银河通用王鹤谈具身智能「GPT时刻」标准

机器人会打网球、会转笔、会做早餐，是否意味着具身智能已经接近真正的通用化？

银河通用创始人兼首席技术官王鹤的答案是，单项任务的成功只能证明技术能力可行，真正决定产业是否迎来拐点的，是这些能力能否跨场景、跨任务、跨本体复用，并以足够低的成本部署到真实环境。

8月19日-23日举行的世界机器人大会（WRC 2026）期间，王鹤在银河通用主办的《具身智能大模型的进化之路：从技术分级到产业落地》论坛上发表演讲时表示，单点能力只是具身智能的第一步，下一阶段的竞争将转向通用模型、数据基础设施和规模化部署能力。

银河通用把具身智能的发展划分为四个阶段。第一阶段，在复杂运动项目中达到人类业余水平的“AlphaGo时刻”；第二阶段，建立统一模型和数据范式的“GPT-2时刻”；第三阶段，能够在多样化环境中完成广泛任务的“ChatGPT时刻”；第四阶段，最终在物理世界和认知领域全面超越人类的“AGI时刻”。

在王鹤看来，通用化的关键，是将机器人的“大脑”与“小脑”连接起来。其中，大脑负责理解环境、解析任务语义和进行长程规划；小脑负责将高层意图转换成实时、精确、可靠的全身动作。两者之间还需要一个“脑桥”，把低频的任务决策与高频的运动控制连接起来。

这一分层回应了具身智能长期面临的一项矛盾——负责理解和规划的大模型通常推理频率较低，而机器人与物理世界交互需要百赫兹级的实时反馈。仅靠一个端到端模型，很难同时处理长程推理和精细控制。

为解决“大脑”的通用化问题，银河通用提出世界动作模型WAM，将VLA的动作生成能力与世界模型的环境理解和预测能力结合起来。银河通用称，其AstraBrain-WAM 0.5能够融合仿真、真机和人类行为数据，并在跨场景、跨本体和多任务操作中实现能力迁移。

在“小脑”一侧，银河通用推出AstraBrain-WBC 0.5通用小脑基座模型，通过大规模人类运动数据学习，将人的运动意图迁移到不同的人形机器人本体上。

如果这一路线成立，机器人运动控制将不再依赖为每一种动作单独训练一套策略，而可以逐渐形成类似基础模型的能力，增加数据和模型规模后，获得更强的零样本运动泛化能力。

对于行业频繁讨论的具身智能“ChatGPT时刻”，银河通用给出了更具体的能力基准。第一，机器人应当具备零样本泛化能力。在不进行任务特定工程开发的情况下，面对人类常见任务能够达到70%至80%的成功率。第二，机器人系统必须足够容易部署。客户不需要拥有专业的AI团队，只需采集少量现场数据并完成轻量级后训练，便能将成功率提高到接近实际使用要求。

这个定义把“技术演示”和“产业产品”区分开来。客户真正关心的，是机器人进入一个从未见过的场景后，是否能够直接工作；出现新任务时，是否需要重新组织一支算法团队；场景发生变化后，能否快速恢复。

为解决模型进入新场景后的适配问题，银河通用提出WAM-TTT，即World-Action Model Test-Time Training。WAM-TTT希望依靠人类第一视角视频完成场景适配，无需重新采集机器人动作数据，也无需进行动作标注。其基本流程是：模型先完成基础训练；进入客户现场后，由人类在真实环境中示范任务；系统从人类视频中学习场景、物体和任务信息，再把相应能力迁移到机器人上。

这一方法真正解决的是具身智能的边际部署成本。如果每进入一家工厂、一家门店或一个家庭，都要重新采集大量机器人数据并开展数周训练，那么通用模型仍然只是一个昂贵的项目制工具。只有把适配过程压缩到普通用户也可以完成，机器人能力才可能像软件一样规模化复制。

具身智能的另一项难题，是缺少类似互联网文本的海量标准化数据。银河通用构建了AstraData数据基础设施，覆盖人类动作数据、合成仿真数据、真机遥操作数据和真实部署回流数据，并配套推出采集设备、仿真平台和可视化数据管理系统。

