具身智能模型还在7年前水平？银河通用王鹤说出了行业现实

“ 今天我们的 具身智能基础模型水平呢，大约是数字世界GPT-2的一个水平，行业的发展和我们整个行业的时间比较短，预计将在2028年达到ChatGPT对应的水平。”

昨天世界机器人带坏WRC期间， 银河通用机器人创始人、首席技术官（CTO）王鹤对媒体表示，通过海量综合数据训练，具身智能基础模型能在未经专门训练的任务上直接达到70%-80%成功率，媲美当年数字模型的对话水平。

他判断，按当前数据积累速度和模型收敛趋势，行业有望在2028年底前迎来具身智能的“ChatGPT时刻”。

也不知道王鹤老师是不是从千寻智能高阳身上获得到的灵感，今年中关村论坛上王鹤做主持人，高阳在现场做出了类似判断。

但反正，如今王鹤还是耿直说了一下。

要知道，GPT-2是 OpenAI于2019年2月首次发布的，到了当年10月才开始对外开源；而那一年，王鹤还在斯坦福大学攻读博士，没回国到 北大，也没做银河通用。

换句话说，在王鹤和高阳看来，如今大家数百万小时的真机训练和仿真数据、60TB的数据，最后训练出的具身智能模型，也就是7年前AI大模型水平。

看破不说破。

人形机器人现在天天跳舞，天天表演，连天天玩运动控制的众擎机器人都开始到立讯精密里面上班干活了。

所以你看，做机器人大脑和交互，比运控重要多了，也难多了。

今年WRC堪称“干活天堂”，都是拿药、运快递，非常同质化，所以可以看出行业泡沫......

老板们都想找新的demo场景、新的应用落地，而观众们总想看新鲜感，孩子们不管不顾想握手，但最后发现，你和别家做一样的事，内卷、竞争、卷海外。

看了八年的机器人，我也开始有点对机器人麻木了。

说回王鹤。

在WRC演讲中，王鹤说，“ 第一个里程碑是我们要在一件事当中证明人形身体的价值，充分发挥人形身体的价值。 ”

这是很关键的一点，人形机器人做了这么久，最后做出和ABB机械臂一个效果可不太行，但现在能拿出手的，都是demo阶段。

例如，王兴兴就耿直了一把，昨天演讲中直接说，宇树 “ 超越人类突破极限 ” 机器人 演示 demo—— 原地跳高可达2米、极限速度12.66m/s，超越人类原地跳高和奔跑速度纪录，最后其实就训练了三个月，而且还是试验品，目前还无法交付。

而银河通用的网球demo似乎想要落地一把。

今年3月， 银河通用机器人发布全球首个面向网球对抗的人形机器人全身实时智能规控算法“LATENT”，让机器人不仅能与人类进行多拍对拉，甚至还能实现机器人之间的自主对打。

如今，银河通用通过超越1万年的时长去进行仿真器里的对打训练，长期积累的仿真及强化学习，可以让机器人可以用网球全场跑动、全身自主运动，并且操控的能力，去展现人形机器人能力。

但就像2016年DeepMind AlphaGo一样，如何在塞满一堆摄像头的机器人上，真正长时间打败人类，还是一个新命题。

今年机器人运动会开幕式上，这个演示似乎要放在真实场景中测试一下——希望多点干扰，看看模型真实能力。

“人形机器人既需要高层级的动作意图的生成、轨迹大致生成，又需要全身的控制、高频的反馈，所以我们像人一样为人形机器人搭建了大脑和小脑，中间通过脑桥连接，沟通慢的大脑和快的小脑，这样整个一套仿生框架就是银河星脑面向通用人形机器人的基座大模型。这里的大脑和小脑都是大模型，每一个都寻找它的GPT范式。什么是大脑的GPT范式呢？谷歌提出了VLA，OpenAI提出了世界模型，这两个模型各有优劣。VLA它能够吸收大量的动作数据，但它只能吸收有动作标签的数据，世界模型能吸收大量视频数据，但是它仍然不会学习机器人每个关节该转多少度角，所以真正融合VLA和世界模型，能够融合机器人有动作标签的数据和人类海量场景无动作标签的数据，去学习人类操作的经验，这样范式就是世界动作模型。”

