围观具身智能学术争论：机器人技术拐点仍未到来，行业需要纠偏

近日，一场被一些业内人士视作是“中国具身智能路线之争”的(de)学术争论，引起(yǐnqǐ)了机器人行业的讨论。 一位(yīwèi)讨论参与者是许华哲，来自清华大学交叉信息研究院(yánjiūyuàn)（简称“清华叉院”），是中国科技(kējì)顶尖人才培养机构的助理教授，同时也是机器人企业星海图的联合创始人。另一位则是获得IEEE T-RO最佳论文奖(jiǎng)的周博宇，这是(zhèshì)亚洲单位首次获得该奖项，同时他也是南方科技大学的助理教授、博士生导师。知乎平台中，他们围绕“机器人领域特殊任务研究是否有(yǒu)价值”等话题展开了讨论。 前者主张“特殊任务(tèshūrènwù)研究”于学科有益，但对于推动具身智能的(de)发展“几乎没有用处”。后者则主张无用之用方为智能基石。5月23日，第一财经记者分别采访了许华哲、周博宇以及其他业内人士后了解到，在(zài)二者观点的分歧和共识(gòngshí)之外，这场争论折射出了学界对技术(jìshù)决定论的警惕，更直接对行业进行了“纠偏”。 在资本追捧大模型、企业砸钱秀肌肉的浪潮中，究竟该(gāi)押注通用颠覆，还是深耕工业现场那些“不够性感”的工程(gōngchéng)细节？这(zhè)是每一位具身智能从业者必须亲自探索的命题。 针对“特殊任务”的研究是否有(yǒu)意义？ 整场讨论的原点(yuándiǎn)，是许华哲在知乎上发表了一篇名为《具身智能需要从ImageNet做起吗(ma)？》的文章。 许华哲(xǔhuázhé)在其中提到，传统机器人学有相当一部分的研究重点(zhòngdiǎn)在于“特别”的机器人或者“特别”的任务。比如一个蛇形(shéxíng)机器人、一个老鼠机器人，或是让机器人去包饺子、抖落衣服。这(zhè)类“特殊任务研究”的任务对科学虽然有用，但(dàn)对“推动具身智能的发展几乎没有用处”。 “我认为这种观点显然(xiǎnrán)不对。”在《具身(jùshēn)智能(zhìnéng)：一场需要谦逊与耐心的科学远征》中，周博宇直接指出(zhǐchū)，具身智能本身是跨学科产物，它的发展必须依赖具体科学问题的突破。他(tā)以波士顿动力和蛇形机器人(jīqìrén)的研究为例，指出波士顿动力早期研究足式机器人时，没有人能预见其动态平衡算法会成为现代人形机器人的核心(héxīn)；蛇形机器人研究中的柔性驱动技术，也直接推动了医疗内窥镜机器人的发展。“这些看似无用的特别任务，都推动了科学的进步，以及具身智能的进步。” 针对特定(tèdìng)场景的(de)研究，对于行业来说的意义究竟有多(duō)大，成为了二者讨论的核心矛盾。在许华哲看来，按照深度学习、计算机视觉领域的发展规律，推动力主要来自ImageNet这样的标准化数据(shùjù)集以及ResNet或Transformer这样的通用模型。例如流水线分拣、零件抛光(pāoguāng)打磨等“特别(tèbié)的任务”，短期内有经济价值、创业需求，但长期会被具身智能的进展淹没。 许华哲向第一财经(cáijīng)记者进一步解释，以机器人的局部运动为例，在强化学习为主导的方案兴起前，人们利用控制手段也(yě)能让机器人完成特定任务，如在草地上行走、跳舞等。“不过，直到强化学习应用于(yú)此，机器人才(réncái)具备了从平地到草地、山地、跨台阶等只用一套系统就能应对(yìngduì)的能力。” “只要通用智能做成，各种细分领域的(de)(de)问题也将迎刃而解”的观点，被周博宇视作是“通用大脑(dànǎo)优越论”。他提到，即便是人类自身，在掌握某项特定技能时，也必须经历反复锤炼，方能得心应手。“通用智能无疑是一个宏伟(hóngwěi)的目标，但与此同时，我也希望(xīwàng)青年学生与工程师们能关注到一些更为具体、务实的产业需求。” 汽车总装车间中亟待解决的线束整理(zhěnglǐ)难题、半导体封装环节对高精度和高稳定性的严苛要求……“这些看似‘不够性感’的工程(gōngchéng)细节，恰恰是锤炼真正智能的淬火池。”周博宇(zhōubóyǔ)说。 在“不够性感”的(de)工程细节里寻找技术拐点 二者的讨论发出(fāchū)后，很快引起了业内多位人士的转发。 科大讯飞机器人首席科学家季超告诉第一财经记者，自己对(duì)二者(èrzhě)的观点都很(hěn)认同。对技术迭代的追求和(hé)工程化落地的能力(nénglì)，对于现阶段的具身智能而言同样重要。“表面上看，一个(yígè)惊艳的模型或巧妙的算法，可能令人眼前一亮，但如果缺乏长期工程化落地的经验积累、真实场景中的反复打磨，以及对细节极致追求的‘脏活累活’，这种优势很容易被复制甚至超越。” 杭州钛维云创的(de)创始人兼(jiān)CEO张磊也(yě)很快转发了二者的讨论。作为聚焦于纺织行业的具身(jùshēn)智能企业，在大部分的工作时间里，张磊都在处理一些“不够性感”的工程细节。