具身智能陷真实数据匮乏瓶颈 硅谷三大流派角逐机器人大脑

具身智能陷真实数据匮乏瓶颈 硅谷三大流派角逐机器人大脑 相比依靠海量低质数据扩容，通过高质量专精数据训练以获取元学习能力是突破机器人通用智能落地瓶颈的关键。 视频回顾了机器人控制技术从 1961 年编程指令到 2025 年 VLA（视觉-语言-动作）统一模型的演进之路，并阐述了大模型能力、算力成本与硬件供应链对具身智能爆发的支撑作用。随后，节目对比了当下三大闭源流派：注重软硬件深度耦合的全栈整合派（特斯拉、Figure AI）、主张以专精数据带动元学习泛化的垂直突破派（Dyna Robotics、Skild AI），以及争夺标准与工具链控制权的生态平台派（英伟达、谷歌等）。最后指出，虽然目前各家 Demo 惊艳且量产落地仍有阵痛，但商业化落地正循序渐进地向现实逼近。 2025年被称为“机器人基础模型”元年，机器人控制经历了从固定编程、路径规划、模仿学习到强化学习的漫长演变，如今正跨入统一大模型驱动的新时代。 (0:00) 大语言模型能力稳定、算力成本腰斩以及硬件供应链成熟构成了具身智能爆发的三大支柱，但物理世界真实本体交互数据的匮乏仍是 VLA 模型演进的最大瓶颈。 (8:52) 全栈整合派主张软硬件深度耦合，特斯拉 Optimus 在量产推进中遭遇硬件调整，Figure AI 则通过划分小脑控制与大脑长程推理的自研 Helix 模型来攻克“具身鸿沟”。 (15:00) 垂直突破派（如 Dyna Robotics）通过在单点复杂任务中沉淀高质量数据以获取元学习能力，展现出物理世界基础模型更看重数据质量而非盲目扩大参数的 Scaling Law 特性。 (24:50) 英伟达、谷歌与 OpenAI 等平台派正在竞逐开发者生态与底层标准制定权，全行业商业化正呈现出从商用垂直场景稳步切入家庭服务的清晰路径。 (32:32)

节目《硅谷101》梳理了机器人“大脑”60年的范式演进，指出2025年以视觉-语言-动作（VLA）统一模型为核心的具身智能迎来爆发元年，并在通往通用物理智能的路径上分化为全栈整合、垂直突破与生态平台三大闭源流派。 60年范式迭代与VLA爆发三大支柱 (8:52) 人类为机器人构建“会动手的大脑”历经四代探索：1961年的编程式机器人仅能执行死板代码且容错率为零；1990年代感知-规划范式虽成就了扫地机器人，但在柔性物体操作上极易失效（伯克利实验叠毛巾耗时24分钟）；2010年代的行为克隆依赖海量人工演示，数据效率极低；2016年后的强化学习则因缺乏物理常识且试错成本高昂、具破坏性而难以落地。2022年大语言模型成熟后，研究界催生了融合视觉感知、语言常识规划与动作执行的VLA统一模型。 节目分析认为，2025年具身智能基础模型爆发主要由三项要素催化：大语言模型的推理与常识能力进入稳定增量期；算力单价大幅腰斩降低了千卡训练门槛；中国供应链的成熟压低了电机与传感器等硬件成本。然而，真实物理交互中缺乏关节角度、受力等本体传感器数据，依然是当前最核心的瓶颈。 全栈整合派：双系统架构与具身鸿沟 (15:00) 全栈整合派坚信基础模型必须与本体硬件深度耦合。特斯拉试图将自动驾驶FSD的端到端神经网络与标注能力平移至Optimus，马斯克断言其将贡献公司80%的价值，但其实际落地面临挑战：2025年原定5000台量产计划在组装1000余台后被迫因硬件重构而暂停，现场亦出现动作失误。此外，全栈派利用人类视频迁移训练时，普遍遭遇人手与机械手结构差异所导致的“具身鸿沟”（Embodied Gap）。 Figure AI在2025年初脱离OpenAI合作后推出Helix自研模型，估值升至390亿美元。该模型设计了System 1（小脑：负责35个自由度的毫秒级低延时动作协调）与System 2（大脑：负责慢速语言长程推理）双层架构，以解决传统大模型响应迟缓的痛点。该流派本质上押注于“大模型+海量数据+软硬一体”能够暴力突围出通用智能。 垂直突破派：元学习与专精数据法则 (24:50) 以Dyna Robotics和Skild AI为代表的垂直突破派主张“先专精后通用”。Dyna Robotics开发的Dyna-1模型在洗衣房等单一复杂任务中实现了24小时折叠超700件餐巾、99.4%以上的成功率。其实践表明，在单一复杂任务上使用高质量数据进行深度预训练，模型获得的“元学习能力”可将新任务的迁移学习周期从数月大幅缩短至一到两天。 该流派指出，机器人的物理Scaling Law与纯文本LLM存在显著差异。