ntent="t" data-mid="" mpa-from-tpl="t" >01

ntent="t" data-mid="" mpa-from-tpl="t" >泛化能力：真正的关键点

过去一年，我们在硬件和动作表现上取得了不少突破，比较有代表性的，还有我们马年春晚上表演的节目《武BOT》，融合中国传统功夫文化与AI训练，让机器人在舞台上做出了极具观赏性的复杂动作，我觉得这是一个很好的科技和文化交流案例。

随后，我们还在天坛做了一个50台机器人的震撼表演。

但过去几年，我们公司其实一直在推动另一件更重要的事情，就是让机器人真正走进生活、去工厂干活。

2024年，我们就开始和汽车工厂合作，在汽车生产线上做一些落地应用，包括我们自己也在工厂部署机器人，进行一些简单测试和落地。目前公司绝大部分AI团队，都在做机器人真正进入家庭或者工厂干活这件事情。

但为什么现在机器人还没有被大规模推广？最主要的原因，就是目前机器人的效率和泛用性还不够。

简单来说，虽然目前机器人已经能够做一些简单的装配，但它的效率和人相比还是更低一些。另外，每次有新的任务过来，还需要重新进行训练，整个部署效率也比较低。

所以我们还是希望把技术的泛化能力做得更好以后，再进行大规模推广。这也是目前全球共同面临的最大瓶颈。

今年4月份，我们也在百米测试中跑出了约10米/秒（36km/h）的峰值速度，刷新了人形机器人奔跑速度的世界纪录。

这款机器人是基于我们第一代人形机器人H1改制的，后面我们也可以在上面安装轮子，让它更加灵活。

大家也知道，目前机器人基本都是AI驱动，而AI目前又基本是数据驱动。有多少数据，尤其有多少高质量的数据，很大程度上决定了AI能够做到什么程度。

所以我们也在自己采集数据，或者和第三方公司合作，给大家使用，也给我们自己使用。

数据驱动仍然是非常重要的一件事情。我个人认为，真正的AI机器人训练数据，还是需要海量的真人数据或者互联网数据作为主要的预训练数据，再加上一部分真机数据。这是两类非常刚需的数据。

如果从数据量的角度来说，真人数据可能会更多或者更加重要一些。但真实的真机数据也非常重要，因为我们需要让机器人真正和物理世界进行匹配。

今年5月份，我们还发布了一款应该是全球第一款量产级的载人机甲。这款机器人也非常有意思，身高大概3米多，载人以后重量大约500千克。

它有点像一辆越野车，并不是给在家庭或者城市里面使用的；很多情况下，比如户外徒步，或者在一些非常复杂的环境下进行运输，就可以使用它。它还可以变形成四条腿的模式，这样稳定性会更好一些，越障能力也非常强。