银河通用披露，其AstraData体系已覆盖超过100万小时人类动作数据，其中包括高精度UMI数据和第一视角人手数据；真机遥操作数据的日产能达到1500小时，真实场景回流数据超过8万小时。

不过，银河通用强调，数据规模本身并不是目标。并非所有数据皆具训练价值，只有能够提高模型真实任务表现的数据，才是有价值的数据；反之，只有经过真实场景部署和验证的模型，才能证明其有效性。

这意味着具身智能的数据竞争将不只是“谁采得更多”，而是“谁能建立数据—模型—部署—回流的闭环”。训练数据提升模型能力，模型进入真实场景产生新的反馈，反馈再用于筛选和优化训练数据。只有当这一飞轮持续运转，具身模型才可能随着部署规模扩大而不断进化。

以下为「明亮公司」整理的王鹤以《推动具身智能与人形机器人的核心突破时刻》为题的演讲内容（未经演讲人审阅）：

#01 从「AlphaGo时刻」走向通用具身智能

今天，我想和大家探讨一个问题，如何推动具身智能和人形机器人实现技术突破，并真正走向通用。

我们认为，要实现人形机器人的通用化，需要具备两个核心条件：一是能够完成不同任务的通用硬件本体；二是能够驱动本体完成复杂任务的通用机器人“大脑”。

过去一段时间，全球科技界都在关注机器人运动能力的进步。我们把机器人在复杂运动任务中达到人类业余水平，称为具身智能的“AlphaGo时刻”。

今年，我们展示了人形机器人自主打网球的能力。网球是一项非常复杂的运动。机器人不仅需要保持身体平衡，还需要完成实时移动、挥拍、击球和回位；它既要控制全身，也要精确控制手腕和球拍，同时还要判断来球轨迹、落点与速度。

这些动作不是预先编排好的，机器人需要感知对手的击球，根据球的状态实时完成全身运动规划，并连续处理多回合交互。

我们实现了人形机器人与人类进行多回合自主对打。这项工作发布后，在全球科技社区引起了广泛关注，也得到了包括Elon Musk在内的科技界人士回应。

我们能够实现这项能力，重要原因之一是仿真强化学习。机器人可以在仿真环境中进行大规模训练，相当于在很短时间内积累人类上万年的练习经验。通过解决仿真到真实世界的迁移问题，机器人在现实环境中也能够完成复杂的动态运动。

除网球之外，我们还探索了灵巧手的复杂操作。在此前的春节联欢晚会中，机器人完成了手中转核桃的动作。这类任务涉及密集接触，不能仅依赖固定轨迹。两个核桃之间、核桃与手指之间的接触状态会持续变化，任何一个细小误差都可能导致任务失败。

要完成这样的操作，模型必须学习物体与手之间的动力学关系，并在真实环境中根据反馈不断修正动作。我们采用了仿真强化学习与真实数据反馈结合的方法，使机器人能够逐步掌握这类高难度灵巧操作。

我们还实现了机器人在真实环境中转笔。过去的一些方案只能在仿真中完成，而我们希望这些能力最终能够进入真实物理世界。接下来，我们还会继续探索更多不同姿态和不同方式的转笔动作。

网球、转笔和转核桃都是复杂任务，但这些仍然只是单项能力。真正的具身通用智能，不能只在一个任务上表现出色，而要把这些能力迁移到更多任务、更多场景和更多机器人本体。因此，机器人需要从“专才”走向“通才”。

我们认为，通用人形机器人需要同时具备通用大脑和通用小脑。

通用大脑负责理解世界、理解人的指令、规划长期任务，并决定接下来应该做什么；通用小脑负责把高层任务转化成快速、精准和稳定的动作。

两者处理问题的时间尺度不同。大脑可能以每秒数次的频率进行任务理解和规划，而小脑需要以每秒数百次的频率控制机器人的身体。中间还需要一个脑桥，把大脑产生的高层动作意图传递给小脑。我们将这套系统称为“银河星脑”AstraBrain。

在大脑层面，我们面临的核心问题是如何定义适合机器人使用的基础模型范式。过去比较主流的方向是VLA，也就是视觉—语言—动作模型。VLA可以根据视觉输入和语言指令直接输出机器人动作，但它依赖带有机器人动作标签的数据。