LLM能容忍低质语料，但机器人对物理一致性极其敏感，碰撞与接触噪音会被神经网络放大并导致错误物理感知。因此，相较于训练粗糙泛化的百亿参数模型，使用高质量专精数据训练10亿参数模型并在真实物理交互中进行强化学习优化，是更为高效的落地路径。 生态平台派：行业标准争夺与终极对赌 (32:32) 生态平台派着眼于制定行业底层标准与工具链垄断。英伟达在2025年发布GR00T N1，通过将其与Omniverse仿真平台及硬件算力紧密捆绑，试图打造机器人领域的Android生态；谷歌依托Gemini 3、RT系列开源数据集及吸纳波士顿动力专家，推进平台级控制研发；OpenAI在分道扬镳后重启本体控制研究并注资Physical Intelligence；Meta则由Reality Labs牵头探索微操世界模型。 这三大流派展现了对具身通用性的不同假设赌局：全栈派赌通用性来自软硬件一体的大模型扩展；垂直派赌通用性源自专精任务培育的元学习与高质数据；平台派则赌掌握仿真工具链与开发者接口才是最终赢家。 节目指出，2025年的机器人产业仍处于Demo惊艳但规模化部署极少的阶段（如Figure商业化部署仅数十台，特斯拉量产延期）。但从商用场景（布草折叠、餐饮辅助）向家庭场景延伸的商业化路径已愈发清晰，技术演进正以1至2年为周期快速逼近实际生活。

[0:00] 如果说 GPT 是“会说话的大脑”，那么机器人基础模型就是“会动手的大脑”。 [0:00] 视觉识别 3D 坐标 -> 规划轨迹 -> 执行抓取 [8:52] 为什么机器人操作需要 Language [8:52] 第一步做什么、第二步做什么 [0:00] 毛巾是软的 [15:00] 机器人基础模型不能与硬件分离，必须实现软件与硬件的深度耦合。 [24:50] 从专精到泛化 [24:50] Dyna 团队: 在一个单一复杂任务上做到深度专精（使用高质量数据进行 Pretrain），模型获取的“学习能力（元学习能力）”会极大地提升其迁移到全新任务的效率。 [24:50] 与其训练 100 亿参数的粗糙泛化模型，不如训练 10 亿参数的高质量专精模型，配合真实物理交互中的强化学习来进行自我优化。 [32:32] 未来的赢家不一定是技术最强的，而是生态控制力最强的。 [32:32] 通用性等于“足够大的模型 + 足够多的数据 + 深度软硬整合” [32:32] 通用性等于“深度专精带来的元学习与迁移能力” [32:32] 通用性等于“生态标准化” [32:32] Demo 极其精彩，大规模商业落地仍需时日

[0:00] 2025年机器人公司发布的demo都有点魔幻首先是Figure AI在10月份发布了第三代机器人能够做各种家务demo也很酷炫但是任务的成功率嘛反正业界是有很多质疑的而且我很想吐槽这个设计它这个脸实在是恐怖股效应有一点严重啊你看之后10月底发布demo的另外一家明星公司onex就聪明了很多感觉是让大家更愿意搬到家里的但是这个叫Neo的这款机器人依赖远程操控被批评是假智能而且有各种的隐私问题同时特斯拉的机器人虽然也发布了各种demo的更新包括在12月发布的非常顺滑的跑步demo但是明显量产计划在2025年是遇到了极大的挑战让公司不得不暂停生产要重新设计硬件更别提最近的一次亮相还遭遇了一次小小的翻车我们卖个关子那我们的机器人系列视频呢,已经聊了零挑手,也出了一期比较综合的做了一项2025年的巨神智能的年终总结啊,那我们接下来来深聊一下这个产业的一个核心技术,机器人基础模型,我们试图回答这样哪个问题啊,为什么2025年突然变成了机器人基础模型的元年呢?如何被训练出来如何接入真实世界以及不同路线背后的技术与商业逻辑带你看清大模型时代的机器人大脑究竟是怎么长成的?哇你这还没有机器叠得好看!那么在这一集呢我们先来聊一聊目前资本市场的宠儿避远系统但是呢在回答这些问题之前呢我们先得搞清楚一个更加基础的概念哈到底什么是机器人基础模型?那如果要用一句话,解释机器人基础模型最简单的类比呢,就是,如果说GPT是会说话的大脑,那么机器人基础模型啊就是会动手的大脑,但这个会动手的大脑,人类研究了整整60年才做出来,我们先来回顾一下大模型出现以前的四大机器人范式,来,让我先带你回到1961年。