要知道，王鹤是圈内是公认的"合成数据派"掌门，银河通用的核心理念就是用合成数据做Scaling，而不是靠真人遥操。

但如今的王鹤和银河通用，既不再执着于合成数据（Sim2Real），也不执着做轮式和拿药场景，甚至还想做宇树的长板——运控训练。

所以，我们都要认真思考，研究人员是不是要拿掉惯性，要把自己固执拿掉，开拓新赛道，玩玩新的方向，做世界模型、具身模型、自回归很枯燥，找找熟悉的赛道，做点有价值的事情。

银河通用首次发布的人形双足机器人Galbot ET1，宇树的王兴兴昨天双手给这个机器人的官方视频点了个赞。

虽然一年前产业链的同学就说银河通用这产品都开始试产了，但一年后，这款产品还是在一群“同质化干活”机器人当中让人眼前一亮。

ET1的核心突破，在于其背后银河通用首发、专为人形机器人实时多模态交互与运动控制打造的全自研物理世界原生智能体——AstraBrain-Agent，让机器人能够实时观察周围环境，理解人类语言指令，并动态思考、规划自身行为和动作序列。不同于传统预设流程，AstraBrain-Agent让机器人真正拥有了在物理世界中持续学习、持续进化的能力。

此外，在WRC现场，银河通用Galbot S1展示30公斤级物料的拆垛、搬运与码垛任务。

在复杂工业环境中，机器人需要持续感知周围变化，并根据物料状态实时调整动作，才能满足生产线对于效率、精度和稳定性的要求。目前，S1已在宁德时代产线实现7×24小时常态化运行。

同时，银河通用也已与上汽、北汽、博世、现代等产业伙伴展开合作，推动具身智能进一步进入制造体系。

但说老实话，这个一脑多机，好像在银河搬运上面不奏效。如果看完优必选的搬运，你会觉得S1这个真的有点“老爷车”。

anyway。

银河通用在上市前夕，想要对外做的事很简单：我有本体，但我更想讲的是，通用具身智能的完整叙事。

让机器人走进真实场景，ET-1的拟人交互、G1在家庭与零售中的惊艳操作、S1在工业场景中的稳定运行，以及北汽鹏龙行等伙伴的二次开发实践——背后驱动一切的，是同一个“具身大脑”银河星脑。

不仅如此，技术、场景、生态的飞轮，将决定银河通用落地的故事能否长期讲下去。

“人形机器人，生来它是为人类服务的。”王鹤表示。

最后我想提一点关于王鹤的小细节。

在我的接触当中，有些教授、CEO，和媒体、用户与开发者之间确实有距离感，但他们的距离感属于“高高在上”。

比如大厂出身的一些CEO，知道什么能说什么不能说，直接都交给下属做，自己只沾手那些高高在上的样板活。

但王鹤老师的距离感，是属于特别专注于技术的专业性，其实对内是非常不错的人，性格很好，说话非常真诚，很会体谅同事，也会夸媒体的问题，而且价值观极正。

对于外部的讨论，他还是喜欢默默无闻做技术，对内实事求是、有耐心地做研究工作。

前天演讲前夕，我在WRC场馆外面遇到了王鹤老师。

他下车后看到旁边拎包的银河通用女同事，拿着看起来很累，他说：xx，我拿一下包吧。

虽然说这是一个小细节，但其实是极少数能对下属做出的涵养和尊重动作的CEO。

如果对于芯片那些老登CEO，甚至是有些大厂副总裁来说，这种话基本说不出来，同事拿包是惯性，我闷声发大财、下属给吹上天。

所以，我还是挺喜欢王鹤老师这种技术男性格，真实、真诚。

最后照例放一下王鹤对话全文（在不改变原意下有一定润色）：

问：我想问一下，从技术创新的突破，到最后模型商业价值的实现，推动着中间最后关键的一公里是什么？在您看来，我们要跑通商业化最后一公里的核心的驱动力在哪？是类似于银河心脑这样的基础模型？还是说在于我们产业数据的积累和模式的跑通？

