机器人离真正“能干活”还有距离，不管是进家庭还是进工厂，这也是目前全行业面临的难题。但在此之前，我们已经实现了一些关键技术突破，也在探索更多商业化的路径。

我相信未来一两年，机器人格斗将成为全球流行的机器人体育赛事之一。

王仲远：除了这台格斗冠军机器人，友军总你们北京人形机器人创新中心也有一台“冠军机”——两个月前，北京举办首届人形机器人半程马拉松，你们的“天工机器人”获得冠军。今天也带来了天工2.0，能否请你分享一下夺冠背后的故事，并介绍一下天工2.0有哪些升级？

熊友军：我们今天带来的是天工2.0，它是一个开源开放平台，基于1.0进行了全方位升级。天工1.0在半马中完成了2小时40分的成绩，是“最能跑”的机器人。2.0则希望“能做更多事情”，所以重点增强了上肢能力，增加了自由度和灵巧手，提升了负重能力。

天工2.0的升级，其实是我们整体平台能力的提升。北京人形机器人创新中心成立于2023年11月，是全国首个省级创新中心，2024年10月升级为国家地方共建中心。硬件方面，我们重点提升了对复杂地形的适应性，比如环场、草地、沙地、丘陵等，现在也拓展到了复杂工业环境。软件方面，今年3月我们发布了“慧思开物”平台，一套一脑多机、一脑多能的具身智能系统，包含大脑和小脑模块，形成了完整的闭环控制。

此外，我们自建了国内大型数据采集与训练中心，构建了20多个虚实结合的训练场景，用于智能体的持续迭代。

王仲远：王鹤老师也是我们的老朋友了，2021年从斯坦福回北大，2022年加入智源并担任具身智能研究中心负责人，2023年创办银河通用。现在银河通用的机器人模型有新进展吗？

王鹤：今年是我们第二次参加智源大会。去年我们展示了从货架上抓取盒装物品的能力，今年基于VLA端到端大模型，专门针对商超场景做了优化。我们用自研的轮式底盘人形机器人，在货架密集的环境中实现了高精度抓取。

王仲远：卢老师，我们去年在交大见面时你展示了叠衣服、刮胡子等带力反馈的动作非常惊艳。不知道最近有什么进展？

卢策吾：从产品角度看，我们去年发布了“穹彻具身大脑”V1，今年7月将发布V2。这个系统的核心在于对物理世界的理解和交互，尤其是动态接触。比如刮胡子，就是一个连续、细致、力控要求极高的操作。我们不仅是展示炫技，实际上已将技术落地到了食品加工等行业，只是出于保密要求，不能展示真实客户案例。

比如机器人刮冰淇淋时，要像人一样感知刮不动、力度不够这些细节。我们的模型结合了力和位置，是全球唯一拥有这套反馈机制的系统。将来，这种精细控制会被应用到照护、生活辅助等场景，比如帮人擦脸等。

王仲远：Karol，Physical Intelligence在中国是非常受到欢迎和关注的，每次只要发布一款模型或一个视频都会受到大量的转发，包括π0、π0.5都在中国得到了大量的关注。不知道您刚才有没有看到现场机器人的表演，包括卢老师所展示的精细化的操作，也想请您介绍一下Physical Intelligence最新的具身机器人和具身模型的能力有什么新的进展？

Karol Hausman：我知道π模型在中国受关注，这非常令人高兴。我们希望这些模型能赋能全球范围的机器人，完成真正有用的任务。π0.5是我们的重要成果。过去我们认为，把机器人投放到完全陌生环境中是极难的，但现在我们在“家庭”场景实现了初步通用性。家庭是最复杂的环境之一，每个家庭都不一样。

我们有上百个不同的家庭环境，先生成上百个不同家庭的数据。虽然还不是每次都成功，但这个数据量比我们预期少得多，说明具身智能的泛化能力有很大潜力。

王仲远：接下来聊聊一个近期的热点：具身智能“出圈”的背后，其实和一系列机器人赛事关系很大，比如马拉松、格斗比赛。今年8月，北京还将举办世界人形机器人运动会。各位怎么看这些赛事？它们是技术验证场？秀肌肉？还是能真正提升公众对机器人能力的理解？兴兴，你怎么看？