那一年世界上第一台工业机器人Unimate在通用汽车的工厂里上班了他的工作很简单从生产线上抓起滚烫的金属零件放到另一条生产线上那从现在的眼光看啊他蛮傻的因为呢完全靠编程工程师用代码告诉他步骤一手臂向左移动30厘米步骤二手爪闭合步骤三手臂向上移动50厘米步骤四手臂向右旋转90度步骤五手爪松开听起来很傻对吧但是在当时这已经是革命性的突破了这种方式的问题很明显零容错零灵活性如果零件的位置偏了一厘米机器人就抓不到了如果换一个不同尺寸的零件就得重新去携带更别说应对意外情况比如说零件掉在地上机器人就彻底的不知道该干什么了在工厂这种高度可控的环境里这套方法管用了几十年直到今天还在用这套编程式的逻辑那到了90年代啊机器人学家们意识到光靠编程不行机器人呢得能够感知到环境于是呢出现了SLAM也就是定位与地图固件还有呢运动规划这些技术这里的核心思路是先用传感器看周围的环境建立一个3D地图然后在地图上规划路径最后执行动作这个方式最成功的应用是什么呢扫地机器人凤鸣一时的Zumba就是这么工作的它用气光雷达扫描房间建立地图然后规划一条覆盖所有区域的路径再按照路径移动遇到障碍物就绕开这套方法在导航任务上很成功早期的无人车 无人机 物流机器人基本上都是这个套路但是在操作任务上就不行了,为什么呢?因为操作任务太复杂了。你想让机器人叠一条毛巾,传统的方法是四步:第一,用视觉识别毛巾的四个角,第二,计算每个角的3D坐标,第三,规划手臂的运动轨迹,第四,执行抓取,折叠放下。听起来挺合理,但是实际操作中到处都是坑,毛巾可能会皱成一团根本就十倍不出来四个脚,而且毛巾它是柔性的,你一抓它就变形,3D坐标立即失效,每一步都有可能出错,一出错整个流程就崩了。 [5:00] 2010年加州伯克利的一个研究团队就做过一个实验让机器人叠毛巾用的就是这套感知到规划到执行的方法结果呢平均一条毛巾要花24分钟而叠毛巾这件事情在如今AI时代来临之后呢也同样是非常核心的需要基础模型去驱动机器人攻破的任务这个呢我们一会儿来讲那既然手工设计规则不行能不能让机器人直接学人类怎么做呢?这就是行为克隆的思路也叫模仿学习同样以叠毛巾为例机器人模仿学习会这么做让人类演示很多次怎么叠毛巾然后记录下每一帧的视觉输入和动作输出之后训练一个神经网络学习输入输出的映舍最后机器人看到毛巾直接输出该做什么动作2015年Google Brain的一个团队用这个方法,让机器人学会了抓取各种物体,他们收集了数十万次抓取的数据,训练了一个神经网络,推动了视觉到动作学习在机器人抓取任务上的进展。这可以说是个巨大的进步哈,那第一次呢,机器人不需要手工编写规则,可以通过数据学习了。但是这个方法有个致命的缺陷就是数据效率太低,它需要数十万次抓取数据来训练,而且呢这只是抓取这一个动作啊,如果要学叠毛巾,那可能一百万次的演示都不够了。机器人上基本上就不能用那接下来呢就来到2010年的强化学习时期了2016年AlphaGo战胜了理事时证明了强化学习的威力机器人科学家们也在想能不能让机器人也用强化学习自己摸索出怎么完成任务呢强化学习的核心思路是不需要人类掩饰让机器人自己尝试做对了给奖励做错了给惩罚才能够获得最多的奖励。当时波士顿动力的机器人就开始将强化学习引入移动控制系统,让他们能在各种复杂的地形上行走、跳跃或空翻。但是强化学习也有个大问题,就是太慢了。AlphaGo为了学习下围棋,在仿真环境里面和自己下了几千万局,但是机器人操作任务很难在仿真环境里面练,因为环境复杂度太高,非常难设置,导致仿真不准,但是真机试错,太慢太贵太危险。想象一下让机器人学点毛巾他可能要试几百万次,其中大部分的时候会出现的情况是抓空,把毛巾认定上,把毛巾撕破,还有手臂被卡住等等。这样学下去要到猴年马月呢,而且强化学习有个更根本的问题,就是他不知道常识,人类知道毛巾是软的,可以折叠的,有一定的摩擦力。需要通过无数次试错才能够发现这些常识也就是说这样的效率太低了故事终于来到了2025年大语言模型的出现是改变了一切2022年ChattGPT恒空出世人们发现大语言模型里面蕴含了人类世界的大量尝试它知道毛巾是什么蝶是什么意思先做什么后做什么它有推理能力规划能力散化能力语言里面的第一反应就是能不能把大语言模型和机器人结合起来VLA Vision Language Action模型就诞生了那VLA模型的革命性在于它把三个东西统一到了一个神经网络里面分别是Vision视觉就是看到当前的场景Language 语言理解任务 目标和常识还有Action 动作输出具体的控制指令那举个例子啊你对机器人说帮我把桌子上的苹果放到篮子里那么传统方法需要四步第一呢 视觉识别苹果和篮子第二 规划抓取苹果的轨迹第三 规划移动到篮子的轨迹第四规划放下的动作那VLA模型呢一个端到端的神经网络直接从语言指令到视觉输入输出下一步该做什么动作更神奇的是呢他会尝试推理比如你说帮我准备早餐面对着家庭环境他就知道要从冰箱里拿出鸡蛋鸡蛋要小心拿不能摔碎面包呢要放进烤面包机这些尝试啊不需要你一条条的编程因为大语言模型里面已经有了我们其实在architecture 