王鹤：我觉得这个问题，其实非常的关键。

今天，我们讲具身大模型和人形机器人的落地。最终，是看它能不能成为一款好用且普遍适用的产品。所以这里头，我们第一要强调的是基模的能力。如果我们的基础模型不能够做到在绝大多数的事情上，零样本的就有一定的能力，基本上，模型的水平还无法支撑大规模的普遍性的应用。所以这里第一个要素其实是银河星脑这样的基础模型，有没有问鼎像 ChatGPT 或者是 GPT- 4 那样的水平的数字模型，当年他们在数字世界里头对应的能力。所以第一个点是基模。

第二个点，你有很好的基模，但是，你能不能把它商业化？这是第二件事，对吧？

我们看到，ChatGPT 时刻出来以后，其实大家虽然全球感到很兴奋，2022 年的时候，但实际上商业应用也就是跟它聊聊天。

我们具身去已经看到了数字世界走的这条路以后，我给我们的一课是什么？就是提前准备好，你有这样的基模以后，怎么能加速你的落地？这是为什么？银河通用我们今年提出了 1M TTT，世界动作模型测试时训练这一技术。这一技术，让我们的客户，可以只通过拍摄他们干活的视频。用这个视频不需要任何标注，不需要任何遥操，就可以后训练我们的基模，使我们的基模获得它在客户场景里能干活、干好活的能力。这样的话，就让一款基模能够快速的适配客户的任务和场景，这样就用起来了。这两个，都是从模型的层面去讲。

还有第三个层面，大家可能现阶段，很多企业都是忽视的，就是你的硬件支不支持它是一款可靠的硬件，是一款用户可以信赖的硬件。所以，我们银河通用，其实从 24 年 12 月开始，我们就率先落地了药房。我们的机器人今天，已经累计在北上广深等一线的将近 100 家药房里头，拣药超过 100 万盒。

那么我们的整个硬件，耦合我们的模型，已经跑通了非常长的无故障时间。现在的无机械故障时间，已经达到了一年半，我们再往三年、五年去努力。那么只要达到这样的一个水平，你的模型和你的硬件耦合在一起，会让用户用的放心，而且也用的省心。我觉得这个是去快速的把具身推向大规模商业化的几个必要的条件。

问：我看到我们今年展位上有工业的，有服务的，有商用的，包括我们之前展出的能打网球，这些它像刚才您讲的基模，这些能力它是通用的吗？还是说我们要定制去不同的场景开发不同的机器人？

王鹤：
其实这是一个很好的问题，我在世界机器人大会我们昨天银河通用的分论坛，包括，马上我要在的主论坛发表演讲，我也会讲到，现在，具身智能基础模型的。就是水平和它的路线图。实际上，今天我们具身基模的水平，大约是，如果对应数字世界当年的一个水平，大约是 GPT 2 的一个水平。这个是行业的发展和我们整个行业的时间比较短决定的。

预计将在两年，就是2028 年，我们达到 ChatGPT 对应的水平，大约是GPT 3.5 到 4 之间。

所以在这个时间点，实际上，模型还不具有零样本在各行各业全部都能够作业的能力。

这个时候，我们其实是比较依赖对指定行业进行更进一步的中训练，还有对比较难的任务进行后训练的。

所以说，今天我们看到的，比如说服务家庭，服务搬运，服务各种具体的任务，它还是需要如果他们的任务非常不一样，你看起来他们非常不一样，大概率，需要不同的后训练。

但是这样的情况跟当年 GPT- 2 的时候，其实是非常像的，如果你直接把这个模型拿出来。在你感兴趣的语言任务上跟他直接测试，你会觉得这个水平达不到你的预期。所以今天，其实整个行业的现状是这样的。如果你有这么一个任务，你愿意投入资源去进行后训练。你几乎都能把这个任务做好。

