熊蓉：人形機器人走進家庭，距離尚遠

繼大模型之后，“具身智能”成為新一輪人工智能浪潮中最熱的概念。有不少人認為，AI只有具備了物理層面的身體，像人類一樣用身體去感知世界，在與環(huán)境的互動學習中成長，才能進化成通用人工智能（AGI）。

人形機器人被認為是具身智能的理想載體。人們期待未來的機器人不僅能說話，還能對復雜任務作長程動作規(guī)劃并高效執(zhí)行。

浙江人形機器人創(chuàng)新中心主任、浙江大學教授熊蓉是國內(nèi)最早一批做人形機器人研究的學者。她專攻這一領域已有二十多年，曾自主研制出乒乓球?qū)Υ驒C器人、小型足球機器人等系統(tǒng)，也經(jīng)歷了從“仿人機器人”到“人形機器人”的技術(shù)演變。

在熊蓉看來，目前很多強調(diào)具身智能概念的人形機器人，還不具備獨立完成任務的智能水平。盡管已經(jīng)有許多關于人形機器人進入家庭、完成護理工作的美好暢想，但未來機器人率先落地的場景仍將是工業(yè)領域，機器人進入家庭還面臨安全性等諸多挑戰(zhàn)。

熊蓉認為，機器人技術(shù)的發(fā)展旨在提升工作效率和生活質(zhì)量，而非取代人類。它能夠解決人力短缺問題，滿足對工作質(zhì)量的高要求，并創(chuàng)造新的工作崗位。機器人本質(zhì)上仍然是工具，其發(fā)展目標是解放人類生產(chǎn)力，使生活更加便捷。

Yi YiMagazine

X 熊蓉

Yi 近兩年具身智能興起，其新特征和傳統(tǒng)機器人有什么區(qū)別？

X 傳統(tǒng)機器人在感知方面主要依賴人工特征提取，行為方面主要依賴專家建模的系統(tǒng)和準則，其感知和行為能力受限于預定義的規(guī)則，這在很大程度上限制了它們在復雜場景中的泛化能力。本輪大模型技術(shù)突破得益于深度學習技術(shù)的發(fā)展、互聯(lián)網(wǎng)海量數(shù)據(jù)的積累以及算力的提升，使得機器人在感知智能上實現(xiàn)了泛化能力的顯著提 升。

目前具身智能興起，其核心在于機器人通過與環(huán)境的交互來獲取知識，基于場景作出行為決策，并預測行為結(jié)果，從而動態(tài)調(diào)整自身行為，即強調(diào)實體機器人通過“感知—推理—交互”的閉環(huán)來實現(xiàn)自主作業(yè)能力。具身智能的技術(shù)進步主要體現(xiàn)在將“感知智能”延伸至“行為智能”，提升機器人的自主決策能力、環(huán)境理解能力和交互能力。

Yi 具身智能的興起是否為機器人產(chǎn)業(yè)帶來革命性突破？

X 具身智能浪潮的興起標志著機器人產(chǎn)業(yè)步入一個轉(zhuǎn)折階段，但目前仍處于技術(shù)產(chǎn)業(yè)化的起始點。實際上，具身智能的技術(shù)進步是過去多年各項技術(shù)積累的結(jié)果。

深度學習技術(shù)從2011年開始取得關鍵突破。2016年，Google利用14臺機器訓練，開發(fā)出能夠從料箱中抓取物品的網(wǎng)絡。當時的研究尚未使用大模型，但可以被視為行為智能發(fā)展的起點。到了2020年，大模型技術(shù)逐漸成熟，并迎來爆發(fā)式發(fā)展。隨著大模型技術(shù)的融入，機器人在感知、理解和執(zhí)行能力上取得了很大進步。