机器人数据与语言数据不同。互联网天然存在大量文本和图像，但机器人动作数据需要通过真机、遥操作或者仿真单独采集，成本很高，而且容易受到机器人本体结构的限制。

另一个重要方向是世界模型。世界模型能够从大量视频和人类数据中学习环境变化规律，并预测未来可能发生什么。但是，传统世界模型主要负责理解和预测，并不直接生成机器人动作。

因此，我们提出世界动作模型WAM，也就是World Action Model。WAM希望把VLA的动作生成能力和世界模型的环境理解能力结合起来，让同一个模型既能够理解世界、预测动作后果，也能够直接生成机器人的动作。

我们希望WAM能够吸收多种类型的数据，包括仿真数据、真实机器人数据、人类行为数据、高质量数据、低质量数据、有动作标签的数据和无动作标签的数据。只有这样，机器人模型才可能摆脱对单一本体和单一数据来源的依赖。

#02 WAM如何实现跨场景、跨本体和多任务泛化

我们推出的AstraBrain-WAM 0.5，目标是实现跨场景、跨本体和多任务的操作能力。一个重要变化是，我们不再只在像素空间中学习，真实场景中的光照、纹理、背景和物体外观经常变化，如果模型直接依赖像素信息，环境发生轻微变化，就可能影响动作预测。

因此，我们让模型在潜在空间中学习更稳定的物理和动作表示，过滤掉与任务无关的信息，把注意力集中在物体结构、空间关系、接触状态和动作后果上。我们的训练数据包括高质量机器人动作数据，也包括存在噪声或者动作并不完美的数据，还包括人类第一视角视频。

人类视频通常没有机器人动作标签，但其中包含了大量对物体操作和环境变化的知识。如果模型能够从这些视频中学习动作之前和动作之后的状态变化，就可以把人类数据转化为机器人可利用的训练资源。

实验中，我们看到随着训练数据规模和模型规模增加，模型的动作预测误差持续下降。这说明世界动作模型同样可能存在Scaling Law。

在模型预训练的基础上，我们还使用真实机器人强化学习进行后训练。例如在机器人制作早餐的任务中，任务链条很长，环境中还可能不断出现干扰。机器人需要抓取餐具、处理食材并完成多个连续步骤。如果其中一个步骤失败，后续任务就可能全部中断。

经过真机强化学习后训练，机器人能够在受到一次或者多次干扰后继续完成任务。我们还在继续提高任务长度，希望机器人能够自主完成持续十分钟以上的早餐制作任务。

这类能力与提前编排动作有本质区别。机器人不是机械地执行固定轨迹，而是在任务过程中持续感知环境、判断状态并调整动作。

#03 通用小脑让人的运动能力迁移到机器人

除了负责认知和规划的大脑，机器人还需要通用小脑。我们推出了AstraBrain-WBC 0.5通用小脑基座模型，希望机器人能够从大规模人类运动数据中学习全身控制能力。

人类可以自然地完成走路、跑步、弯腰、转身和伸手等动作。对机器人而言，每一个动作都涉及全身关节协调、动态平衡和实时反馈。传统方法通常为每一种动作单独训练策略，训练成本高，而且难以迁移到新动作和新本体。

通用小脑的目标，是学习人的运动意图和身体协调规律，再将这些规律映射到机器人本体上。在我们的演示中，同一套系统可以驱动不同的人形机器人完成动作，也可以根据训练数据中相近的运动模式，对没有见过的动作进行泛化。

随着人类运动数据从百万帧扩展到更大的规模，模型的零样本运动误差持续降低。我们认为，小脑模型同样具备通过数据和模型规模持续提升的可能性。

未来，机器人在面对应急救援、消防、消杀等场景时，需要根据人的意图快速获得相应的运动能力。通用小脑可以降低每一种新动作都从头训练的成本。

#04 如何定义具身智能的「ChatGPT时刻」

行业经常讨论具身智能什么时候会迎来“ChatGPT时刻”。我们认为，需要先给出一个相对明确的能力标准。

在数字智能领域，ChatGPT最重要的特点之一是零样本泛化。用户不需要为每一个问题重新训练模型，只需要通过自然语言提出需求，模型就能够完成大量日常任务。具身智能也应该达到类似水平：

