2025WAIC上，王鶴展示銀河通用的人形機(jī)器人。人民網(wǎng) 呂騫攝
在今年的世界人工智能大會(huì)（WAIC）上，超150臺(tái)人形機(jī)器人同臺(tái)“出道”。它們正走出實(shí)驗(yàn)室，走上春晚舞臺(tái)成為“網(wǎng)紅”，走進(jìn)工廠商超成為真正干活的“勞動(dòng)力”。這不僅是“數(shù)字大腦”向“物理智能”的躍遷，也意味著中國制造在全球新一輪產(chǎn)業(yè)競賽中的起跑。
本期播客邀請了北京大學(xué)助理教授、銀河通用機(jī)器人創(chuàng)始人及CTO、智源學(xué)者王鶴，他帶領(lǐng)團(tuán)隊(duì)用兩年多的時(shí)間，把“端到端VLA大模型”第一次搬上了真實(shí)產(chǎn)線、真實(shí)貨架——不靠軌跡預(yù)編程，而是靠眼睛、大腦和手的實(shí)時(shí)配合，就能在擁擠的零售貨架前完成抓取、避障、交付。下一個(gè)十年，機(jī)器人會(huì)如何走進(jìn)現(xiàn)實(shí)？答案正在上海這座展館里萌芽。
對話AI摘編：
主持人：觀眾最關(guān)心的是，這次WAIC銀河通用到底帶來了什么“能上手”的新東西？
王鶴：一句話——全球首個(gè)真正跑在端到端VLA大模型上的智慧零售機(jī)器人：觀眾在iPad上下單，機(jī)器人自己走過去、用“手眼腦”實(shí)時(shí)閉環(huán)，把指定商品取下來，再遞到你手里。整個(gè)過程不依賴任何預(yù)置軌跡，完全靠視覺和語言指令實(shí)時(shí)生成動(dòng)作。
主持人：這和藥房自動(dòng)取藥的機(jī)械臂有何區(qū)別？
王鶴：關(guān)鍵在“非結(jié)構(gòu)化”。傳統(tǒng)藥房的自動(dòng)化滑道類似巨型自動(dòng)售貨機(jī)，需要中心大藥房、統(tǒng)一滑道，空間、資金門檻都很高。我們把人形機(jī)器人做成“即插即用”的勞動(dòng)力，夜間值守、白天補(bǔ)貨，成本大幅下降，而且不需要改造原有店面結(jié)構(gòu)。
主持人：您把人形機(jī)器人演進(jìn)分成“三個(gè)時(shí)代”，能再通俗解釋一次嗎？
王鶴：1967-2017是“雛形時(shí)代”，ASIMO、Atlas全靠提前寫軌跡，拍視頻可以，落地沒戲；
2022起進(jìn)入“運(yùn)動(dòng)時(shí)代”，用強(qiáng)化學(xué)習(xí)在仿真里訓(xùn)、再遷移到真機(jī)，春晚跳舞、半馬跑步全是這代，但基本是“蒙眼”運(yùn)動(dòng)；
2024之后進(jìn)入“手眼腦時(shí)代”，VLA（Vision-Language-Action）大模型讓機(jī)器人隨時(shí)用眼睛看、用大腦理解、用手干活，這才有了今天零售、工廠、藥房的多場景落地。
主持人：說到泛化干活，亞馬遜倉儲(chǔ)里機(jī)器人數(shù)量已經(jīng)快趕上人類員工了，這跟我們今天談的人形機(jī)器人有什么本質(zhì)區(qū)別？
王鶴：亞馬遜那套是AGV＋結(jié)構(gòu)化改造，本質(zhì)仍是上一代自動(dòng)化思路：集中大倉、地面貼二維碼、貨物統(tǒng)一尺寸。中國一二線城市寸土寸金，小藥店、小倉庫根本做不起這樣的改造。而人形機(jī)器人直接走進(jìn)人類環(huán)境，用視覺理解千奇百怪的物體，用“手”完成抓取、搬運(yùn)，這才是下一代方案。
主持人：很多聽眾來自制造業(yè)，他們會(huì)問：打螺絲這種“簡單”動(dòng)作，機(jī)器人為啥還搞不定？
王鶴：關(guān)鍵看結(jié)構(gòu)化程度。如果螺絲孔位固定、電批垂直往下，傳統(tǒng)自動(dòng)化早就解決了；難的是手持小產(chǎn)品、雙手協(xié)作、孔位每次不同——這叫非結(jié)構(gòu)化操作。我們從最簡單的“抓—放”做起，逐步提升精度，未來再去攻克更復(fù)雜的裝配。
主持人：您剛提到“逐步”，正好有組數(shù)據(jù)：2023年中國研發(fā)總投入3.3萬億元，77%來自企業(yè)；今年上半年，人形機(jī)器人行業(yè)融資已超60億元。怎么看資本這么密集地涌進(jìn)來？
王鶴：AI正從象牙塔走向產(chǎn)業(yè)化。文本、圖文大模型已經(jīng)證明：能落地的模型都靠產(chǎn)業(yè)界重投入。具身智能還在早期，銀河通用成立兩年就拿下了最大單筆融資，原因只有一個(gè)：我們在真實(shí)場景里跑通了商業(yè)化閉環(huán)——藥店、工廠、零售店。
主持人：普通人什么時(shí)候能在家里見到這些“鋼鐵伙伴”？
王鶴：先B后C。我們已和宣武醫(yī)院、華西二院合作，讓機(jī)器人給老人量血壓、做認(rèn)知測試，再逐步過渡到夜間查房。工商業(yè)先跑1萬臺(tái)，硬件、安全、成本磨到“無感”后，才會(huì)真正走進(jìn)千家萬戶。樂觀估計(jì)，10年內(nèi)會(huì)出現(xiàn)家用普及拐點(diǎn)。
主持人：最后一個(gè)輕松問題，您手機(jī)里用得最多的AI應(yīng)用是什么？
王鶴：Deepseek和ChatGPT。不過需注意的是，前沿內(nèi)容模型會(huì)“想當(dāng)然”，但5-10年前的技術(shù)點(diǎn)基本都了如指掌。