机器人们，进“大学”，求“深造”

尽管机器人技术发展多年，但距离真正意义上的 “智能”仍有明显差距。泛化能力弱、应用场景受限、商业化进程缓慢等问题，始终制约着整个行业的突破。即便在最新一代机器人身上，“摔跤”“反应迟缓”“判断失误”等基础性挑战依然常见。

深入分析发现，机器人的发展瓶颈已从硬件转向软件，最大的挑战仍然在于 AI 模型的突破。如果将机器人比作人类，硬件相当于发育完全的四肢，而 AI 才是真正的“大脑”，数据则是学习资料，腾讯云存储所构建的 Data Platform 数据平台，则相当于支撑其全面成长的“大学教育体系”。

帕西尼感知科技，作为国内领先的高精度触觉感知与具身智能核心技术企业，其 CTO 张恒第在日前的采访中指出：收集包含视觉、关节角度、动作轨迹、语音，以及极为稀缺的触觉模态在内的人类与物理世界交互的全模态数据，是一个非常庞大且复杂的工程，多方对比后，帕西尼把自己所收集的这些训练机器人所必需的全模态数据，送进“腾讯云大学”。

文 | 涵元

编辑| 浩然

本文为商隐社原创文章，转载请联系后台

机器人为何看着“笨”？

在今年4月的机器人马拉松大赛上，一台人形机器人缓慢前进，后面跟着几十位工程师，他们忙着调算法、换电池、抗干扰。即便如此，大多数机器人还是频繁摔跤，窘态百出。

这一现象背后，是早在20世纪80年代就由汉斯·莫拉维克等人提出的“莫拉维克悖论”：对人类而言困难的任务（如复杂运算），对机器反而容易；而人类轻松完成的动作（如感知与运动），对机器却异常艰难。

原因在于，前者对于机器来说，是做减法。大语言模型（LLM）等技术将人类上百万年积累的知识压缩到机器里，当你与 AI 聊天时，相当于你在与人类文明史对话。当你与AI比赛时，相当于你与更高维度的智力对抗。

而后者对于机器人来说，是做加法。以“拿杯子”这样的简单指令举例，机器人操作起来，要经历6个步骤、13个技术领域。

机器人对“拿杯子”动作的拆分

帕西尼 CTO 张恒第指出，人类执行的每一个动作，均涵盖触觉、视觉、关节角度、动作轨迹、语音等多维度信息。人类本可轻松完成的任务，对机器人来说却极为复杂。

张恒第进一步强调：“机器人与物理世界的每一次交互都产生海量数据。在帕西尼超级数采工厂，单日数据量可达150TB，年数据规模达百 PB 级别，传统本地存储完全无法承载。”腾讯云存储 Data Platform 所支撑的采集数据上传、存储、训练环节，便成为海量全模态具身数据高效推进产业跃迁的关键。

机器人也需要“上大学”

为解决机器人学习难题，行业领先企业开始将机器人送入“大学”进行系统训练。与人类不同，机器人的学习通过“训练数据-植入数据”模式完成，腾讯云存储 Data Platform 数据平台正是这所“大学”的核心基础设施。

我们先来看一下为何过去机器人学习不好：

● 一场数据饥荒。加州大学伯克利分校的机器人专家肯·戈德伯（Ken Goldberg）曾指出，人形机器人在技能获取上，与 AI 聊天机器人存在着天壤之别。其核心症结在于一场严重的“数据饥荒”，二者的差距为十万年。

● 泛化能力不足。机器人仅凭视觉信号难以获得现实世界的物理常识，这导致它们无法处理未知场景，无法进行常识推理，更无法在失败后进行基于理解的反思与调整。

●一个模型学习了与任务无关的特征(如视角、背景)跟动作之间的虚假相关性，而非理解语言指令与目标之间的真正关系。

比如，你向小孩介绍一只猫，下次遇到其他品种的猫，他也会反应出来这是“猫”。但如果你喂养一个机器人，前期需要向他输入大量猫的照片、类型、特征，训练成百上千次后，机器人才会明白，什么样的物种，可以称为猫。

