本文來自微信公眾號(hào)： 定焦One ，作者：定焦One?團(tuán)隊(duì)，編輯：魏佳
人形不再獨(dú)占C位，大腦內(nèi)卷，數(shù)據(jù)為王。
定焦One（dingjiaoone）原創(chuàng)
這幾天，科技圈的最大盛事當(dāng)屬WAIC大會(huì)。今年，人氣最旺的是上海世博展覽館H3館，具身智能首次獨(dú)立成館，與智算并列為大會(huì)兩大核心賽道，從整機(jī)到靈巧手、關(guān)節(jié)模組、傳感器，一條產(chǎn)業(yè)鏈完整鋪開。
「定焦One」連續(xù)兩天走訪，在現(xiàn)場(chǎng)最直接的感受是“人多”。宇樹展臺(tái)被圍得擠不進(jìn)去，加速進(jìn)化把展位改成小型足球場(chǎng)，一群不到1米高的機(jī)器人自己踢球、搶斷，還會(huì)假動(dòng)作。根據(jù)官方披露的信息，今年參展的具身智能企業(yè)從去年的80多家增加到200多家，真機(jī)超過300臺(tái)，且?guī)缀跞縿?dòng)態(tài)運(yùn)行，而去年這里還以靜態(tài)展示為主。
除了觀眾們的熱情之外，還有一個(gè)明顯的變化是機(jī)器人可以干的事情變了。去年是150臺(tái)人形同臺(tái)，卷的是后空翻、做咖啡這類炫技動(dòng)作，今年各家的demo從炫技換成了做早餐、打蝴蝶結(jié)、進(jìn)汽車產(chǎn)線這類更雜、更難也更貼近真實(shí)場(chǎng)景的任務(wù)，機(jī)器人的形態(tài)也從單一的人形變得更加豐富。
不過熱鬧之下，行業(yè)仍處在早期：大腦架構(gòu)未定、訓(xùn)練機(jī)器人的數(shù)據(jù)從哪兒來還是難題。H3館里幾乎每家都在講“我家模型最懂物理世界”，“機(jī)器人該用VLA還是世界模型”的爭(zhēng)論被直接搬上論壇。
這些問題沒有標(biāo)準(zhǔn)答案，而WAIC恰好是觀察各家給出什么解法的一個(gè)窗口。本文從形態(tài)、大腦、落地三個(gè)維度切入，看看今年具身智能走到了哪一步。
01.看形態(tài)：人形不再是唯一，載人機(jī)甲、半人馬也來了
進(jìn)入H3場(chǎng)館，科幻電影里的場(chǎng)景似乎沒那么遠(yuǎn)了。幾臺(tái)機(jī)器人排成一列緩緩穿過通道，偶爾有觀眾側(cè)身讓路，當(dāng)你餓了的時(shí)候，可以去某個(gè)展臺(tái)“領(lǐng)”一份由機(jī)器人完成的早餐，雖然動(dòng)作還有點(diǎn)僵硬遲緩，但至少是真的能吃。
「定焦One」在館里逛了大半天，一個(gè)強(qiáng)烈的感受是，人形機(jī)器人依然是重點(diǎn)，但不再獨(dú)占C位。去年是150臺(tái)人形同臺(tái)、卷自由度、卷后空翻，今年人形還在，但載人機(jī)甲、可變形本體、半人馬等新形態(tài)紛紛涌現(xiàn)，輪式和四足這些成熟形態(tài)也找到了更明確的場(chǎng)景。
按落地場(chǎng)景看，各家大致分成了三派。
第一派是工業(yè)務(wù)實(shí)派，既有輪式，也有雙足，形態(tài)讓位于穩(wěn)定。
智元拿下H3館最大展區(qū)，集中發(fā)布五款產(chǎn)品，其中輪式的精靈G2Max主打“安規(guī)級(jí)重載”，能24小時(shí)不間斷搬運(yùn)碼垛，無需人工輪崗、夜班值守，直接瞄準(zhǔn)倉(cāng)庫(kù)“兩班倒”的人力缺口。