其实马上世界人形机器人运动会的成绩也会出来，大家看到我们银河通用在我们参加的，包括家庭，包括商超，几个赛道非常长的任务，最长的一个任务整个时长二十几分钟，我们都拿到了几乎的满分。所以其实今天我们的模型是能干活的，但问题是什么？它投入的研发资源，它仍然需要我们的专业人士参与后训练。这样的一个投入，实际上是不能够立即在全行业进行特别大规模的部署的。所以这就是为什么我们的模型，要进一步加强它的基模水平，进一步的减轻后训练的需求。这样的话，它的整个投入产出比会就是越来越好。行业的规应用规模，就能够实现从千台、万台、十万台、百万台这样的一个一个数量级的跳变。

问：第一个，我看我们昨天那个新闻稿里面有提到，我们在那个宁德时代的机器人已经可以实现 24 个小时的连续运转。另外，我们去年就开始跟那个上汽集团有一些合作，也说明他要进这个汽车车间。这两个场景，你们现在目前是到了一个什么程度？就比如说还是 POC 阶段，还是说有一个预期的规模化商的时间点的目标？

王鹤：对，其实，在宁德时代，我们就是已经度过了单台的 POC 和单一工厂的落地的验收。目前，在宁德时代数十个工厂里进行横展。我们的做的任务，从堆垛，拆垛，码垛，到很多稍微精细的操作，比如说拧螺丝，比如说搬运一些比较形状不太规则的物体，包括分拣等等等等。今年，其实是有一个预期不小的一个整体的交付量的。所以其实银河通用，扎根泛汽车的场景，包括汽车厂，从早些时候，我们在奔驰，北汽、上汽等等，到电池厂，宁德时代，我们，其实获得了挺好的全方位的，全很多合作伙伴的认可。我们看到，虽然今天就是针对这些合作伙伴，我们仍然需要训练一个工业的垂类模型，对他们的部署，还需要工程师进行后训练。但是，其实我们交付的模型和机器都已经能很好的完成他们产线上，他们生产车间里的任务了。我相信，随着基模能力的不断增强，那么这一应用规模，将在我们问鼎具身的 ChatGPT 时刻之后，得到一个巨量的增长。

问：就是奇瑞的人说至少需要 5 年，可以机器人去汽车车间打工，你认可这个观点吗？

王鹤：不是的，首先现在银河我们的机器人已经在车厂的车间打工了，包括进行就是车厂里头很重要的是零部件的分拣，这边有一个总装线的零部件的货架区，就是。这个零部件区非常大，我们的机器人，根据订单，直接从上面取下零部件以后，转移到旁边的 AGV 小车里，这个小车，自动开到总装线上，让工人，装到车上。其实它，已经在非常密集、非常重复这样的作业区发挥作用了。我觉得可能问题是什么时候能够做到，比如爬进车里去安装、去拧螺丝，这个，其实还是需要双腿的。双手的人形，我相信这个可能是奇瑞讲的 5 年的一个时间。好。

问：我想问一下，就是关注一下中国这个机器人，其实作为这个新兴三样的代表，现在在海外市场非常受欢迎，您觉得它受欢迎的理由是什么？是它的稳定性还是什么？另外我想了解您和通用现在在海外整体布局，包括下一步我们的这个布局的规划。

王鹤：我觉得，特别是耦合了具身大模型的人形机器人，可能是全世界范围内，到今天为止，科技含量最高，人工智能含量最高，且产业链最长的一个复杂的产业，以及它产出的产品。

所以说在这件事情上，中国我们以非常好的硬件的供应链，包括世界领先的具身智能水平，我们营造了一个全世界独有的一个生态，能够产出真正的领先世界的产品。所以说，我觉得中国的具身智能，是非常有希望在全世界范围内进行引领，甚至是长期领先的，这是为什么？昨天就是开幕式上也讲到，中国的人形机器人出货在全球的出货里占到了 80% 以上，10 台机器人里有 8 台是人形机器人里就 8 台来自中国。

