机器人前瞻（公众号：robot_pro）
作者 | 许丽思
编辑 | 漠影

机器人前瞻9月17日报道，最近机器人行业迎来了一轮密集的“大脑”更新。

智元、宇树接连公布新的具身模型，再加上近期行业热议的 GPT-6 Astra 直接控制机械臂在 RoboDojo“屠榜”，也让“通用大脑”的判断标准变得更加重要。一个机器人学会了新任务，究竟是多掌握了一项专门训练的技能，还是获得了可以带到其他任务、其他身体上的能力？这两种进步，在演示中可能同样亮眼，到了实际部署时，需要付出的数据和调试成本却可能相差很大。

带着这个问题，回看上周外滩大会上的展示与讨论，会发现一些值得继续追问的细节：同一套大脑驱动不同机器人干活，背后需要怎样的适配？展台上的一次成功，要经过哪些检验，才能成为真实场景里可复制的能力？

走进D馆，蚂蚁灵波展区内，我们看到几台形态各异的机器人正在埋头干活。

智慧药房展台上，观众在现场下单后，一台机器人穿行于约80厘米宽的货架通道，它根据订单寻找对应药品，完成识别、拣选与交付的全流程。

旁边的物流分拣线上，机械臂面对位置随机、形态各异的柔性包裹，持续完成抓取和分拣。

到了工业上下料场景，机器人处理的对象又变成不同规格的工件，需要把工件放到指定位置，非常考验定位精度。

三个场景看起来都离不开抓取和搬运，实际要求却相差很大。药房要求机器人在狭窄空间内处理种类繁多的药品SKU，自主完成完整流程；物流仓储充满动态变化，包裹的位置、形状和材质都是不确定的；工业产线则要求机器人长时间稳定运行，得和生产节拍配合。

这些机器人形态各异，但它们都由蚂蚁灵波的通用具身大脑驱动。据了解，这套大脑在预训练阶段已经适配20多种不同构型的机器人，涉及宇树、智元、星尘智能、乐聚等不同品牌。

同一套智能能力，如何迁移到不同形态的机器人上？机器人进入新环境后，需要重新采集多少数据、进行多少工程调试？一段成功的演示，又能在多大程度上代表机器人已经具备真实工作能力？

当天，由蚂蚁灵波发起并主办的“基座之上：具身智能的场景突围与协同进化”论坛上，聚齐了一众业内顶尖科学家和具身企业掌门人，把这些问题摆到了台面上。

论坛之外，蚂蚁灵波CEO朱兴在接受机器人前瞻等媒体采访时，进一步解释了灵波对技术路线、跨本体泛化、数据管线和场景落地的思考。

这一整天的讨论看下来，信息量实在爆棚，也给“通用大脑”提出了更具体的检验方式：已有能力能否迁移到不同身体和任务，进入新场景所需的数据与部署成本能否下降，以及机器人能否在真实环境中长期、安全地运行。

一、面对VLA、WAM路线之争，得先想清楚机器人究竟需要什么

上半年，VLA和WAM的技术路线之争，业内讨论得热火朝天。

但在蚂蚁灵波科技首席科学家沈宇军看来，这只是将现有大模型能力引入机器人领域的捷径。

数字模型面对的主要是文字、图像和视频，机器人大脑则要持续处理传感器信息，并在环境不断变化的情况下实时输出动作。沿用已有工具可以加快起步，但机器人特有的问题仍需要专门解决。

沈宇军就把机器人大脑需要处理的问题归纳为三类：

首先，机器人要从持续输入的传感器信号中，处理出更好的token。这些信号可能来自视觉、空间、力觉和触觉，承载着机器人对物理环境的理解。

其次，不同模态的信息，需要进入同一个模型并实现对齐。

最后，模型要根据持续变化的观测，生成可以执行的动作。

沈宇军觉得，如果AI整体训练范式没有发生太大变化，具身领域的Scaling Law依然会存在，但具体的技术路线是不同的，具身智能不会复刻数字世界中模型的发展路径。