王兴兴：我觉得赛事的最大价值在于展示和科普，能让更多人看到机器人目前的真实能力。比如从春晚到格斗比赛，这些都是非常好的展示平台。当然，不同企业是否参赛，跟各自阶段和特点有关。但就我们而言，我们终极目标是让机器人真正“干活”，进家庭、进工厂。赛事只是通向应用的过程之一。

我们公司一直的核心目标，是希望通过AI技术，让人形机器人能够完成各类全身动作。既然能跳舞和格斗，就也能扫地、做饭、给人送茶，这些都是全身动作的一部分。

我相信，当AI和计算智能百花齐放时，真正能达到家用水平的人形机器人，一定也能跳舞、能格斗。因此，我们选择格斗表演和节庆出演来揭示技术基础，同时也可以进一步生成商业价值。

熊友军： 支持办机器人比赛非常有意义，不仅是技术训练场，更是科技普及的第一环节。

比赛场景来自实际场景，包括工厂、医院、酒店，都是未来最可能实际落地的场景。通过比赛，实际场景能够进入研究和技术技能深度打通的节点。

比赛还是一个增加用户和企业沟通的空间，有别于日常用户无法接触到的技术线，通过比赛的场景展示和真实操作，我们可以让更多有需求的地方、业务方对机器人有较为相对全面的评价和理解。

王仲远： 好，谢谢友军。Hi ，Karol，不知道你有没有关注到中国的这些机器人的比赛，海外有没有类似的机器人比赛？您怎么看？

Karol Hausman： 我认为它们在海外的受欢迎程度远不及在中国。这是一个非常有趣的发展。我知道海外也有一些类似的比赛，比如RoboCup、RoboCup@Home等，还有一些学术性的竞赛，但我认为它们的规模还远不如中国。我很期待看到这一趋势未来会如何发展。

王仲远：我们经常讲机器人通过比赛可以不断展示它的极限能力，但我们更希望机器人能够解决实际问题，进工厂或者进入家庭。我想王鹤老师和卢老师你们做的很多产品都是非常落地的，也想听听你们关于比赛和落地之间的看法。

王鹤： 我觉得今天我们谈具身智能，它有一个当下目标，就是推动具身智能的产业化。

虽然我们看到了很多炫酷的技能，但我们要反思：这些技能在新环境下，在新物品上，在用户非常挑剔、要求成功率接近100%的情况下，能不能真正实现？

我们银河通用和智源的联合团队就在做这样的事情。我们先打通最重要的技能，比如抓取（Pack）和放置（Place）。我们刚刚看到π模型在家庭里的表现，本质上也是通过导航和地面上的抓放动作组合完成的。

我们关注的是，在普通货架——无论是超市、工厂料库，还是外卖前置仓，如果人形机器人能实现24小时服务，就构成了具身智能真正走向产业化、服务社会生产力的开始。所以我一直强调，我们要推动“人形机器人生产力时刻”的到来。

一个好消息是，目前银河通用的机器人已在北京开设了7家无人药店，由人形机器人24小时进行药品拣选与配送，服务夜间急需用药的用户，同时解决了人力招聘和运营问题。

我们计划在北京、上海、深圳年底前扩展到100家。未来在超市下单、车厂配料等场景，也将由人形机器人当家作主。这些都期待未来赛事能对接有价值、可落地的技能，持续推动生态发展。

卢策吾： 我非常同意王老师的观点。赛事当然很好，能够展示性能，但下一步更关键的是看到机器人能“干活”。我们希望看到更多“生产力的比赛”。

我们穹彻智能正在把具身大模型，尤其是针对物理世界中高持续接触、以力反馈为核心的模型，落地到食品加工等场景中。

未来如果有更多技能型比赛，我们可以看到机器人真正实现“劳动最光荣”。

机器人比赛是“秀肌肉”还是真能“干活”？

王仲远： 接下来我们聊一点技术问题。关于机器人构型的问题，5月下旬清华大学的一场学术会议上，张钹院士提出，人形机器人并不是具身智能和AGI的最佳路径，通用机器人的发展应当是“硬件多样性，软件通用性”。想请教一下兴兴和友军，作为人形机器人的代表，你们怎么看？