层面就是用了VLA那VLA简单来说就是我们拿了大模型领域VLA [10:00] 所谓的Battle但是我们会在最终输出结果的时候把这个结果转化成在机器人领域可用的actionAction 直观理解就是你可以把它转化成比如说我要把这个手臂移动到某一个坐标点的这一些命令VLOA其实大家诟病最多的是为什么我们需要L language因为其实在过去传统的机器人算法里面很多都是纯基于视觉而且你想人其实在执行很多操作的时候大部分时候也是基于视觉的但是你仔细去想其实你大脑其实会产生类似于语言的东西去告诉你在一个长线任务中到底你第一步做什么第二步做什么然后你可能会根据视觉比如说你去拧屏盖你脑子里不会出现说拧屏盖三个字你才去拧对吧因为它已经足够小所以我们觉得啊L的作用就在于对于一些非常复杂的任务的时候它是可以通过在大语言上面已经训练出来很多逻辑性的东西他知道比如说你要喝水那你需要找杯子或者找瓶子对吧这个是通过大语言模型已经直接可以给你的一些东西那做利用VLA的主要目的其实就是如何把language跟vision能够更好的结合起来否则你如果只有vision你能做的任务可能就都是短线的你做不了任何长线的需要去做推理的一些任务所以这是我们为什么去非常专注的引入这个语言这部分的主要原因那为什么2025年成了巨神智能基础模型的原点呢因为三个关键的因素都在这一年同时的成熟了那么第一个因素就是大语言模型够用了2024年到2025年OpenAI and Adobe Google这些公司陆续发布了新模型但语言模型已经差不多成熟了至少对于机器人需要的那部分能力也就是理解指令规划任务尝试推理已经足够好了第一是大模型本身已经趋近于成熟你们可以看到最近不管是OpenAI还是其他的这些公司其实发布的模型已经是增量式的增长它不是像可能从3.5到4的时候的这种跨越式的增长所以我们觉得大模型的能力已经趋于稳定而且已经足够可以为聚生智能提供一个很好的基础所以这是从模型层面的一个最重要因素那第二个因素呢是算力价格腰斩再腰斩2023年做一张NVIDIA H100 GPU是天价还得排队才能拿到货而随着GPU云服务商的价格战打响和NVIDIA的GPU大量扑货储倡公司们都做得起起千张卡来训练模型了整体的算力的强度肯定是越来越强每一年其实因为它都会包括其他的这些芯片公司都会做更强的芯片那等效的算力价格其实也在降低隔几年可能你的等效的价格就可能变成了过去的一半所以计算的增强对于整个聚生智能也有很大的催进影响第三个因素是硬件供应链成熟这个变化很多人都没注意到2024年随着人型机器人热潮自本涌入了上游零部件厂商特别是中国的供应商们电机 解速器 传感器这些东西原本都是小众产品但是从2024年开始好几家供应商都拿到了大额融资开始扩产硬件便宜了做机器人的门槛就降低了第三是整个机器人硬件的各种零部件的成熟度其实相对是比较高的特别是从去年开始火热起来的这一波人型的助推我们用很多的精力跟资本去投入到很多基础部件包括电机啊包括减速器啊这些部件的一些研发那这一块的成熟度和成本其实都有提升和降低所以我们觉得这个时机会比较成熟一些那这三个关键元素呢让2025年成为了一个特殊的时间窗口基于VLA的新一代范式的机器人就跑出来了2025 the year of the humanoid robot但是呢VLA模型也不是完美的而它的核心挑战呢就是数据大原模型可以用互联网上的文本训练但是机器人需要的是真机数据也就是必须有机器人本体的传感器数据而这种数据互联网上根本没有YouTube上有无数人类叠衣服的视频但是没有一个视频告诉你手指关节的角度是多少施加的力量是什么这就是为什么这场军备竞赛的核心除了算法还有数据谁能够用最低的成本残息到最高质量的数据谁就能够主导这个市场关于机器人的数据呢我们也会单独的出一期大家不要忘了关注我们的频道不要错过更新哦所以大家看啊 [15:00] 机器人基础模型不是凭空冒出来的它是60年的技术积累的极大成者它积累了编程式机器人的精确控制基于模型方法的环境感知行为克隆的示范学习强化学习的自我优化再加上了大语言模型的常识推理这才是真正的基础模型那可能你想知道啊现在搭载了VLA模型的机器人都到什么程度了那我们这次呢也走访了Dyna Robotics机器人迷信公司的三位华人创始人当中,Linden Gao和York Yang是连续创业者,之前创立的AI购物车公司Kaper AI以3.5亿美元的价格被Instacore收购,Jason Ma则是前Deepmind研究科学家专攻机器人基础模型,这家公司成立才一年就已经完成了两轮融资,2025年3月总资轮2350万美元,同年的9月A轮1.2亿美元,估值超过了6亿美元,投资方的名单堪称豪华,三星LG等等,而让他们最先火出圈打并不是多么fancy的任务或者demo,而就是非常朴实的蝶毛巾和蝶衣服。