但是目前很多強調(diào)具身智能概念的人形機器人，其對外展示出的技術(shù)能力主要處于demo演示，是小范圍場景行為復現(xiàn)。通過仿真平臺或者實物數(shù)據(jù)學習訓練行走、操作等交互行為，但目前的技術(shù)總體只解決了抗擾動性問題，還不具備我們期望的泛化智能水平。行為執(zhí)行能力也偏弱，例如，目前許多機器人只能完成抓取、放置和移動等基礎動作，而在執(zhí)行涉及復雜視力觸融合的任務（如開蓋）時則顯得力不從心。

Yi 你在2006年就開發(fā)出足球機器人，當時的歸類是“仿人機器人”。2024年，你帶領的浙江人形機器人創(chuàng)新中心發(fā)布領航者2號“人形機器人”。從“仿人機器人”到“人形機器人”，背后的技術(shù)路線有何變化？

X 早年我們研發(fā)的“仿人機器人”，重點在于模仿人類行為、功能或智能，其外形未必完全擬人化。很多機器人沒有采用人形機械結(jié)構(gòu)，比如我們曾用二指夾爪這樣的非人形機械結(jié)構(gòu)來完成擰瓶蓋等任務。近年來，隨著特斯拉的Optimus機器人對擬人化形態(tài)和運動的強調(diào)，學術(shù)界和產(chǎn)業(yè)界開始更關注“人形機器人”的概念，特別是形態(tài)上的相似性。

從技術(shù)發(fā)展路徑來看，早期的仿人機器人研究主要依賴傳統(tǒng)的控制理論和物理建模方法，強調(diào)運動控制的精確性和穩(wěn)定性，讓機器人能夠完成行走、踢球等動作。不過，該方法對模型參數(shù)的精確性要求極高，面對環(huán)境擾動（如不平整地面）時的魯棒性（指系統(tǒng)在面臨內(nèi)部結(jié)構(gòu)或外部環(huán)境改變時也能維持其功能穩(wěn)定運行的能力）不足，且參數(shù)調(diào)整復雜。

近年來，隨著仿真平臺、大規(guī)模并行訓練和強化學習技術(shù)的發(fā)展，人形機器人研究逐漸轉(zhuǎn)向新的技術(shù)路線。例如英偉達Isaac仿真平臺等工具的出現(xiàn)，使得機器人可以在虛擬環(huán)境中學習和訓練。這種方法將傳統(tǒng)的物理建模隱含在仿真平臺的物理引擎中，研究人員更關注訓練的結(jié)果和獎勵函數(shù)的設計。通過強化學習，機器人能夠獲得更強的魯棒性，適應一些傳統(tǒng)方法難以建模的不確定因素和擾動因素。

Yi 在機器人領域，“人形”的必要性體現(xiàn)在哪里？

X 機器人的形態(tài)是否需要無限逼近人類，取決于應用場景和需求。人形機器人被寄予厚望，主要是因為它能夠更好適應柔性制造和服務場景的需求。人形機器人不僅局限于工業(yè)場景，還可以拓展到更多服務領域，例如成為特定行業(yè)的服務員或護理人員等。

舉例來說，在咖啡店這個場景中，機器人需要完成倒咖啡、放置杯蓋等任務。傳統(tǒng)機器人可能需要多臺設備協(xié)同完成，而人形機器可以通過雙臂和視覺智能一體化完成，從而減少設備數(shù)量和占地面積。此外，人形機器人能夠無縫替代人力，減少產(chǎn)線改造成本。

Yi 目前人形機器人領域的技術(shù)路線是否統(tǒng) 一？

X 目前，人形機器人領域的技術(shù)路線主要分為傳統(tǒng)控制理論和數(shù)據(jù)驅(qū)動學習兩個方向，前者強調(diào)機理建模，后者強調(diào)用深度學習、強化學習等方法結(jié)合大規(guī)模數(shù)據(jù)來生成行為。具身智能興起后，許多學者紛紛轉(zhuǎn)向數(shù)據(jù)驅(qū)動的方向，但我認為不應完全依賴這種方法。目前來看，行走等強化學習工作還是依賴于對機理的深刻理解，具有傳統(tǒng)機理研究背景的專家才能夠從機理的角度定義目標和約束，并有效解決仿真與現(xiàn)實之間的差距問 題。