因此，比争论VLA和WAM孰优孰劣更重要的，是重新审视机器人究竟需要哪些能力。沈宇军说：“VLA也好，WAM也好，其实都不重要了。更重要的是工具正向开发的过程，我们真的应该要回过头来想一想，机器人到底需要什么样的能力。”

这也意味着，机器人大脑最终需要一套针对物理世界特点开发的原生工具。

朱兴在接受采访的时候，进一步解释了数字世界的模型与机器人大脑之间的差异。面向影视、游戏和内容生产的视频模型，通常追求画面丰富、视觉效果和创造性；机器人更关心预测结果是否符合物理规律，以及模型能否在足够短的时间内输出结果。

这种认识也影响了蚂蚁灵波的研发路线。朱兴透露，灵波在1.0系列阶段也曾基于数字世界的通用视频生成模型进行微调。之后，团队发现这种方式存在能力上限，持续微调还可能破坏原模型的先验知识，影响泛化能力。

随后，灵波就启动了更原生的具身模型研发，并推出面向具身智能的视频生成基座LingBot-Video，并训练了行业首个具身原生世界动作模型LingBot-VLA 2.0。

对于具身智能能否沿着大语言模型的道路继续Scaling，科学家们并没有形成完全一致的判断。

香港中文大学校长助理教授薛天帆提出，这一波大模型的发展要感谢互联网，因为互联网让文字、图片和视频能够以相对统一的形式被分享和训练，但机器人数据却与具体本体密切相关。

以人类学习走路为例：小孩并非通过阅读一本书学会走路，而是在自己的行动中逐渐掌握这项能力。通过互联网数据学习知识与在物理世界中学习操作，属于两种不同的训练过程。具身智能应该采用什么样的模型和数据范式，仍有许多问题有待讨论。

上海交通大学人工智能学院副教授李永露提到，当前模型既“吃不饱”，又过于“挑食”：具身数据数量有限，模型对数据形式的要求又很高。

在他看来，一个重要方向是降低模型对数据的“挑食”程度，让模型能够利用更多已经存在的数据，包括互联网数据和其他领域的数据。他还提到，大量第三视角视频目前尚未得到有效利用，数据处理能力一旦取得明显进步，将极大加速具身智能的发展。

二、具身智能真正要解决的，是通用性、泛化性

相较传统机器人，沈宇军觉得，具身智能最核心之处在于通用性和泛化性。

在结构化环境中，传统工业机械臂已经能够把固定任务完成得很好。它们可以沿着预设程序重复抓取、焊接和装配，在确定的工位中实现很高的精度和稳定性。

要是缺少通用性、泛化性两项能力，机器人仍然需要针对每个工位、每种物料和每项任务单独编程，整体逻辑与传统自动化不会产生根本变化。

不过，“通用”并不意味着用一种机器人形态覆盖所有场景。

朱兴认为，跨构型泛化会是具身智能长期面对的问题。生产力场景首先要追求效率和成本，高负重作业与轻型分拣没有必要采用相同硬件配置。未来进入家庭后，不同用户在老人看护、陪伴和家务操作方面的需求也会出现差异，机器人形态很难完全统一。

本体可以根据任务变化，大脑则需要尽可能复用已经形成的能力，这正是“一脑多机”背后的产业逻辑。

然而，将同一套模型安装到不同机器人上，只完成了跨本体泛化的第一步。

薛天帆认为，不同本体产生的数据和动作空间难以统一。机器人更换关节结构、机械臂或末端执行器后，原有模型能否继续理解动作含义，并将已有能力映射到新的身体上，仍然没有得到充分解决。

近年来受到关注的上下文学习，被视为降低适配成本的一种可能路径。对此，沈宇军把话题拉回机器人能否开箱即用，提出了一个比较有意思的看法：机器人可能未必需要开箱即用，因为人也不是开箱即用的。

人面对一件陌生家电，有时也需要阅读说明书。机器人同样可以通过语言提示或视频演示理解任务，但前提是基座模型本身已经具备相应能力。沈宇军认为，如果模型并不支持机器人完成某项操作，很难期待人演示一遍之后，它就能立即学会。