同樣瞄準(zhǔn)工業(yè)，它石智航給出的是另一套答案，它把一條1:1復(fù)刻的汽車線束產(chǎn)線搬進(jìn)展臺(tái)，由“輪式底盤+雙臂”的機(jī)器人集群現(xiàn)場(chǎng)演示產(chǎn)線自主作業(yè)。工業(yè)場(chǎng)景下，這種組合比較務(wù)實(shí)，能連續(xù)作業(yè)、能靈活調(diào)度，成本和穩(wěn)定性都適合量產(chǎn)爬坡。
智元機(jī)器人圖源/智元官網(wǎng)
樂聚這屆不再講商超和家庭，轉(zhuǎn)而聚焦工廠，其全尺寸人形機(jī)器人夸父系列（含雙足版與輪式夸父5-W）與螞蟻靈波合作實(shí)現(xiàn)物流全場(chǎng)景自動(dòng)化，涵蓋紙箱拆垛、搬運(yùn)、上料等環(huán)節(jié)。
第二派是小人形，把人形機(jī)器人做小，用價(jià)格換入場(chǎng)券。
松延動(dòng)力身高不到一米的小布米定價(jià)9998元，是目前市面上第一款萬元以內(nèi)的量產(chǎn)人形機(jī)器人，高約94厘米、約12公斤，已正式開售。作為參照，一臺(tái)全尺寸人形通常在1.7米上下、幾十萬元起，小布米幾乎把體型和價(jià)格同時(shí)砍掉一個(gè)數(shù)量級(jí)。展臺(tái)上，小布米們同步完成舞蹈，動(dòng)作對(duì)齊精準(zhǔn)，OTA3.0功能支持用戶通過手機(jī)App遠(yuǎn)程更新機(jī)器人的交互界面、動(dòng)作姿態(tài)和內(nèi)容。
消費(fèi)級(jí)小人形的玩家還有鹿明機(jī)器人，現(xiàn)場(chǎng)展示了AI迷你雙足人形“鹿小明”，僅89厘米，可跟隨音樂起舞。加速進(jìn)化則把展臺(tái)變成小型足球場(chǎng)，一批身高不到1米的機(jī)器人自主踢球、非遙操，射門力道猛還會(huì)假動(dòng)作，走的是科研、競(jìng)技路線。
加速進(jìn)化機(jī)器人踢足球圖源/「定焦One」攝
第三派是新形態(tài)探索派，按環(huán)境切換形態(tài)。
宇樹科技依然有人形拳擊賽，但站C位的是GD01，這是一款載人變形機(jī)甲，人可以坐進(jìn)座艙操控，其定位為“民用交通工具”，號(hào)稱全球首款量產(chǎn)版載人機(jī)甲，但起售價(jià)高達(dá)390萬元。上緯啟元T1在輪足人形和四足之間自主切換，室內(nèi)走輪足，安靜、零轉(zhuǎn)彎半徑，客廳書房都能，到戶外切換四足，過草地、砂石、斜坡、臺(tái)階，對(duì)應(yīng)散步、露營(yíng)場(chǎng)景，其變換形態(tài)被網(wǎng)友調(diào)侃“人模狗樣”。
逐際動(dòng)力TRON2走模塊化路線，像拼樂高一樣組合成雙足、雙輪足、雙臂，現(xiàn)場(chǎng)甚至還用雙足加雙臂拼出一只“半人馬”形態(tài)，不僅能背負(fù)30KG穩(wěn)步走，還能在地毯上拖輪胎，對(duì)應(yīng)商用服務(wù)場(chǎng)景的復(fù)雜地形。
整體看下來，今年機(jī)器人的形態(tài)比去年更加豐富，但邏輯一致，即按場(chǎng)景反推本體。一位具身智能從業(yè)者表示，憑借一款本體打天下的幻覺被訂單砸碎了，“工業(yè)要輪式、家庭要人形、消費(fèi)要小巧、特種要載重機(jī)甲，每家都在按場(chǎng)景反推本體，形態(tài)自然就被打散了?！?/p>
不過，形態(tài)變多說明廠商們把場(chǎng)景想清楚了，不代表活兒真干好了。展會(huì)上看到的搬運(yùn)、踢球、舞蹈，多數(shù)還是在可控的環(huán)境里“演”出來的。選對(duì)形態(tài)只是拿到了入場(chǎng)券，能不能把活兒干利索，還得看大腦和手腳跟不跟得上。
02.看大腦：VLA之外，世界模型探路
形態(tài)是肉眼能看到的變化，更大的比拼發(fā)生在看不見的地方——機(jī)器人的大腦。