ntent="t" data-mid="" mpa-from-tpl="t" >02

ntent="t" data-mid="" mpa-from-tpl="t" >从提前训练到实时生成，

ntent="t" data-mid="" mpa-from-tpl="t" >AI开始接管机器人的动作

前几个月，我们还演示了一个基于多模态和端到端的自动AI动作生成。

大家也知道，我们过去做很多常规的机器人动作演示，基本都是提前训练好的。但这部分动作是基于实时语音生成的。

具体来看，一句话说完以后，首先要进行语音识别，识别以后上传到云端，再由云端进行AI动作生成。

动作生成以后，还要进行一些动作验证，确认没有问题以后再下发给机器人。所以整个过程目前还需要几秒钟的延迟。

但我们的目标，是希望未来机器人真正应用落地的时候，它的动作能够完全实时生成，而不是提前进行编程。

比如，我们可以直接告诉它“双手平举向前走几步，然后再走回原点”。因为现在还有语音处理的过程，所以会存在一点延迟。

这种自动生成的方式目前也有一个不太好的地方，每一次生成出来的动作会存在一定差异。你跟它说同一句话，它今天和明天做出来的动作，可能都会有一些细微差异。

另外，我们也在推动机器人真正到会议室里干活。

我觉得这也是非常重要的一件事情。像我们公司自己的会议室有时候就比较乱，所以会议室整理其实也是一个很刚需的应用。

我们主要在一个会议室里进行数据采集和训练。如果把会议室任意打乱以后，机器人可以把它恢复到干净整洁的状态。

因为目前完全是端到端实现，所以它的运动效率还相对比较慢。

这同时也是一个多任务场景。我们在这里大概布置了7到8个不同的任务，通过一个模型让机器人自动切换，不同任务都能够直接执行，而且具备一定的抗干扰能力。

正因为它是由AI实时生成和实时识别，所以大家可以看到，它的动作可能还没有那么流畅。机器人每走一步，动作都需要进行推理，所以动作的丝滑程度会稍微差一些。

这个功能也是我们最近一直在开发的。我们希望一台机器人能够真正去做像会议室整理这样的事情。这种场景相对有实用价值，并且难度又不是特别高，我觉得还是非常有意义的。

另外，我们还在刚才语音自动生成动作的基础上进一步做了一件事情。

刚才的动作生成本身不带交互或者干活能力，只是在生成动作；这部分则是在语音驱动的情况下，让机器人的动作真正能够完成任务，同时搭载一个多模态模型。

比如问它“你看到了几盒药”，机器人可以识别出一共有三盒药，一盒红色、一盒蓝色、一盒黄色。而且它可以具备一定的抗干扰能力，并不是简单执行一个固定动作。

ntent="t" data-mid="" mpa-from-tpl="t" >03

ntent="t" data-mid="" mpa-from-tpl="t" >本体继续迭代，

ntent="t" data-mid="" mpa-from-tpl="t" >机器人还在跑得更快、走得更远

前段时间，我们还发布了最新一代轮足复合四足机器人Unitree As2-W。

这款机器人比较轻量化，自重约25千克，但它的负载能力和续航都非常强，而且基本上能够防雨水，在室内和室外都可以使用。

因为比较轻量，在正常日常生活中使用，或者在一些工业场景中使用，都会比较方便。

而且我们目前把一些人形机器人的技术重新放到了四足机器人上，让四足机器人的灵活性进一步提升，包括它的负载能力也比较强。

我们还是非常希望把这款机器人真正落地到一些场景里，比如户外徒步。

前段时间，我们也升级了去年一款小型四足机器人Unitree As2的灵活性。

另外，我们前段时间还预览了一款人形机器人 “超人”。这款机器人开发时间比较短，到现在为止大概只花了三个多月。从某种意义上来说，它目前还只是一个预览产品，并不是正式发布。

它目前最快速度已经达到12.66米每秒，已经超越了目前全世界历史上最快人类的奔跑速度；它的跳高高度，目前也基本上超过了人类历史上的最高跳跃高度。

ntent="t" data-mid="" mpa-from-tpl="t" >04

ntent="t" data-mid="" mpa-from-tpl="t" >具身智能真正的临界点，

ntent="t" data-mid="" mpa-from-tpl="t" >是“80%的陌生场景”和“完成80%的任务”

再回过头看最近几年具身智能AI模型的发展，目前比较主要的流派包括VLA模型和世界模型。当然，今年大家可能听到最多的还是世界模型这个方向。

我们公司对AI模型这块的投入一直非常大，而且应该也是目前公司资金和人力投入最大的方向。

其实我们在2020年初就开始做基于视频生成的世界模型，但是到2020年底，做出来的效果不是特别理想，所以中间稍微搁置了一段时间。从去年开始，我们又重新大力发展基于视频生成的世界模型。

很多人都会好奇，真正的通用机器人，无论是人形机器人还是半人形机器人，什么时候能够真正走进生活、走进家庭？

我认为现在全球最大的瓶颈，还是具身智能的泛化能力不够。

简单来说，目前全世界很多AI模型，在一个固定场景里，如果进行足够的数据采集和训练，任务成功率基本可以做到接近100%。

但是，只要它操作的物品发生一些变化，或者环境稍微换一下，成功率就会下降得非常严重。

所以我希望，快的话可能两到三年，慢的话可能五年或者十年。

评价具身智能具备真正通用能力的指标也非常简单。把机器人带到80%左右的陌生场景里，通过语音和语言指令，它可以完成80%左右的任务，我觉得这是一个非常重要的临界点。