此外，從兩個技術(shù)路線當前的成果看，目前學習方法可以產(chǎn)出模型存在誤差等不確定情況下性能更良好的模型，但還不具備傳統(tǒng)機理方法在任務輸入變化時的通用性，導致模型的行為泛化能力有限，難以適應場景或任務的變化。

Yi 大模型的發(fā)展給機器人領域帶來了什么？目前結(jié)合的效果如何？

X 大模型為機器人帶來的變化主要體現(xiàn)在語義理解和常識推理能力的提升上。借助大模型的語義理解能力，機器人能夠更好地規(guī)劃執(zhí)行序列，并基于已有的知識生成符合常識的行為。目前也有很多關于“空間智能”的討論，也是與語義理解密切相關。

但是在當前的水平下，大模型通常與機器人的行為執(zhí)行分離，導致感知與行動之間的協(xié)同不足。一方面，大模型不考慮機器人行為的可執(zhí)行性，例如物體堆放情況下，機器人實際需要先挪開或者推開一些東西才能拿到目標物體，否則直接抓取會導致物體損壞；另一方面目前的視覺語言動作模型（Video-Language-Action Model，VLAM）依賴于大模型識別的準確性，一旦識別不清就會直接導致行為失 敗。

此外，大模型在與機器人行為結(jié)合構(gòu)建VLAM時仍面臨諸多難點。就目前VLAM表現(xiàn)來看，首先，通用性不夠，難以適應多種場景并自主調(diào)整；其次，快速遷移能力不足，難以基于過往的經(jīng)驗實現(xiàn)自我進化；此外，在精確性方面，大模型也還有很大的提升空間。

Yi 目前很多公司在人形機器人領域強調(diào)雙足，你如何看待雙足的重要性？

X 當前學界和業(yè)界對于人形機器人的定義仍存在爭議，主要集中在是否必須具備完整的擬人形態(tài)。部分觀點認為，只要具備上半身和雙臂的形態(tài)即可滿足大多數(shù)作業(yè)需求，雙腿行走并非必需。例如在工廠環(huán)境中，輪式底盤結(jié)合雙臂的形態(tài)可能更為高效，因為它能夠兼顧移動靈活性和操作精度。

在我看來，無論是工業(yè)生產(chǎn)、家庭護理還是日常服務，雙手都是執(zhí)行任務的核心工具。相比之下，雙腳的主要功能在于移動和調(diào)節(jié)身體高 度。

目前，雙足機器人的穩(wěn)定性弱于輪式機器人。而服務型機器人的核心價值在于作業(yè)能力，而非移動方式的擬人化。雙足固然使機器人更接近人類形態(tài)，但可能犧牲雙臂的靈活性和精度。

Yi 你認為機器人的形態(tài)更重要還是軟件能力更重要？

X 從我的角度來看，軟件能力更為關鍵。在工業(yè)領域，我們常常優(yōu)先提升軟件智能，而不一定依賴人形機器人。甚至可以說，未來機器人可能發(fā)展出比人形更高效的形態(tài)，例如“三頭六臂”，以完成更高效的工作。相較于形態(tài)，軟件能力在提升機器人作業(yè)效率方面具有更重要的意義，軟件能力是核心驅(qū)動力。

Yi 目前市場上的人形機器人身高從1.2米到1.6米都有，機器人身高設計的考量重點是什么？

X 基于作業(yè)空間的需求，成人作業(yè)高度通常在1.55米至1.75米之間，因此我們團隊選擇了1.6米這一中間值作為機器人的身高，以更好地適應作業(yè)環(huán)境和操作要求。在機器人設計中，身高越高，設計和控制的難度也越大。身高增加會導致手臂重量增加，進而影響機器人的運動性能。許多表演型機器人為了吸引眼球，在設計上更注重外觀和輕量化，而忽視了實際作業(yè)需求。

