鋼鐵飛人破紀錄 卻端不好一杯水？

前言：能破人類紀錄的「鋼鐵飛人」，卻可能端不好一杯水，這種體格與「大腦」的嚴重錯位，是當下人形機器人行業最尷尬的縮影。但AI競賽的下一階段，能率先將智能能力大規模部署到數以百萬計機器之上的才是贏家。 

在北京舉行的第二屆世界人形機器人運動會上，機器人在400米賽跑及跳高項目屢屢寫下超越人類選手的世界紀錄。但隔壁的靈巧手專項賽現場，機器人做積木搭建、鑷子夾豆等「指尖微操」甚至未必穩得過學齡前兒童。運動會組委會委員鞏瀟坦言，預賽中不少機器人遇到物體材質、軟硬度或擺放角度的細微變化，自主決策仍可能出現偏差，面對真實物理世界的不確定性，是目前技術攻關的核心難點，「卡」住的恰是最核心的「大腦」之困。

Demo困境 泛化能力不足

據中國新聞周刊報導，近期的世界機器人大會（WRC）現場，一位負責人形機器人後訓練的工程師說，一些人形機器人「幹活」的Demo，往往只是在特定場景執行單一任務，一般只需要幾百條數據微調，但從Demo到真實場景應用還存在巨大的鴻溝，是因為具身模型的泛化能力不足。

「泛化能力就是機器人今天只學習抓起蘋果，明天就能抓起梨，而不是只有學過才會做。」北京人形機器人創新中心（下稱「北京人形」）具身智能部負責人鞠笑竹說。崑崙行機器人聯合創始人兼CTO郎咸朋以機器人拿起杯子為例，訓練時機器人只見過空杯子，那麼它是否能成功拿起裝滿水的杯子，這就是對泛化能力非常直觀的一個檢驗。

人形機器人每次面對新的任務、場景都需要重新學習，這在很大程度上被認為受困於具身模型當前的技術路線。在具身智能領域，VLA模型（視覺—語言—動作模型）2023年興起；2025年，國內的銀河通用、智平方、自變量等企業均對外發布VLA模型，希望最終實現執行任意任務的能力。

「2025年初，大家發現VLA模型泛化能力並沒有那麼好。」鞠笑竹認為，限制VLA模型泛化能力的一個關鍵因素在於數據。「VLA模型無法使用大量視頻數據訓練，更多依賴真機採集數據，很難上量。」

國內企業對於具身模型的真正投入都比較有限。「多數具身模型其實就是兩類來源，要麼是很小的數據量套用開源框架簡單訓練而來，要麼就是直接微調開源模型而來。」自變量CEO王潛表示。

場景任務 狂「卷」後訓練

當前具身模型在部署到具體場景時都需要後訓練，這也是國內人形機器人企業在跳過模型預訓練，更多「卷」後訓練的原因。鞠笑竹認為，針對具體場景和任務，基於VLA進行後訓練，對於基礎模型能力的提升意義有限，更多只是在拚落地能力與交付。

「目前來看，機器人面對具體場景和任務的表現，在數據上的差異相比模型上的差異能產生更大影響，特別是真機數據，使用1萬小時的真機數據訓練出的模型，可能比用10萬小時模擬數據訓練出的效果更好。」優必選副總裁、具身智能與人形機器人研究院院長焦繼超說。

「隨著數據積累，一旦突破某個點之後人形機器人能力的提升就會變得非常快。」焦繼超坦言，如果人形機器人面對從未見過的快件，可能很難完成分揀，但是如果只是快件尺寸、顏色發生變化，人形機器人能展現出一定的泛化能力，並非一定需要「見過」。

「像搬運這樣的場景會在今年或明年實現真正規模化落地，下一步會轉向一些輕便靈巧類的任務，比如擰螺絲，以及一些長程任務。其實客戶更關注機器人在工作場景中的表現，對成功率的關注高於效率。」焦繼超說。

在具身模型能力有限的情況下，通過「卷」後訓練落地具體場景，更多是商業化的權宜之計。

現況堪比10年前的智駕

今年以來，自變量、智元等公司相繼發布世界模型。朗咸朋是智駕領域VLA路線的擁護者，坦言具身智能需要「新故事」，主題就是世界模型。世界模型之所以讓人興奮，便在於其展現的泛化能力。

「當前針對單一場景任務，基於VLA模型再進行後訓練，確實能獲得更好效果，世界模型生成的動作在精度上還沒有達到VLA模型的水平。」郎咸朋做出這樣的類比，世界模型與VLA模型的差距有一些像智能駕駛是否依賴高精度地圖的區別，如果依賴高精度地圖，每到一座新的城市，就需要從採集數據做起。

「其實世界模型也分為不同的路線，比如國內比較火熱的路線是基於現有視頻生成模型的世界模型。」儘管鞠笑竹認為，它可能並非未來具身模型的終極答案，但是仍對其在泛化性上的表現感到興奮。

不過，一旦涉及基礎模型，特別是世界模型預訓練，對機器人企業算力、數據、人才和資金等資源方面的壓力都比較大。宇樹科技上市後，模型研發成為最大的單一募投方向。但因技術尚未收斂，沒人敢押注特定模型路線。

具身智能公司联合創始人兼CTO郎咸朋將當前具身智能所處的階段類比於10年前的智能駕駛，當時智駕領域也是Demo很多，但是技術並未收斂。「未來具身模型的範式可能還會經歷迭代，迭代可能導致之前的努力白費，但讓機器人理解物理規律一定是方向。」