“机器人的夹爪怎么去抓牛仔、棉麻、丝绸等质地不同的布料，怎么迁移、缝纫，这些都需要我们针对(zhēnduì)特定的任务和场景进行重复训练。” 但在赞同(zàntóng)周博宇“通用性无法脱离具体性而存在”的观点之外，张磊也同样认同许华哲对机器人数据和仿真训练环境(huánjìng)的观点。 “就像许华哲说的那样，在虚拟世界中的仿真(fǎngzhēn)训练和海量的数据并不是万能解药。”他告诉记者，在机器人(jīqìrén)的训练里，模拟不同状态物体所(suǒ)需要的数据量不同。如果想要训练出(chū)一个能够操作五个自由参数量的刚体机器人模型，仿真环境需要模拟的数量级可能在十的五次方。 但如果想要训练机器人“大(dà)脑”，也就是搭载在实体硬件上的(de)大模型操作柔性(róuxìng)物体，由于柔性物体参数可能有上百个，那么模拟环境数量的量级可能就会指数级增加，成本和技术难度(jìshùnándù)都有所飙升。“因此，我们(wǒmen)现在会采用真实数据‘反标’的手段，来补偿虚拟环境缺失的精度和真实性，用50%的真实数据和50%的仿真(fǎngzhēn)数据来训练大模型。” 不过，就未来的发展方向(fāngxiàng)而言，张磊(zhānglěi)坦言“自己也没有理清”。他告诉记者，具身智能仍然处在一个探索的初级阶段，自己无法打包票哪(nǎ)一种技术方案更好、会走到最后。 当前(dāngqián)，在大模型落地的方案中，出于安全和稳定性(wěndìngxìng)考虑，张磊(zhānglěi)将整个流程85%-90%的部分都采用了基于(jīyú)经典控制理论的建模方法，剩下的10%-15%则采用了基于强化学习的智能学习算法。“相比VLA（Vision-Language-Action，视觉(shìjué)语言动作）或者端到端的模型，客户更注重(zhùzhòng)安全性，这也是我们采取这个方式的主要理由。” 尽管如此(jǐnguǎnrúcǐ)，张磊仍然和许华哲、周博宇一样，相信机器学习会成为具身智能未来的主流。周博宇说，“设想如果我们能彻底理解(lǐjiě)人脑的工作机制，甚至创造出超越人脑的新(xīn)架构，那我们就有望仅凭少量数据快速掌握多种(duōzhǒng)技能，突破(tūpò)传统模块化系统的性能天花板(tiānhuābǎn)，这是很符合自然的。”他认为，这不仅依赖于AI本身的发展，还需要脑科学、类脑计算等多学科的协同突破。 观点竞合纠偏行业发展(fāzhǎn) 第一(dìyī)财经记者看到，讨论双方的观点并非全部“针锋相对”。许华哲也(yě)向(xiàng)第一财经记者坦言，传统的机器人训练方法在今天依然有他的价值。周博宇也在交谈中告诉记者，当学者在探索一些此前从未有人想过的东西时(shí)，有机会激发产业需求，带来技术的收敛。 谈及周博宇对自己观点的讨论，许华哲告诉记者，这(zhè)正是自己发表文章的目的之一。“我(wǒ)本身也很期待有人跟我展开讨论这些观点，我和周老师(lǎoshī)私交很好，除了周老师以外，还有不少人主动跟我私聊。” 而另一边，周博宇也表示，自己这篇文章“酝酿了很久”。“近两年，这个行业的发展超过了我和(hé)身边(shēnbiān)朋友的预期，在这个过程中会有(yǒu)一些激进、极端，甚至有一些喧哗的声音，学术讨论本身能够起到(qǐdào)一个纠偏的作用。” 立德智库数据显示，2025年4月(yuè)，中国机器人行业融资数量超过45起(qǐ)，环比增长9.3%。根据已披露金额及行业估值测算，预估总融资金额达(dá)60.5亿(yì)-71.5亿元，较3月的18.5亿-25.3亿元实现了2-3倍增长。 从技术路径上来讲，VLA模型(móxíng)已经成为了各家企业“秀肌肉”的重点。今年年初以来(yǐlái)，Figure AI、Physical Intelligence、英伟达(wěidá)、灵初智能等多家企业都发布(fābù)了VLA模型。在这些VLA模型的展示demo中，大多数都体现了语言(yǔyán)交互和语言动作跟随的能力。 “语言理解虽是直观的(de)智能表现，但执行层面的薄弱让技术难以(yǐ)落地。”周博宇以工业、医疗等场景举例，他认为，在这些场景当中，高精度运动控制、触觉力觉反馈等能力远比语言交互关键。周博宇提到，他担忧过度聚焦语言会(huì)导致资源错配，“企业为了融资(róngzī)，不得不分散精力做‘秀肌肉’的功能，反而忽略(hūlüè)了场景的真实需求”。 在许华哲和周博宇的(de)观点里，“长坡厚雪”是他们对这个行业的共识。这场争论的价值，或许正在于(yú)撕开技术理想主义的面纱，让行业在狂热中(zhōng)看清现实。在具身智能技术拐点到来之前，机器人的竞争与合作，不仅仅在企业渲染的demo视频中，更在那些“不够(bùgòu)性感(xìnggǎn)”的工程细节里。 (本文来自第一(dìyī)财经)