先簡(jiǎn)單科普下背景。具身智能這兩年主要用VLA（視覺-語(yǔ)言-動(dòng)作）模型，它擅長(zhǎng)看懂場(chǎng)景、聽懂指令，但對(duì)物理世界缺乏真正理解，一遇到?jīng)]見過的場(chǎng)景，泛化能力（把學(xué)過的本事遷移到新場(chǎng)景的能力）就明顯打折，往往在實(shí)驗(yàn)室里表現(xiàn)很好，一進(jìn)真實(shí)家庭就崩。于是各家開始探索新的方向，“世界模型”成為今年最熱的選項(xiàng)。通俗來說，世界模型是讓機(jī)器人先在“腦內(nèi)”預(yù)測(cè)“這么做世界會(huì)變成什么樣”，再?zèng)Q定動(dòng)作，而不是死記硬背動(dòng)作順序。
從現(xiàn)場(chǎng)來看，各家的押注集中在兩個(gè)方向：長(zhǎng)程任務(wù)和復(fù)雜操作。
長(zhǎng)程任務(wù)方面，銀河通用的星腦模型把任務(wù)長(zhǎng)度從去年的短動(dòng)作延長(zhǎng)到了3–5分鐘。現(xiàn)場(chǎng)演示中，機(jī)器人連續(xù)完成烤面包、倒飲料、取盤裝盤，即使工作人員臨時(shí)挪動(dòng)杯子或餐盤，它也會(huì)重新掃描桌面尋找目標(biāo)，而不是按固定點(diǎn)位執(zhí)行。
更為極限的是原力靈機(jī)聯(lián)合階躍星辰發(fā)起的挑戰(zhàn)，6臺(tái)機(jī)器人用原力靈機(jī)的通用具身基礎(chǔ)模型DM0.5，連續(xù)協(xié)同拼裝一座8萬余塊積木的長(zhǎng)城，實(shí)現(xiàn)了15小時(shí)的持續(xù)作業(yè)。
銀河通用機(jī)器人做早餐「定焦One」攝
復(fù)雜操作方面，星塵智能一口氣放出22項(xiàng)真機(jī)家庭任務(wù)，包括煎蛋顛鍋、稱小米、打蝴蝶結(jié)等高難度操作，是本屆WAIC家庭場(chǎng)景demo最全面的一家。
在這些能力提升的背后，各家在世界模型上走出了不同解法。
銀河通用在大會(huì)期間發(fā)布的WAM-TTT，解決的是“進(jìn)場(chǎng)快”。TTT即“測(cè)試時(shí)訓(xùn)練”，可大致理解為，基礎(chǔ)技能先預(yù)訓(xùn)練好，機(jī)器人進(jìn)了客戶現(xiàn)場(chǎng)，只需看一批人類操作視頻，就能適應(yīng)新環(huán)境干活，不需要?jiǎng)幼鳂?biāo)注，預(yù)訓(xùn)練參數(shù)也完全凍結(jié)。
按其論文中的對(duì)照實(shí)驗(yàn)，100條機(jī)器人軌跡搭配100條人類視頻，成功率74.1%，與200條純機(jī)器人軌跡的73.7%基本持平，這意味著便宜易得的人類視頻，大致能替代同等數(shù)量的真機(jī)數(shù)據(jù)，比如原本需要100小時(shí)數(shù)據(jù)訓(xùn)練的新任務(wù)，現(xiàn)在可能只要2小時(shí)就能跑起來。創(chuàng)始人王鶴打了個(gè)比方，“廚師換廚房，廚藝不變?！?/p>
但一位從業(yè)者指出，這一方式想沖到99%的落地標(biāo)準(zhǔn)，仍離不開大量領(lǐng)域?qū)Ｓ脭?shù)據(jù)，想“干得好”還要訓(xùn)練。
星塵智能在WAIC前夜發(fā)布的Lumo-2，解答的是“怎么想”。它號(hào)稱業(yè)界首個(gè)“家庭隱式世界動(dòng)作模型”。