为什么现在还没有达到这个时刻？

最大的一个瓶颈，是目前AI模型的输入和输出，与真实机器人的对齐程度还不够。

比如让机器人移动，把一些东西装配在一起，或者把一个物体搬到另一个位置。从大的趋势来看，现在的模型其实没有太大问题，大差不差能够执行你的任务。

问题往往发生在最后几个厘米，甚至最后几个毫米。

机器人去拿一个东西的时候，看起来已经快要拿住了，但是最后一点点误差，它没有办法很好地修正，这就会导致整个任务的成功率严重下降。

所以我认为，目前全球具身智能最大的瓶颈，就是AI模型的输入和输出，与真实世界之间仍然存在偏差。

为什么机器人模型会出现这个问题，而在一般的语言模型或者多模态模型上表现却没有这么明显？

因为语言模型处理的信息，本身就是数字编码的。一个文字输入是什么、输出是什么，它严格限制在一个向量空间里面，基本不会产生特别大的偏差。

简单来说，它不会产生现实世界中的物理误差。但是对于机器人来说，每进行一次输入和输出，都可能存在偏差和损失。

所以这也是目前全球机器人模型泛化能力和成功率相对较差的一个原因。但我觉得未来几年，这个问题必然是可以解决的，只是还需要一些时间。

ntent="t" data-mid="" mpa-from-tpl="t" >05

ntent="t" data-mid="" mpa-from-tpl="t" >让AI接管研发，开启机器人的“自进化”

另外，我也在这里介绍一下我们昨天刚刚提出的正在预研的事情。

过去很多年，尤其是过去几年，大家已经大量使用AI做编程或者AI开发。但对于AI真正的使用，我觉得在机器人领域的开发上还是相对欠缺。

所以公司最近一段时间正在推动的一件事情，就是直接让物理AI机器人模型实现自进化。我们的想法，是使用目前最前沿、最顶尖的AI大模型来驱动。

我们自己设定一些规则、经验、约束和工具，让AI自己去网上搜索最新的论文、最好的研究成果，以及各种优秀的开源方案，然后自己去编程，生成机器人的控制代码。

控制代码生成以后，可以先放到仿真环境里面运行，也可以调用一些大模型，然后再去控制实物机器人。等真正部署到实物机器人后，我们再进行测试、评价和打分。

一部分评价和打分可以由AI模型自己实现，另外一部分也可以由人来参与。

因为人的经验非常重要，人其实很容易判断出来一个结果究竟是好的还是坏的。所以一旦整条逻辑形成一个体系并真正运行起来，机器人的开发效率会高很多，整个迭代速度也会非常快。一旦这个流程持续运行一段时间，就可以真正实现机器人自我进化能力的提升。

这里有一个最简单的示例。

左下角是一个Coding智能体，它可以自己编写机器人的一些控制代码，包括很多具体代码。

如果大家有兴趣可以试一下。目前很多简单的深度强化学习算法，让Coding程序自己进行自动编程，效果其实已经不错了。

然后，我们把这部分编程结果放到仿真环境里面进行验证和训练。训练完成以后，再把它放到实物机器人上进行测试。

测试以后，再由AI模型以及人工进行评价和打分，确定这个效果到底怎么样，再把结果反馈给编程智能体，从而形成一个正向循环。

这只是一个最简单的示例，真正使用的时候会比这个更加复杂。

我觉得这是当下以及未来几年全球都非常值得做的一件事情，有以下几个比较简单的原因：

第一，随着每个月、每一年基础模型能力的提升，这套自进化循环本身的能力也会进一步提升。

所以它是一套非常良性的机制。某种意义上，它可以持续跟随整个全球AI技术的进步。

第二，它可以使用更加多元的数据。

大家也知道，单纯依靠人工去使用和处理数据，效率非常低。如果使用这套自循环，我们可以把各种训练数据，包括真实世界数据和人的数据都用起来，数据使用效率会更高。

第三，它可以带来更多的真机部署。

随着我们的真机部署越来越多，会有更多测试数据，也会产生更多评价指标。这样一来，整个数据利用率和数据增长就能够得到保证，也可以逐渐实现数据的规范化。

另外，我们每天或者每个月还可以不断累加技能，而不是今天开发了一个技能，明天这个技能又被浪费掉。

真正使用AI，把机器人的开发效率或者机器人进化效率大幅度提升，我觉得是未来非常值得做的一件事情。这同时也是开启物理AI机器人的机缘。未来这个方向，应该会有越来越多人去推动。

站在当下这个新的起点，尤其是在AI大爆发、全球关注度都非常高的时期，整个机器人的进化速度已经大幅提升。

未来十年，机器人的发展速度可能比我现在预估的还要更快一点。

（：AI科技评论）