现在的阶段，其实我们看到，在全世界范围内售卖的机器人里头，部分是一些平台，交给别人去研发的，部分是真实的落地。真实的落地这部分，其实就额外的还要体现你的模型能不能干活。所以像银河通用，我们，跟德国的博世联合的公司。我们也有很多海外的大客户，包括西门子等。

银河通用的机器人，也进入了宁德时代，所以这也是遍布了全球。

我们看到，其实海外，比国内面临着更严峻的劳动力短缺的挑战，并且，愿意为人形机器人付出更高的价格。实话说，在海外落地机器人的价格，其实或者是获利的空间。

确实是对中国的人形机器人来说，是一个重要的机会。

这也是为什么银河通用也把出海作为了重要的战略，我们在欧洲，在日韩，在中东，包括美国都有我们的客户。这块也会是我们现在把二开生态进一步打开的一个重要的市场。

也就是说，我们会用我们的基模，我们的整套数据采集管理的链路，包括我们的所有的硬件设备。去赋能全球的客户，让他们，既可以享用我们的解决方案，也可以用我们的二开平台去搭建他们自己的具身团队，去研发他们想研发的任务、技能和产品。那么这样的话，我相信，这个整个全球的具身市场，特别是在能干活的具身智能产品上，会进一步的蓬勃发展。

问：咱们昨天那个星仔（人形双足机器人 Galbot ET1），就是我看他那个跳舞挺流畅的，我感觉我见过特别惊艳，然后那个就是，他那个你刚说了一个，就是那个说是他是自己学习，就学会了。这个是真的，就是这么这么夸张吗？

王鹤：是这样的，它有几个先决条件，自学习的一个前置条件，是它已经拥有了一个通用的小脑，那么其实这块，就是我们讲的银河星脑里头的全身控制脑区，它，是我们吸收了 10 万小时的人类的全身运动的数据，训练通过仿真器和强化学习 SimtoReal 技术训练出来的一个能够任意跟踪，人类各种动作的这样的一个通用小脑，所以昨天我们在这个分论坛我的讲座里给大家体现了，就是一个人类，他可以远程遥控我们的机器人去进入一些什么火灾，消杀，各个的场景去做各种动作。那么有了这样的一个通用小脑以后，我们只要把遥控的人类换成，你看一个前面前的，比如说街舞，演员去跳一个动作，把他的动作全部给提取出来。实时提取，用视觉实时提取出来，就变成了刚刚的说有人在远程遥控的替代物，我迅速的把一套舞蹈内化，给跳出来。所以说，这个自主学习它的基础其实，是先有一个通用的大小脑，有自主的从视觉里提取信息的能力，最后，是我当时讲到的一套智能体的框架，能够让它去安排，是先看再学，再展现出来，等等等等。那么最后就成为了咱们昨天在分论坛上看到的效果。

问：刚刚那个星仔，他背后 10 万小时的训练里面，仿真数据和真实的人人采集这些数据里面，比例大概占比是多少？另外现在行业里边都会认为汽车行业面临仿真到现实的一个鸿沟的问题，您认为应该怎么去解决这样的一个现象？

王鹤：首先第一个问题，就是说他的动作的源头数据都是人类的数据，无非是高精的人类数据，就是动捕棚里头拍出来的，还是，就是我们从互联网视频里头提取出来的，没有。动物，那么。高精但量非常大的，这个比例，是我们的技术的细节，但是，所有这些提取出来的人类的动作，都要经过仿真器，就是所谓的 Real to Sim，那么进入到仿真器里进行强化学习以后，再 Sim to Real。