星塵智能副總裁王佳楠用煎蛋的動(dòng)作，來解釋這條“隱式”路線具體如何工作。模型接到指令后，不會(huì)直接調(diào)用現(xiàn)成的動(dòng)作，而是在內(nèi)部先“想象”一遍，“蛋在鍋中間不好顛，狀態(tài)應(yīng)該變成靠近鍋邊”；再推理動(dòng)作，“手往下壓一點(diǎn)，讓蛋滑過去”。這和傳統(tǒng)的VLA模型不同，VLA更像是“背動(dòng)作”，記住以前做過什么，遇到類似情況就照著來，Lumo-2是“為了達(dá)到某個(gè)效果，自己想辦法生成動(dòng)作”，所以環(huán)境一變，它也能靈活調(diào)整。
但該路線也有兩大難點(diǎn)。第一，它不生成畫面，你看不到它腦子里在想什么，就像一臺(tái)黑盒子，只能看它最后干得好不好，沒法中途檢查它想得對(duì)不對(duì)。第二，攝像頭拍到的東西可能不足以區(qū)分當(dāng)前狀況，比如同樣是桌上一只杯子，里面有沒有水、水是滿的還是半滿的，從畫面看幾乎一樣，但機(jī)器人該用的動(dòng)作完全不同。這種隱式路線的優(yōu)點(diǎn)是省算力、能自主運(yùn)行、能切換場(chǎng)景，代價(jià)是內(nèi)部過程看不見，出了問題不好排查，訓(xùn)練也更費(fèi)勁。
騰訊則在WAIC期間發(fā)布了RxBrain，解決的是“推理和想象怎么統(tǒng)一”。它是騰訊Hy-Embodied系列里的“大腦”模型，騰訊首席科學(xué)家張正友用“裂腦”比喻來解釋其架構(gòu)：去年左右腦之間僅通過語(yǔ)言連接，今年RxBrain在左右腦之間增加了視覺信息通道，一邊用文字描述子任務(wù)，一邊用圖像展示完成子任務(wù)后世界會(huì)變成什么樣。
他并沒有直接給這個(gè)模型貼上“世界模型”的標(biāo)簽，但他認(rèn)為，這已經(jīng)踩進(jìn)了世界模型的方向，既能夠做推理，同時(shí)有想象力。在他看來，世界模型目前還沒有一個(gè)統(tǒng)一的技術(shù)方案，各家都在摸索，騰訊也不例外。
把這幾條路線擺在一起，會(huì)發(fā)現(xiàn)VLA和世界模型并非二選一的關(guān)系。VLA在持續(xù)進(jìn)化，世界模型也在吸收VLA的經(jīng)驗(yàn)，兩條路線同步往前走。
03.看落地：數(shù)據(jù)采集和靈巧手成下一輪競(jìng)爭(zhēng)焦點(diǎn)
在WAIC現(xiàn)場(chǎng)，大家問得最多的問題是：機(jī)器人為什么還進(jìn)不了家、進(jìn)不了廠？卡點(diǎn)集中在兩處，喂給大腦的數(shù)據(jù)不夠多，以及執(zhí)行動(dòng)作的那只手還不夠靈。
先說數(shù)據(jù)。世界模型雖然緩解了部分?jǐn)?shù)據(jù)壓力，把“理解世界”這部分從遙操轉(zhuǎn)移到了視頻，但行業(yè)才剛起步，各家路線五花八門，無論走哪條路，高質(zhì)量的真實(shí)數(shù)據(jù)都是繞不開的共同剛需。
圖源/「定焦One」攝
本屆WAIC上，數(shù)據(jù)采集第一次成了一個(gè)獨(dú)立品類，多家公司帶著專門的數(shù)采設(shè)備和方案出現(xiàn)。目前能看到三種思路并存。
第一種是本體廠自采，數(shù)據(jù)長(zhǎng)在自家機(jī)器人本體上，宇樹、樂聚都在做，好處是“采什么練什么”，但數(shù)據(jù)多封閉在自家體系內(nèi)。
第二種是出售數(shù)采設(shè)備，相當(dāng)于“賣鏟子”。
覓蜂科技（智元孵化）的MEgo系列走的就是這條路，核心是“不綁機(jī)器人”，用輕便的硬件就能采數(shù)據(jù)。它的客戶主要是兩類，一類是缺乏本體或不想綁本體的具身初創(chuàng)公司，另一類是本體廠想補(bǔ)一套更靈活的數(shù)采手段。