那一时兴起,我突然想和机器人以及York比拼一下手速,看一下蝶衣服这件事情谁能够做得更好和更快。好,我们计时比赛开始。虽然我俩都比机器人快嘛但是说实话我觉得我真不一定有单纳的机器人叠得好而且关键点在于机器人虽然目前还比较慢但是它可以24x77天24小时的运作还不用休息那么只要经济账算得过来落地就是可行的因为正常人工的很多场景你一个人就是8个小时通过机器的话你可以让它跑15个小时或者24个小时那其实可以弥补掉这个效率的一定的损失第二是碟本身确实是一个不错的商业落地场景因为它相对比较单一它也是比较固定的一个任务但是呢在像美国这样高人工成本的国家确实要花掉很多的资金在这件事情上面所以它确实我们聊的这些商家客户都非常有意愿去使用机器人来做这件事情好比完了赛呀机器人的几个主要流派那么看完Dyna机器人我们再来看看2025年的机器人赛道还有哪些玩家呢我们可以把它们分成三个流派来看表面上看它们真的是技术路线市场份额融资估值但是本质上它们真的是同一个问题那就是什么才是实现通用机器人的正确路径呢第一派的代表公司就是Tesla Optimus和Figure AI这一派的核心信念是机器人基础模型不能和硬件分离必须垂直整合 深度偶合才能够发挥最大的效果特斯拉是这个流派最激进的代表马斯克曾经说过一句很狂的话他说特斯拉八成的价值将会来自于Optimus机器人那么马斯克的自信来自于哪里呢也许就来自于特斯拉FSD十年的积累就曾经说我们只是从轮子上的机器人变成长着腿的机器人特斯拉有数百万辆车收起的真实世界数据端到端的神经网络架构规模庞大的标注团队所以它这个逻辑听起来无懈可击既然FSD能让汽车在复杂路况中自主驾驶那么同样的架构为什么不能让机器人在复杂的环境中去自主的操作呢都是感知决策执行的闭环神经网络只是输出从方向盘角度变成了关节角度而已但是2025年的现实并没有那么美好年初马斯克在内部会议上信誓旦旦的说2025年要生产5000台Optimus其中1000台会部署在特斯拉自己的工厂但是到了年中实际上组装了1000多台之后特斯拉Optimus人型机器人的生产计划就已经暂停面临重新设计而我们前面提到的Optimus最近面临的风波特斯拉活动现场跟他瓶装水的时候突然就做出了好像要把头上磨个不存在的东西拽下来的动作然后摔了一跤这个动作实在是太像人类操作员摘下头戴式设备的动作于是这段视频马上爆火不少人马上提出来质疑说Optimus是不是有操作员在远程操控呢Optimus的发展看起来不像马斯克号称的那么顺利那问题出在哪里呢自然领域做出本体然后有过一定的这个demo演示的这个公司 [20:00] 那他们现在主要利用的是人类视频做迁移那它的优势毋庸置疑就是人类视频其实是最容易踩的因为你不需要任何的外设备然后呢你采集的也是人手去操作的场景可扩展性上面来说啊Tesla这个模式是可扩展性最高的啊但是它的几个主要的问题在于第一是啊人类的手和机器人的手如果你想让他能力迁移的很好需要做的非常接近在做很灵巧的灵巧手就是非常接近人的自由度这件事本身是一件非常困难的事情第二就是你再接近它不是完全一样所以在机器人的数据和人的数据中间还是会有一个鸿沟就我们所谓的embodiment gap这个embodiment gap在当前学术界也好工业界也好大家都是公认的是一个比较难解决的问题所以这样的数据的迁移的效率会比较低特斯拉想用海量人类视频训练基础模型但是人手和机器手的物理差异也就是所谓的embodiment gap是个绕不过去的坎儿即使你有YouTube上面所有的人类操作视频转换效率也是个问题这就是全战整合派的第一个困境你控制了全链条但是也意味着全链条的每个环节都是你的瓶颈硬件不够好模型再强也白搭但特斯拉有个优势就是钱多人多还有马斯克这应该是三个优势Optimus会不会最终成功呢可能要再过两年才能见分晓了而Figure AI走的是类似的路线但是更加激进Gi公司2012年才成立创始人Brad Epcock之前做过电动垂直起降飞机算是从飞行机器人跨界到了地面机器人2024年初Figure AI做了个大胆的决定和OpenAI深度合作机器人中那段时间他们放出来的demo可以说是震撼全行业机器人似乎能够听懂人类的指令能够和人对话能够自己决定做什么比如说你说可以给我点吃的吗他会主动递给你一个苹果Great, can I have something to eat?Sure thing但是呢好景不长啊2025年2月Figure AI突然主动宣布和OpenAI分手他们要独立推出自己的基础模型不再依赖OpenAI的技术那分手之后呢Figure AI两周之后就迅速的推出了新Henex模型定位为通用人形机器人VLA模型强调呢是完全自言用于控制整个人形机器人那不得不说的能够放弃OpenAI的粗大腿啊BIGAI确实也有两把刷子。