现阶段，行业所实现的泛化仍有明显边界。

地瓜机器人CEO王丛提到，当前具身智能更多是在单场景、单任务甚至单末端执行器范围内解决泛化问题。同一个模型完成抓取后，切换到另一类操作，往往还需要重新训练。

朱兴也提到，现阶段的规模化落地需要适当压缩泛化挑战。环境不能过于开放，任务不能过于长程，模型可以先驱动其中一部分环节，再逐步承担更加完整的任务。

泛化是直接影响商业化的经济变量，朱兴提到，目前在跟合作伙伴探索落地的时候，从一个门店复制到多个门店的成本仍然很高，本质原因在于泛化性不足。如果每换一台机器人都接近重新开发，“一脑多机”便难以形成规模效应。

随着基模能力提升，完成同一项任务所需的后训练数据能否减少，进入新场景的部署周期能否缩短，将成为衡量通用性的更直接指标。

三、通用能力如何形成？关键在于数据质量标准

具身智能行业几乎已经形成一个共识，那就是数据不够。

但当一种说法被反复提及时，背后的问题也可能被过度简化。数据总量不足、数据质量不高、场景覆盖有限，以及已有数据无法被模型有效使用，实际上对应着不同瓶颈。

在沈宇军看来，行业当前讨论数据时，经常停留在规模和类型，很少进一步讨论数据分布、数据质量，比如数据哪些维度需要均衡、达到什么指标才算是好数据？

沈宇军提出了一个更具体的问题：一个模型使用500条数据后，任务成功率达到90%，接下来应该采集怎样的数据，才能将成功率提高到90.5%？

企业当然可以继续堆数据，将数据增加到1000条、2000条，但真实商业项目必须考虑成本。模型升级的价值，也体现在达到相同效果所需的后训练数据能否从2000条降至1000条，再降至500条。

他判断，未来两三年、顶多五年，数据量可能逐渐不再稀缺，甚至像自动驾驶一样走向过剩，那时候就不会有人讨论量的问题了。

具身数据先锋论坛的讨论，也沿着这一问题继续深入。

光轮智能副总裁张建伟认为，当前比数据总量更迫切的问题，是行业尚未形成统一、严格的数据质量标准。

他将数据质量分成四层：最基础的是图像、帧率和信号是否正常；第二层关注数据的运营，把握数据采集过程中的质量；第三层通过评测检验数据能否帮助模型提升；第四层就是在真实的环境中去落地部署，一定会发现问题，这是最终检验这个数据质量唯一的标准。

数据质量也会随训练目标发生变化，蚂蚁灵波首席数据科学家黄用韬提到，训练稳定动作时，模型可能需要平滑、相对收敛的轨迹；训练泛化能力时，物体种类、位置和操作方式又需要更加发散。数据质量很难用一套静态标准概括，真正重要的是把模型需求转化为可以量化、执行的条件，并快速检索、组合出合适的数据集。

觅蜂科技副总裁李茂青则提出，除了数据规模与质量，场景和任务的多样性、本体异构性也很重要，这几个维度同时超过一定阈值后，才可能出现较强的物理智能涌现。

在通用大脑的形成过程中，不同数据在各个阶段也承担着不同作用。

张建伟提到，Egocentric Data可以用于预训练，仿真合成数据既可以用于预训练，也可以用于本体相关的后训练；进入具体场景、具体本体后，则仍然需要真机采集的数据。黄用韬也将互联网数据类比为“看电视”，它可以帮助机器人先学习一个大概，但真正把任务做出来，仍需要在后训练阶段加入更贴近真机的数据。

朱兴对此给出了更明确的阶段划分：动作模型可以分为预训练、中训练和后训练。越靠近预训练阶段，越需要能够规模化扩展、提升场景泛化的数据，例如无本体数据和互联网视频；越进入后训练，目标越是针对具体场景和任务提高成功率，数据也就越需要贴近具体机器人、任务和环境。

预训练能力越强，机器人进入新场景时所需的真机数据才可能越少。

朱兴提到，数据的需求本身是模型训练来定义的，需要哪些场景和任务、轨迹应该如何分布、数据达到什么质量，都是模型在研发过程中非常核心的knowhow。接着，相关供应商再负责上量。