王兴兴： 其实我过去几年也多次公开说过，我们并不执着于“人形”这件事。

我们公司从机器狗到人形机器人，其实是顺理成章的技术演进。轮式底盘在很多场景下依然非常实用。

之所以现在仍保留“人形”的上半身形态，是因为AI训练的数据多数还是基于人类动作，保留类似人的结构，采集和训练都更方便。

尤其在格斗和跳舞这类需要全身协调的任务中，换其他形态根本做不了。

我相信未来真正出现AGI以后，机器人形态会非常多样，可能比现在多100倍：工厂的、医疗的、家庭的，什么形态都有。

但在当下，由于训练手段主要基于人类数据，“类人”结构在训练效率和落地场景上还是有很大优势。

熊友军： 我完全同意兴兴的说法。具身智能的发展不局限于某一种载体，人形只是其中之一。

但我认为人形机器人依然是具身智能最重要的研究和应用载体之一。

第一，从未来市场体量来看，最大的应用一定是在商用服务场景和家庭领域，工厂只是“开胃小菜”。从市场容量来看，人形优于其他形态。

第二，人形机器人在人机交互中的亲和感强，更容易被用户接受。未来可能成为家庭伙伴、朋友，甚至是“爱人”。亲和感非常关键。

第三，我们今天的环境就是为人设计的。人形机器人在部署中使用现有工具、适应现有环境最方便，不需要额外改造。

所以从多个角度看，人形机器人是最合适的选择之一。虽然目前成本高、技术难，但从长远看，这条路径是值得坚持的。

从端到端到多模态，VLA只是通用智能的起点不是终点

王仲远： 刚才大家在机器人构型上已达成一些共识，最终机器人是否有用，模型能力至关重要。今天上午开幕式演讲也多次提到“VLA”——视觉、语言、行动模型。

刚才王鹤老师也提到了你们的VLA模型。我们知道VLA在自动驾驶领域已成为主流解决方案，但毕竟无人车的操作空间较小，机器人面临的动作空间更大。你怎么看VLA的泛化性？

王鹤： 自动驾驶验证了一点：端到端方案具有更好的扩展性。它通过数据驱动模型，而非靠规则和模块堆叠。

过去的自动驾驶路径是先检测出目标、三维包围盒，再进行轨迹规划、控制。这条路走了很多年，但真正铺开的系统，反而是端到端训练出来的。

VLA的核心优势在于视觉提供观察，语言下达命令，最终直接输出动作，不依赖中间模块，避免了级联误差和手工规则。

现在VLA是具身智能的热点方向。但我认为VLA只是起点，要做到“人类级别”，还必须不断融合更多模态，比如力觉、温觉、听觉、嗅觉等。

VLA当前最适合的，是移动、抓取和放置这三类技能。这些主要依靠视觉，末端加一点触觉或力觉就能执行。

这些技能覆盖了工业和商业服务的大量场景。只要VLA在这些任务上能work，并广泛部署，就将成为具身智能第一次高潮的起点。

卢策吾： VLA确实是一个很火也很本质的方向。

V是理解世界，L是与人沟通，A是改变世界。这恰好集合了机器人必须具备的核心能力。其中L（语言）特别妙，它像是一种“语义粘合剂”，能将不同模态和高层指令有效连接起来。

但我也同意王老师的看法：VLA有扩展性，但也有局限。我们必须继续推进。

无人车的空间相对有限，不需要接触、场景固定；而通用机器人的环境变化巨大，动作维度多，接触丰富。

如果我们要做通用智能，那么VLA只是一个基础起点，而不是终点。如果我们要做通用模型，就必须压缩它的不确定性。

目前VLA就像清汤寡水的火锅底料，只能服务一部分人。要让它服务更多人，我们需要不断“加料”——也就是加入更多额外的信息，使其更强大，同时构建一个能够容纳更多信息的兼容框架，从而压缩模型所需探索的空间。

在端到端模型中，压缩空间的方式很多。例如我们穹彻一直在做的是加入力反馈。人类很多动作都是下意识完成的，比如擦桌子，其实根本不用动脑，不用每毫秒都计算动作。有了力反馈之后，模型的稳定性更高。如果仅用VR或者纯视觉，它可能会出现“卡顿”甚至抖动，看起来可以完成动作，但鲁棒性是存在问题的。