Hallux创新的采用System 1 System 2双系统架构,System 2就向你的大脑皮层负责想清楚要干什么,System 1就向你的小脑负责手脚怎么配合。当你拿杯子喝水的时候,大脑皮层只需要决定现在该拿杯子了,小脑就会自动的调动20多块肌肉完成抓取动作,你根本就不需要意识到。这个架构解决了一个长期困扰机器人的问题,语言模型很聪明但是呢太慢传统机器人控制策略很快但是不够通用Halux让两者各司其职端到端训练既能够理解复杂指定又能够实时精确控制而更酷的是呢Halux用单一的神经网络控制整个上半身的35个自由度包括手腕 躯干 头部还有每根手指他还能够同时控制两个机器人协作完成任务那么这就是Figer和OpenAI分手后交出的大卷后年9月Figure AI完成了10亿美元的C轮融资估值是从26亿美元标升到了390亿美元15倍的涨幅不到一年的时间投资方名单读起来就像科技圈的奥斯卡颁奖典礼微软、OpenAI、英伟达、贝索斯、英特尔、三星等等等等听起来就已经成为了巨神机器人界的扛把子了总结一下这一派的核心理念是基础模型的通用性来自于足够大足够端到端模型参数够多训练数据够多软硬整合够深那么涌现能力就会自然的出现这是从GPT4的成功中啊总结出来的经验但是这个经验在物理世界是否成立还是一个未知数如果说全战整合派追求的是一步到位的通用性那垂直突破派追求的就是从专精到泛化的涌现他们的核心理念是与其去训练一个什么都会但是什么都做不好的大模型那不如先让模型在某个垂直场景做到极致那么在这个过程中积累的学习能力会自然的迁移到其他的场景Dynarum [25:00] Wallax是这个流派比较清晰的一个代表我们刚刚已经看到了Dyna机器人的演示那么Dyna走的路向也很特别做通用形态的机器人但是在模型层面上会先利用比较成熟的能力落地一些可以打工的场景用于了解行业的know how并更好的指导算法研究的方向也就是说要先让机器人在洗衣房餐厅健身房这些场景去打工边干活边学习在2025年4月纳布了首个可在真实环境中持续高性能运行的机器人基础模型Dyna1在24个小时内他们的机器人自主折叠了700多张餐巾成功率超过了99.4%完全无需人工干预吞吐量达到了人类速度的60%但显然Dyna的野心不止于蝶毛巾第一是我们要澄清我们不是一个做蝶毛巾的公司我们的Foundation Model里面包含了各种各样的数据有各种蝶的蝶毛巾蝶餐巾蝶衣服像什么切菜切水果准备食物然后也有像做早餐清扫或者说摆放物流场景一些分解其实各种各样的数据我们都有我们的Foundation Model其实是一个非常广的一个模型我们的泛化性其实最主要还是来自于基础的大模型我们是希望基础大模型能够有足够强的能力在大部分的任务上不太需要非常多的定制那在早期可能你会发现迁移到一个新的任务的过程会比较浓郁比较繁杂就是你会需要再重新采很大一部分的数据然后混到一起去做训练但随着你的技术大模型数据量越来越大之后你会发现哪怕去迁移到一个曾未见过的任务上面它其实需要的迁移成本也会越来越低我们过去可能会需要采几个月的数据去迁移某一个任务但是到现在可能有一些简单的任务可能就一两天的数据就可以迁移过去触摸性能力越来越强就是我刚才提到学习能力越来越强的话那你去迁移到新任务的这个模型轻移到新任务的能力也会越来越强莱娜对基础模型的理解和全战整合派是完全不同的他们对基础模型的理解是与其训练一个什么都会但是什么都做不好的泛化模型不如先让模型在某个任务上去深度专精在这个过程中积累的学习能力会帮助他更快的掌握其他任务就像把钢琴练到音乐学院水平的人上手吉他会快得多 因为呢 掌握了如何学习的原技能我们确实也看到 当你单一任务的能力提升的很强之后他对于学习新任务有一定的促进作用就是我们拿最优质的数据到基础的数据局里面做Pretrain 之后其实这个模型再去扩展到新的任务上他会更快需要的数据更少所以这个也是我们在实践过程中找到一个有点 