其操作也不需要機(jī)器人工程師，普通數(shù)據(jù)采集員戴上就能開始采集數(shù)據(jù)。MEgo Gripper是一個(gè)手持設(shè)備，重量為560克，像拿個(gè)加大號(hào)游戲手柄，能記錄毫米級(jí)的空間軌跡，MEgo View是穿戴套裝，頭上戴全景相機(jī)、手腕上綁攝像頭，7路畫面同步錄制，一個(gè)人可把“如何操作”的全過程采下來。
第三種是“數(shù)采+世界模型”打包賣。大曉機(jī)器人在WAIC上同時(shí)發(fā)布了ACE數(shù)采設(shè)備和開悟世界模型KAIROS。ACE采回來的數(shù)據(jù)格式直接和KAIROS對(duì)接，客戶不用再轉(zhuǎn)格式、清洗數(shù)據(jù)，拿來就能用。當(dāng)然，也可以只買模型或只買采集設(shè)備，不強(qiáng)制捆綁。
三種思路背后是競(jìng)爭(zhēng)的白熱化，2026年被反復(fù)稱作“具身數(shù)據(jù)元年”，誰(shuí)把標(biāo)準(zhǔn)化、低成本的數(shù)據(jù)供給跑通，誰(shuí)就占住了產(chǎn)業(yè)鏈上最難替代的位置。
說完大腦，再來看“手”。如果說數(shù)據(jù)是“大腦的食物”，那靈巧手就是“大腦的手”，末端不夠靈活，再好的模型也發(fā)揮不出作用。
前兩年，行業(yè)的目光大多在跑、跳、翻這些大動(dòng)作上，今年重點(diǎn)從“腿”轉(zhuǎn)到了“手”。背后也有行業(yè)背景，直驅(qū)關(guān)節(jié)的單指成本大幅下降，觸覺傳感的精度和價(jià)格雙雙跨過量產(chǎn)臨界點(diǎn)，把靈巧手從過去的工業(yè)夾爪，推到了具身智能的核心終端位置。但怎么做一只好手，行業(yè)還沒有共識(shí)，今年WAIC上，靈巧手的路線也是多種多樣。
靈心巧手一次性把連桿、腱繩、直驅(qū)三種技術(shù)路線的靈巧手都擺了出來，其中最受關(guān)注的O30是全直驅(qū)方案，即電機(jī)轉(zhuǎn)子直接連接關(guān)節(jié)負(fù)載，中間沒有任何減速裝置，好處是力控更直接、更精準(zhǔn)，代價(jià)是電機(jī)發(fā)熱更大。O30有20個(gè)關(guān)節(jié)獨(dú)立活動(dòng)，重量740克，定位精度亞毫米級(jí)，額定負(fù)載30公斤，對(duì)應(yīng)汽車精密裝配這類高精度場(chǎng)景。
超維動(dòng)力的KAIHand追求的是手指靈活度，有37個(gè)關(guān)節(jié)，尺寸和真人手一樣大，指尖力氣超過30牛，整只手80%的面積覆蓋了觸覺皮膚，能感知0.1牛的微小力度?，F(xiàn)場(chǎng)還演示了用KAIHand砸木板，證明它既結(jié)實(shí)又有韌性。
整體來看，今年WAIC的具身智能確實(shí)往前走了一大步，本體根據(jù)場(chǎng)景劃分成不同形態(tài)，任務(wù)時(shí)長(zhǎng)從秒級(jí)拉到分鐘甚至小時(shí)級(jí)；操作也從簡(jiǎn)單抓取，升級(jí)為復(fù)雜的打結(jié)、進(jìn)產(chǎn)線，各家都在從“能演”轉(zhuǎn)向“能干”。
不過，這個(gè)行業(yè)還處在探索期。正如現(xiàn)場(chǎng)一位具身智能創(chuàng)業(yè)者對(duì)「定焦One」感嘆，今年技能層面的進(jìn)化并沒有超過他的想象，真正絲滑的還是跳舞、迎賓這類簡(jiǎn)單場(chǎng)景；零售、物流、工業(yè)離可用還很遠(yuǎn)，離家庭服務(wù)更遠(yuǎn)。
WAIC的熱鬧總會(huì)散場(chǎng)，聚光燈之外，具身智能這個(gè)新興賽道，還得繼續(xù)打拼很多年。
*題圖由「定焦One」拍攝。