你谈到的从仿真到真实的鸿沟，实际上是所有的试图用仿真器加强化学习的厂商都会面临的共性的问。问题，所以这是为什么我们银河通用大力发展，长期以来大力发展银河星仿为基础的整个的自研仿真器和 SimPro 框架。我们不仅在昨天看到的，包括手倒撑地去摆一个停顿的动作，还有灵巧手的各种转笔，转核桃这种世界只有我们有的技能上，都展示出了强大的 SimPro 能力。那么这个背后，其实有丰富的knowhow，也是我们银河通用引领世界的一个技术能力。

问：机器人进家庭还要多久？

王鹤：其实，我们今天看，整个的小人行都处在一个技术上，不断的为进入家庭做准备。已经在一些交互场景，包括室外的引流，包括在养老院去跟老人们进行互动，带着他们去做一些就是健身操等等上取得了应用。进入家庭，其实今天我们必须要面对的一个问题就是极致的安全。因为家庭的客户都是普通老百姓，他没有很多的技术的能力，出了问题他也不一定知道怎么样去。让机器人停止，保证安全。所以我相信，行业围绕着具身的物理安全，还有一段时间要走，最终，能把这些好的产品真正送到每一个家庭里，让他安全的用起来，好吧？

问：就是随着这个具身机器人的学习能力越来越强，我们怎么去通过技术来保证他学的就是好的、善的、美的？咱们做到真正的科技向善，咱们银河通用做了哪些前瞻性的布局？

王鹤：其实科技向善，是银河通用一直以来坚守的原则。

可以看到，我们率先落地的这些场景，比如说我们在 24 小时药房里的落地，它就是为了夜间能给很多突然间生病，或者需要药品的患者送去药品。

机器人工作。过去其实是一个人一次性值班 24 小时。夜间两三点钟有订单来的时候，会被一个铃闹起来。非常困的，还要从几千个药里找到对方订的药。

所以，既有可能出现误差，而且，我们真实的从客户了解到，他的员工的流失率是比较高的。包括我们在宁德时代里搬运的一些物体，又重又危险，会有一些可能的处理不到，会有一些爆炸的风险，而且，也都是高强度的。

那么像这样的活，现在是没有人愿意干，或者是，有可能对身体有损伤，那么我们用人形机器人去替代。

所以，这个往未来长期，银河通用，我们会关注并长期去针对中国未来的老龄化、少子化和劳动力在劳累的不愿意做的场景里的短缺去提供解决方案。从模型角度，实际上，今天大家不用太担心，具身大模型，目前，并。训练的主要的方式是加强他的做操作的能力，而并没有在他的思想，他的这种自由意识上进行训练。所以其实我们今天的模型，你不用担心他失控，因为，他根本他的所有训练就是让他听你的话，不存在说训练当中让他去有感情，说我累了，我不想干了，这些部分。他都完全没有去刺激这个模型，去让他形成这样的感受。那么应当说，人形机器人生来他是为人类服务的。所以只要我们在训练当中，去这个强化他的服务意识，不去对他在数据，在去 inject 这些让他有破坏的，让他有偷懒的想法，那么其实你会发现他永远不会脱离掌控。

我举一个例子，我们在药房抓了。这个 100 万盒药，没有一盒药抓错。为什么？因为，我们就告诉模型，每一盒药你必须是图片的匹配，上面的药的名字的匹配，旁边的条形码，包括还有追溯码，都得检验，你才能把这个药放到袋子里。你发现你这么训练它永远不会偷懒，但是，咱们人反而是在困顿的时候，在自己觉得很有信心的时候，它就会跳步骤。

在这样的问题上，我们的机器人都不会偷懒，大家也不用担心未来机器人会在有意识的去攻击或者是违反我们人类的命令。当然，更长远的来讲，会不会人工智能受到挟持？会不会，有恶意的人去给人工智能注入这些有危害的数据？

我相信，这样的人工智能的安全治理，既是数字世界大模型，也是物理世界大模型的共性问题。那么这个一定是需要法律和国际的法规一同我们来约束的。

©本文为原创内容

未经授权，禁止转载