counter intuitive 但是确实它发生了一件事我们对于它的理解可能更像是就像人如果你的学习能力学的很强我不说你会什么知识但是你的学习能力本身很强你学习新的能力就会很强学习能力很强的前提是你可能过去已经在很多任务上你自己做过实践然后做过学习你才会有那个强的学习能力所以我们觉得这个学习能力本身和这个学习的过程它本身也是关联的这个理念背后呢基于这样的一个观点啊机器人基础模型和大语言模型的scaling law也就是缩方定律可能不一样大语言模型的规律是模型越大数据越多性能就越好但是机器人基础模型的性能瓶颈啊就不止在模型容量和数据量更在数据质量和物理一致性如果训练数据里面的物理接触不准确模型学到的就是错误的物理知觉就会越被放大为什么说基于某种程度就是它的scaling log肯定不像大语言模型这么简单粗暴像语言方向的数据现在他们已经发现哪怕你用很多低质量数据就是你可能一堆文本然后中间插了一段广告然后再次接了这个文本就这样的数据它一样能训练出比较好的模型因为模型它看的数据足够多之后它自动就会过滤掉广告其实这和人很接近嘛就是你看网页看多了其实你眼睛也自动会过滤这些广告对所以大元模型它能够做到这个但是机器人当前我们觉得Skinlog更多的是来自于需要比较高质量的数据啊因为就像刚才提到的它的数据的本质更多的是机器人本体加上视频那这里面的不确定性太高了所以你如果囊括了很多很繁杂的数据在里面pay attention在哪一个地方所以最终它其实出来的效果并没有那么好我们现在看 [30:00] 如果你的数据质量足够好那随着数据量的增加数据多样性的增加整体的基础模型能力就会有很大的提升然后对下游的各种需要这个fine tune的一些小任务也会有很大的提升对所以这个是实大师能够看得到的所以呢Dyna选择小而精的路线那他们认为呢首先与其训练一个100亿参数的泛化模型不如去训练一个10亿参数的专精模型那其次呢连数据都是高质量的真实物理交互其次让模型在实际步驶中通过强化学习自我优化他们认为深度专精某个任务的过程中模型学到的不只是怎么叠毛巾还有怎么快速学习新任务的原能力所以我们现在挺关注的比如像强化学习的一些路径然后像通过大模型的基础能力的学习比如说折叠能力比如说摆放能力的学习去学习新技能的能力我觉得这个是最重要但最终我们会觉得基础的大模型可能在普通的一些任务比如说家用的很多你帮我拿一个水你帮我开一下门类似的任务中它应该是可以直接handle的同样中是原学习能力的还有诸如Skilled AI这样从通用模型接入但是并不做硬件的公司他们的核心逻辑是用大规模仿真数据训练出一个通用的大脑然后用这个大脑能够快速适配到机器人硬件和任务场景比如说同一个模型既能控制机械地抓取物体也能够让四组机器人行走还能够指挥人性机器人完成复杂的操作不需要每个任务都从头训练而是靠一个强大的基础模型来迁移学习有传闻说英伟达和软银将领头对他投资10亿美元估值将会高达140亿美元这个路线还有一个特殊的玩家值得一提那就是亚马逊部署了第100万台机器人100万台是什么概念呢亚马逊目前有156万名员工也就是说机器人数量即将超过人类员工但是这100万台机器人全都是专用机器人针对具体场景优化Herculus能够搬运1250磅的货物Pegasus用于包裹分解运输但是亚马逊的野心不止于此他们的Agentic AI团队正在开发通用机器人基础模型还在旧金山办公室建了一个叫做Humanoid Park的室内测试场训练人型机器人应对复杂障碍亚马逊的策略和Dyna如出一辙与其一开始就做大而全的通用模型不如先在垂直场景积累世界上最好的数据和最强的能力然后再反化如果说前两派是在争谁的路线更快那第三派争的就是谁能够定制行业标准他们的核心信念是在基础模型这个赛道最终赢家不一定是技术最强的而是生态控制力最强的首先英伟达的逻辑很简单做机器人界的Android2025年3月的GTC大会上黄仁勋隆重的介绍了Groot N1并且把它开圆了听起来很美好对吧但是如果你要用Groot N1就得用全套的英伟达生态一个都跑不掉这就是生态锁定的威力一旦你用了英伟达的全套工具链切换成本高到让人望而却不雷英伟达的护城河不是模型本身而是整个生态谷歌走的是另一条路通过开源研究建立影响力谷歌的机器人在通用策略上选择了一条研究驱动开源优先的路线他推出的RT系列强调大规模机器人演示数据跨任务跨平台通用模型并且通过论文加开放数据集的方式在学术与研究社区建立了强大的影响力那么在Gemina 3发布之后呢谷歌最近也是加快了步伐还挖来了前波士顿动力首席技术官Aaron Sanders想推动Gemina