所以加上力反馈之后，可以有效压缩模型空间。同时，在物理世界的理解上也需要进步。视觉其实是“偷偷地”在理解一个事件，如果我们能更好地理解物理规则，就能进一步压缩模型空间。

我们即将在下个月发布第二版大脑，其中引入了更多机制，比如“数字基因”模块。这个模块能生成丰富的仿真数据资产，用于不同操作方式的数据生成和模型试验。同时，结合力反馈还带来了新的试验方式。

这些都是为了压缩模型所需的数据量。因为当问题空间非常大时，如何通过有限数据去拟合它，是关键挑战。我们必须找到合适的模态，压缩空间，找到更聪明的理解方式，把这些融入模型，Action部分才能持续进步，最终推动通用智能的拐点到来。

王仲远： Karol，我想你也听到了各位嘉宾对于VLA的一些观点。你在今早的Keynote中也提到一句话让我印象很深：“build a model to control any robot to do any task”。跨本体的Action，你认为在实践中有没有一些绕不过去的瓶颈？还是说主要是时间和数据规模的问题？

Karol Hausman： 是的，我认为目前确实仍然存在一些瓶颈。我认为当前最大的问题是，这些模型的成功率还达不到实际所需的水平。我不认为这只是数据收集的问题，似乎还需要在算法上进行一些改进。

我认为，即使我们拥有无限量的数据，也无法仅靠现有算法在复杂、长期、需要高灵巧度的任务中实现100%的成功率。这需要新的技术手段。这正是我们目前正在努力解决的问题。我认为这就是当前最大的瓶颈。

如果你几个月前问我，我会说最大的问题是泛化能力。但从我们在 π-0.5 上取得的进展来看，我相信我们已经找到了改进的方法，并且我认为在这方面，答案主要来自数据。

但在性能层面，我认为问题更多是算法上的，而不是数据上的。

王仲远： 时间总是过得很快，我们今天的会客厅环节也即将结束。各位嘉宾和朋友们可能也非常了解，智源研究院作为一家非营利科研机构，一直坚持开源开放，将科研成果与全球共享。

截至目前，我们已发布200多个模型，全球下载量超过6.4亿次。正因为智源研究院的开源开放，推动了中国大模型科研和产业的发展。现在我们也开始推进AI从数字世界迈向物理世界。

今天我们发布了“悟界”系列大模型，包括开源的RoboOS 2.0和RoboBrain 2.0。我想请各位嘉宾最后简单总结一下，谈谈对智源在具身智能领域中的角色和未来的期待。

王兴兴： 我一直非常关注智源公开的一系列模型。现在很多学生、尤其是年轻人对AI和具身智能非常感兴趣。我有一个小建议，如果智源后续能配套提供一些学习材料、学生入门指南等资源，会对模型的推广和使用带来很大帮助。

熊友军： 确实，智源研究院在人工智能的普及和技术探索方面做出了很多贡献。我们在前期与王院长这边有很多交流和合作。今天很高兴看到悟道系列、悟界系列和RoboOS 2.0的发布。我们也期待今后与机器人深度结合，共同推动具身智能和机器人产业的发展。

王鹤： 我认为智源一直代表着中国乃至世界人工智能最前沿。

2022年下半年我受邀加入智源，成立了中国第一个以“具身”命名的研究中心，随后孵化了银河通用。过去几年，包括明天的分论坛，我们也将宣布一些最新的开源方法和模型。

智源代表的是一个生态。它能够联合各种机器人平台、研究团队，共同推动中国乃至全球的具身智能发展。

卢策吾： 我和智源认识很早，我们还是同一年入选MIT TR榜单。我觉得这个平台非常好，不只是生态、开源让大家都能用得上，而且在人才培养上也做了很多贡献。

对我们这种既是企业又是科研机构的团队来说，智源是一个非常好的合作生态。

Karol Hausman： 非常感谢你们的邀请。聆听其他嘉宾的发言非常有意思，我也非常期待未来所有的发展。

王仲远： 好，谢谢你。因为时间关系，今天的会客厅环节就到此结束。感谢各位的精彩分享，希望我们能常聊，共同推动具身智能的研究与产业落地。