他透露，灵波较早便从采购成品数据转向定制化采集，并与供应商共同制定SOP，打通自动化数据管线和流式交付。据了解，其原始数据进入模型训练的可用率已经从约15%提高到90%以上。

数据飞轮何时才算真正运转起来？黄用韬判断：当行业不再关注怎么做加法，开始做减法，能够识别并删除无效或价值较低的数据，飞轮才能转起来。

四、场景既是通用大脑的验收场，也是下一轮训练的起点

怎么判断机器人大脑是否具备了通用能力？

沈宇军举了一个很直观的例子：给机器人搭载模型并接通电源，把它放进外滩大会会场，与周围的人接触。中途任务可以成功，也可以失败，只要能待满一整天不出问题，才有资格讨论机器人能否真正通用。

这个标准指向真实落地中最容易被Demo掩盖的问题：机器人能不能在开放环境中长期、安全地运行。

沈宇军认为，目前具身智能还缺少一套足够公平、被行业普遍认可的统一评测。不同公司的内部评测方法，实际上反映了各自希望模型发展的方向。对于灵波而言，更直接的评测来自商业落地。“我们希望（模型）3.0发布时，从合作伙伴那里听到的是，相比2.0，落地一次的成本又可以少十万块钱。这是我们从商业角度最认可的评测基准。”他说。

安全，是机器人进入真实世界绕不开的另一道门槛。

沈宇军举例，如果机器人正在倒茶，旁边突然出现一根裸露电线，它还要不要继续执行？人会感知危险并改变行为，但当前机器人主要通过数据学习，现实中的危险情况又无法全部穷举。他认为，这一问题需要学术界和科研机构提前探索，甚至可能需要新的理论和技术。

场景因此承担着双重作用：它检验模型是否形成了通用能力，也会暴露实验室数据没有覆盖的问题，为大脑的下一轮训练提供方向。

现阶段，让机器人进入场景干活，还要同时考虑能力和成本。

朱兴认为，现阶段生产力场景能否落地，首先取决于能力：环境不能过于开放，任务不能太复杂、太长程。当前主流可落地方案仍以模仿学习为主，最怕训练中没有见过的异常，任务越长，异常也越多。

其次还要算经济账。机器人即使能完成任务，如果成本超过创造的价值，也难以长期运行和规模化复制。

药房就是灵波用来探索这两个问题的场景之一。朱兴提到，大型药店在白天外卖订单高峰期和夜间都存在一定用工需求，机器人可以辅助完成部分药品拣选。同时，药房也提供了足够复杂的技术挑战：SKU类别丰富，机器人还要解决狭窄空间中的通行、避障和人机安全问题。

朱兴将这类介于严格To B和家庭To C之间的生活服务场景称为“2B2C”。它需要与人接触，也可以作为机器人未来进入家庭前的“前哨”，提前探索相关技术和商业问题。

朱兴表示，灵波更看重真实应用能否产生数据，让模型发现自身还有哪些不足，并形成迭代闭环。相比之下，投入两个月做一个非常炫目的任务，最终仍可能只是一个Demo。“我让团队搞两个月，可以让四个机器人打惯蛋，展示非常多的技术，但是也没太大意义。”朱兴开玩笑说。

商业化也因此需要控制节奏。灵波不会为了收入数字过度推进商业项目，但也不能完全回避商业化，因为只有付费项目才能带来更真实的检验。

朱兴称，现阶段更重要的是做“有限的商业化”，让技术、产品和团队能力在真实项目中不断成熟。

结语：机器人开始走出Demo之后

行业的这些讨论，一个很明显的感受是，行业对“通用大脑”的讨论正在变得越来越具体。

大家反复追问，模型能不能跨本体泛化？需要多少数据才能进入一个新场景？机器人能不能长期稳定运行？一套方案复制到第二家、第三家门店时，成本还能不能降下来？

这些问题看起来分别指向模型、数据和商业化，最终都在回答同一件事：一颗机器人大脑，到底怎样才算真正通用。

外滩大会现场，在药房、物流和工业场景干活的机器人还远没有达到真正意义上的通用，但至少行业开始把机器人从精心设计的Demo里拉出来，用更现实的标准检验它。