这期间，如果有一只猫长了斑点，机器人就有可能将“斑点”与“猫”联系起来，遇到带斑点的衣服时，机器人也可能认为这是一只猫。

在这个过程中，数据量级、质量、处理方式，都会对机器人的反应造成重要影响。

基于全球顶级的触觉感知技术，帕西尼自研“人因”具身智能数据采集体系，采用“多维触觉数据采集手套 PMEC ”+“空间视觉矩阵”的方式，高效、高质地采集机器人所需的与物理世界交互的全维度数据，用以帮助整个行业加速实现智能泛化进程。帕西尼选择了腾讯云存储 Data Platform 数据平台，张恒第介绍，他们看重腾讯云的点为：

一是海量弹性存储。腾讯云存储提供了海量、安全稳定、低成本的存储支持，满足具身智能行业对海量统一存储的要求。自动冷热数据分层，热数据极速响应，冷数据沉降至低成本 COS 对象存储。

二是模型训练加速。TB/s 级吞吐与亚毫秒级访问延迟的数据处理流水线，消除 GPU 等计算资源的数据供给瓶颈，确保算力资源高饱和运转，提升大规模模型训练与推理效率。

三是智能化数据治理。提供全局元数据索引与语义检索能力，实现语音、视觉、传感流等异构数据的自动关联分析与血缘追溯，提升文件检索效率，为仿真决策提供高一致性训练样本，激活多模态数据协同价值。

“腾讯云的优势在于：可以将数据快速加载到分发系统里并调取数据。工具链完整，调取模型不必借助其他工具。即时反馈，看到模型需要修改处，帮助我们快速迭代。提供良好仿真环境，让我们在部署前就能在云上进行大量仿真验证。安全能力高，有效防止外部攻击。Data Platform 算力调度能力强，可以投放大量仿真任务。我们可以只用几行简单的命令，就能便捷地使用各种服务，非常方便。”张恒第说。

在腾讯云“大学”，数据被加工提练为可用“教材”，最后统一输出给机器人，让机器人突破本体限制，实现云上进化，正如人突破了肉身限制，实现认知升级。

从“硬件驱动”到“智能驱动”：

机器人步入“智斗”时代

在机器人进化史上，“硬件先行”曾是行业共识，但如今形势已变。培养具备认知与决策能力的“机器人大脑”，不再只是技术趋势，更是产业发展的必然选择。

从历史维度看，缺乏软件支撑的机器人注定被淘汰。以日本本田公司开发的阿西莫（ASIMO）为例，这款曾集奔跑、踢球、倒咖啡等技能于一身的机器人，在诞生22年后黯然退场。其根本原因在于，阿西莫每个动作依赖三万行控制代码手动编写，无法适应AI驱动的新时代。相比之下，现代机器人通过 AI 训练，仅用几小时就能掌握后空翻、打太极等高难度动作，效率与灵活性形成鲜明对比。

帕西尼 CEO 许晋诚指出，中国在机器人硬件制造上已位居全球第一梯队，但“成年人的身体不能配小孩的脑子”。仅靠硬件性能的堆砌，无法满足现代产业对柔性生产、个性化服务和快速适应的需求。

在这一背景下，“智斗”能力成为机器人的核心竞争力。

帕西尼 CTO 张恒第强调：“短期目标是持续迭代帕西尼包括传感器、灵巧手、人形机器人、数据采集系统等触觉产品矩阵的能力；长期目标是通过带有重要触觉模态的全链条具身智能核心技术，推动 AI 与物理世界的深度融合，加速具身智能在物理世界中的认知与操作能力进化。”在这一进程中，腾讯云提供的存储与算力支持成为关键基础设施。通过其高可用、高并发的数据处理能力，有望降低具身智能研发的门槛，加速“智能涌现”时刻的到来。

当前，机器人厂商正积极构建“数据飞轮”闭环——通过实际场景中的数据反馈持续优化模型，进而提升机器人的智能水平。帕西尼的 TORA-ONE 机器人已应用于医疗、物流、工业制造乃至地铁安检等多元场景，不同领域的数据特性与任务需求，进一步凸显了云端训练与迭代的重要性。

如今，在腾讯云存储构建的“大学”环境中，机器人正实现从单体智能到群体智能的跨越。当机器人从这所“大学”毕业之时，就是其真正融入人类生活、开启智能新纪元的开端。