Yi 機器人產(chǎn)業(yè)經(jīng)歷過多輪熱潮，你認為本輪熱潮與以往相比有何不同？

X 上一輪2012年左右開始的機器人熱潮主要由感知技術(shù)突破帶動。例如2016年左右即時定位與地圖構(gòu)建（SLAM）技術(shù)的突破，實現(xiàn)了大范圍場景下一致地圖的構(gòu)建，由此推動了移動機器人在工廠、餐飲場所和酒店等場景的應用。同時，AI技術(shù)的進步，尤其是深度學習在智能駕駛和人臉識別等領域的應用，也為產(chǎn)業(yè)發(fā)展提供了強大動力。本輪熱潮則是由感知智能轉(zhuǎn)向行為智能。

此外，上一輪熱潮中，機器人的關鍵技術(shù)已經(jīng)在多個場景中得到了驗證，進入了產(chǎn)品化階段；而這一輪熱潮中的大多數(shù)公司仍處于關鍵技術(shù)的攻堅階段。

Yi 如何看待機器人走進家庭的前景？

X 相比工業(yè)和商業(yè)場景，家庭場景對機器人的作業(yè)能力提出了更高的要求。家庭機器人面臨的兩大主要挑戰(zhàn)是安全性和成本。以護理機器人為例，需要解決物理交互中的傷害風險，但當前技術(shù)難以達到安全保障。此外，高性能人形機器人的成本在短期內(nèi)難以顯著下降，家庭用戶的支付意愿也相對有 限。

護理機器人在協(xié)助老人時可能會造成意外傷害，這并非危言聳聽。已有案例顯示，部分護理機器人在作業(yè)過程中導致老人骨折的問題。如果是由護工導致類似問題，責任的界定相對容易，然而，當機器人造成傷害時，責任界定變得復雜。

在工廠，工業(yè)機器人的工作場景通常與人類保持隔離，協(xié)作機器人雖然能夠與人類互動，但運行速度也往往被限制，這都是基于安全性的考慮。目前，一些初步的交互式機器人應用（如按摩機器人）仍需要人類在旁邊監(jiān)督，以確保安全。

Yi 隨著機器人技術(shù)的不斷成熟，有人擔心機器人會取代人類的工作，你怎么看？

X 機器人技術(shù)的進步是工具的進化，其發(fā)展將重塑產(chǎn)業(yè)結(jié)構(gòu)，而非取代人類。發(fā)展機器人技術(shù)和產(chǎn)業(yè)的目的并非讓人類失業(yè)。實際上，企業(yè)引入機器人的主要原因是為了解決人力短缺問題以及滿足對工作質(zhì)量的高要求，特別是在制造業(yè)和護理行業(yè)等年輕人不愿涉足的領域，人形機器人可以取代人類從事危險、重復和乏味的工作。

此外，機器人產(chǎn)品的發(fā)展成熟會創(chuàng)造出大量新的工作崗位。例如，機器人需要專業(yè)的團隊來研發(fā)、制造、訓練和應用。就像汽車的出現(xiàn)帶動了維修、清洗等相關行業(yè)的發(fā)展。因此，我們應該將機器人視為提升工作效率和生活質(zhì)量的工具，而非威脅就業(yè)的競爭對手。

Yi 未來1到3年，你認為機器人行業(yè)的主要發(fā)展趨勢是什么？

X 未來1到3年，具身智能技術(shù)將不斷深化，行為智能也將逐步提升。初期可能會實現(xiàn)快速任務遷移能力，隨后逐漸發(fā)展出適應特定場景的通用性，最終朝著自主學習能力邁進。在產(chǎn)業(yè)發(fā)展方面，我預計在未來3到5年，人形機器人將率先在工業(yè)領域?qū)崿F(xiàn)規(guī)?；瘧?用。