第一，在不进行任务特定工程开发的前提下，机器人对于人类常见任务应当具备零样本泛化能力，并达到70%至80%的成功率。这里强调的是不针对单个任务重新编写规则、不采集大规模专项数据，也不重新设计整套系统。

具身模型必须容易使用和部署。客户不应该必须拥有一支专业的人工智能团队，才能让机器人适应新场景。理想情况下，客户可以采集少量现场数据，上传系统并完成轻量级后训练，把任务成功率进一步提高到接近100%。整个适配过程应当压缩到一天至一周，而不是持续几个月。

如果机器人能够达到这两个标准，就意味着它不再是为一个任务定制的自动化设备，而开始具备真正的通用产品属性。

#05 WAM-TTT：只用人类视频完成场景适配

为了进一步降低模型部署成本，我们提出WAM-TTT，也就是World-Action Model Test-Time Training。

传统后训练通常需要机器人在目标场景中采集动作数据。这个过程不仅成本高，而且存在安全风险。WAM-TTT希望在部署阶段只使用人类第一视角视频，不需要机器人动作标签。

人先在目标场景中完成任务，模型通过视频理解环境、物体、操作顺序和任务结果，再把相应技能迁移到机器人上。这种方式有三个特点，只需要人类数据，不需要动作标注，并且可以通过少量专用参数进行快速学习。

我们的目标是让机器人进入新的客户场景后，不再依赖大规模重新采集真机数据，而是让现场人员通过自然示范帮助机器人完成适配。只有把部署过程变得足够简单，通用模型才可能真正进入不同工厂、门店和家庭。

模型的持续进步离不开数据，但并不是所有数据都具有相同的训练价值。

我们构建了AstraData数据基础设施，覆盖人类动作数据、合成仿真数据、真机遥操作数据和真实部署回流数据。

在人类动作数据方面，我们从2021年开始布局第一视角人类—物体交互数据，并发布了HOI4D数据集。此后，我们继续建设更大规模的人类动作数据体系。

我们推出了Astra Set数据采集设备，包括第一视角环境感知终端Astra EGO和精细操作数据采集设备Astra UMI，用于记录人的视角、手部动作、空间轨迹和物体交互信息。

目前，AstraData支持超过100万小时的人类动作数据，其中包括50万小时高精度UMI数据和50万小时第一视角人手数据。

在合成数据方面，我们建设了AstraSynth合成数据平台，整合场景、物体、机器人本体、物理仿真和渲染工具，用于批量生成机器人训练所需的数据。

在真机数据方面，我们在多个城市建设遥操作数据采集能力，日产能达到1500小时。在真实部署端，已经积累超过8万小时的真机回流数据。

我们认为，数据的价值不能只通过数量判断。有些数据规模很大，但无法提高模型在真实任务中的表现；有些数据数量有限，却能帮助模型解决关键失败模式。

因此，只有经过真实场景验证的模型，才是有用的模型；只有经过大规模模型训练和部署验证的数据，才是有用的数据。

我们希望形成一个持续循环：数据用于训练模型，模型进入真实环境执行任务，部署过程产生新的反馈和数据，再利用这些数据继续优化模型。只有形成这样的闭环，具身智能才可能随着部署规模扩大而不断进化。

#06 从模型能力走向产业生态

具身智能不可能由一家公司独立完成。我们正在推动开放生态建设，希望更多开发者、科研机构和产业伙伴参与模型、数据、应用和工具开发。

我们希望把机器人本体、银河星脑、数据基础设施和开发工具逐步开放给合作伙伴，让更多开发者能够在此基础上构建新的任务与应用。

回到今天演讲的主题，具身智能正在从单项能力验证走向通用基础模型，从实验室演示走向真实产业部署。

我们已经看到了复杂运动和灵巧操作的“AlphaGo时刻”，正在建设统一模型与数据范式，也在向具身智能的“ChatGPT时刻”迈进。未来，机器人需要理解环境、制定计划、完成行动，并在真实世界中持续学习和进化。

只有当这些能力能够以低成本、可复制的方式进入工厂、商业场景和家庭，具身智能才真正具备推动新一轮产业变革的基础。我们相信，具身大模型将成为人形机器人走向通用的关键，也将推动智能从数字世界进一步进入物理世界。