AI成为通用机器人控制平台因为大家和谷歌的生态策略有什么本质区别呢它们到底是真开源还是尾开源呢我们也会之后聊到小步快跑只为站坑OpenAI和机器人的关系就像一对分分合合的情侣早在2018年他们就在机械手操作任务上取得了突破但是之后团队规模与优先棋有所收缩到2024年和2025年年初他们上演了和菲格尔从热恋到断恋式分手的戏码但是到了2025年的下半年他们又开始招聘多位专注于人型机器人控制算法的研究人员他也试图通过撒钱投资的方式打造自己的生态影响力2024年11月OpenAI与杰夫贝索斯共同参与了Physical Intelligence的 [35:00] 以美人融资Meta的策略类似但是更加低调2025年年初Meta在其Reality Labs旗下组建了一个新的机器人部门由前Cruise CEO Mark Whitten牵头目标是开发类人机器人平台Meta的CTO Andrew Bosworth又曾公开提到其团队正在构建一种world model世界模型以支撑机器人完成比行走和跑跳更细致的操控动作表面上看三派实在争技术路线但是本质上他们赌的是关于通用性的三个相通但是又不同的架设全阵整合派相信通用性等于足够大的模型加足够多的数据加足够深的软硬整合只要这三个条件满足涌现能力会自然出现这是从GPT4的成功中总结出来的经验而垂直突破派相信通用性等于深度专精带来的迁移能力机器人的scaling long和语言模型不同大而全更有效那关键呢是要找到正确的原学习路径生态平台排相性啊通用性等于生态标准化程度技术路线谁赢不重要重要的是让所有人都用你的工具链最终的赢家不是技术最强的而是生态控制力最强的当然了还有半开源半必源的两家证明公司啊分别是Physical Intelligence和Genesis AI那我们会在开源的夏季里面重点来介绍他们谁对谁错呢2025年还没有答案但是可以确定的是这场关于基础模型的竞赛才刚刚开始那么聊了那么多我们来总结一下2025年的现状是展示的很精彩落地还未可知马斯克对特斯拉机器人的梦想和宏大但现实是Optimus还在艰难的爬坡12月19号特斯拉官方是发布了一份名为详细披露了人形机器人Optimus在过去一年中的技术迭代和进化路景视频以Optimus加速跑进2026年的画面收尾暗示明年将会有更大幅度的技术跨越我们也拭目以待同时Figure AI拿了10亿美元估值390亿但是真正商业化部署也就几十台英伟达的Goot N1发布了但有多少公司真正的用起来了也不好说令人惊叹的进展有特斯拉这样手握重金的巨头压注也有菲格尔·戴纳为代表的创业公司在快速前进还有OpenAI Mata的低调入局都是在用重金重资产的方式推进机器人的基础模型这让我们相信尤其是在家用机器人领域机器人开始帮忙干些讨厌的家务已经不那么遥远了我们是觉得最先肯定是在像我们当前在TACO的一些市场的一些人工的部分就是和人工一起去完成一些任务这样的一些场景但是我们觉得家用其实也没有那么遥远就像我刚才提到的你并不需要完整的这个非常通用的AGI啊你可能只需要几个任务就可以进入到家庭的场景里先让机器人在家里面干起活来然后逐渐的通过模型的迭代让它产生更多的能力我们觉得我们自己的目标其实在明年我们至少希望在商用场景有比较大规模的部署那在家用我们会择机看啊就是如果说比如我们当前像叠衣服这样我们采访过很多这个身边的朋友大家都觉得这个功能他们非常需要对吧,当我们的硬件成本降到普通家庭可承担的范围内那我们可能就会优先,比如说我限以第一副的这个功能卖给家庭,然后逐渐去拓展一些其他的功能对所以这个时间线应该也不遥远可能也就在一到两年左右吧怎么样几百美元可以帮你叠衣服准备早餐和做清洁的机器人助手你会买吗好了今天的部分就到这里我们今天聊的是必源阵营但是有一群人在用完全不同的方式去做同样的事他们在做开源模型他们分享数据他们相信聚杀成塔的力量他们说开放才能够实现聚神智能那么下一个机器人的视频俩的开放到底有多开放?它和真正的开源有什么区别?为什么有人说Groot N1是伪开源?Physical Intelligence为什么要开源?拍零?一个刚成立刚拿到融资的公司,为什么要把最核心的模型免费放出来?他们的商业模式是什么?开源vs必源,谁会赢?这场战争的本质是什么?是技术路线之争还是商业模式之争呢?大家不要忘了关注我们的账号,不要错过更新哦!全部内容了你们的点赞留言和转发是支持 [40:00] 优优独播剧场——YoYo Television Series Exclusive和商业内容的最佳动力我是陈倩那我们就下期视频再见了拜拜