新華社北京9月15日電 9月15日,《新華每日電訊》發(fā)表題為《數(shù)據(jù)：99%+1%，能實(shí)現(xiàn)“從0到10000”——銀河通用王鶴：讓機(jī)器人甩掉遙控器，“睜開(kāi)眼”干活》的報(bào)道。
北京銀河通用機(jī)器人有限公司創(chuàng)始人兼首席技術(shù)官王鶴。受訪者供圖
8月，全球首個(gè)城市級(jí)常態(tài)化運(yùn)營(yíng)的人形機(jī)器人示范區(qū)落地北京。來(lái)自北京銀河通用機(jī)器人有限公司的“銀河太空艙”——由機(jī)器人經(jīng)營(yíng)的無(wú)人超市開(kāi)張，具身智能真正走進(jìn)大眾日常生活。作為專注于研發(fā)人形機(jī)器人硬件和具身智能大模型的機(jī)器人企業(yè)，銀河通用率先實(shí)現(xiàn)機(jī)器人在工業(yè)、零售等場(chǎng)景批量化落地，其自研機(jī)器人Galbot在機(jī)器人格斗賽等賽事上也斬獲佳績(jī)。
每次有機(jī)器人火上熱搜，評(píng)論區(qū)都有不少人強(qiáng)調(diào)一個(gè)現(xiàn)實(shí)：目前，絕大多數(shù)機(jī)器人離開(kāi)人工和遙控，還是會(huì)“原形畢露”。
而銀河通用的機(jī)器人Galbot卻有所不同：它不僅無(wú)需“遙控”，還能自主干活。
眼下，具身智能的最大困境，既非硬件，也非模型，而在于數(shù)據(jù)。不論是讓機(jī)器人從動(dòng)作智能轉(zhuǎn)向認(rèn)知智能，還是提升機(jī)器人的泛化性、魯棒性（指系統(tǒng)、算法或模型面對(duì)外部干擾、輸入異?；騼?nèi)部參數(shù)變化時(shí)維持穩(wěn)定運(yùn)行并輸出預(yù)期結(jié)果的能力），關(guān)鍵在于數(shù)據(jù)的豐富性和準(zhǔn)確性。
而一個(gè)讓難度再進(jìn)階的考驗(yàn)是，想要真正實(shí)現(xiàn)商業(yè)閉環(huán)，還要權(quán)衡數(shù)據(jù)獲取的質(zhì)量、成本與效率。
記者：機(jī)器人發(fā)展的優(yōu)先級(jí)，應(yīng)側(cè)重于能力的展示，還是產(chǎn)業(yè)的切實(shí)賦能？在發(fā)展方向上，業(yè)內(nèi)分歧多還是共識(shí)多？
王鶴：今年以來(lái)，機(jī)器人企業(yè)在兩種能力的選擇上逐步有了區(qū)分度。一類以宇樹(shù)科技為代表，其機(jī)器人擅長(zhǎng)運(yùn)動(dòng)、舞蹈、拳擊，特點(diǎn)是以腿足乃至全身控制為主，能展現(xiàn)出精彩的運(yùn)動(dòng)能力。還有一類是以銀河通用為代表的“干活派”，依靠視覺(jué)反饋閉環(huán)，展現(xiàn)出在實(shí)際場(chǎng)景中干活的能力?！案苫钆伞崩?，大致還可分為視覺(jué)算法+軌跡生成，與端到端VLA（即視覺(jué)-運(yùn)動(dòng)-動(dòng)作一體化生成）兩種技術(shù)路徑。
其實(shí)，不少人形機(jī)器人跳舞、跑步，并沒(méi)有用到視覺(jué)傳感器。今年4月在北京舉行的全球首個(gè)機(jī)器人半程馬拉松上，不少觀眾注意到部分機(jī)器人“運(yùn)動(dòng)員”的不遠(yuǎn)處，有人用遙控器遙控機(jī)器人跑步、轉(zhuǎn)彎或加速，實(shí)際上機(jī)器人是“閉著眼”跑的。這樣的技術(shù)現(xiàn)狀跟機(jī)器人“生產(chǎn)力時(shí)代”還不是一回事，畢竟，沒(méi)有活是閉著眼睛干的。
今年，具身智能的場(chǎng)景落地在加快。以工業(yè)場(chǎng)景為例，銀河通用的機(jī)器人已實(shí)現(xiàn)流水線搬運(yùn)、分揀等環(huán)節(jié)的規(guī)?；瘧?yīng)用。零售場(chǎng)景中，銀河通用在北京海淀已成功落地10多家配備人形機(jī)器人的智慧藥房，并計(jì)劃年內(nèi)在全國(guó)開(kāi)設(shè)100家。此外，銀河通用的機(jī)器人已開(kāi)始售賣零食、咖啡等商品。
記者：機(jī)器人完成酷炫的、令人眼前一亮的動(dòng)作，許多情況下還是預(yù)編排的動(dòng)作序列、人工遙控與視頻剪輯共同作用的結(jié)果。為什么會(huì)出現(xiàn)“demo（演示視頻）先行、落地乏力”？
王鶴：秀一段5分鐘的demo，對(duì)機(jī)器人的可靠性、穩(wěn)定性要求并不高，不能證明它是能24小時(shí)工作的高可靠性產(chǎn)品。
demo與產(chǎn)品的差距主要來(lái)自兩方面。一是泛化性不足，視頻片段展示的多為精心布置的受控環(huán)境，如果換個(gè)物體、環(huán)境甚至是光線，機(jī)器人就難以工作了，這顯然還不是成熟的產(chǎn)品。二是硬件不可靠，如果機(jī)器人用上一會(huì)兒就需要人來(lái)維修，也顯然還不能大規(guī)模投入使用。機(jī)器人的核心功能是替人去勞動(dòng)，而不是成為花瓶一樣的擺設(shè)。
記者：要想“拿掉機(jī)器人的遙控器”，核心在于什么？
王鶴：在于能夠自主執(zhí)行的模型“大腦”，且能實(shí)現(xiàn)跨場(chǎng)景泛化。今年初，銀河通用以10億級(jí)合成大數(shù)據(jù)，端到端訓(xùn)練了一個(gè)VLA大模型，以視覺(jué)作為輸入，模型實(shí)時(shí)輸出當(dāng)前機(jī)器人末端執(zhí)行器應(yīng)當(dāng)如何移動(dòng)，是一個(gè)閉環(huán)反饋模型，能夠?qū)崿F(xiàn)對(duì)不同場(chǎng)景中移動(dòng)物體的抓取。6月，又推出了端到端導(dǎo)航大模型，使機(jī)器人能夠擁有“聽(tīng)—看—懂—走”閉環(huán)運(yùn)動(dòng)能力。
另一個(gè)核心在于硬件的性能要夠用、好用，精度要盡可能高。
記者：機(jī)器人實(shí)現(xiàn)泛化的關(guān)鍵在于什么？
王鶴：數(shù)據(jù)?？梢哉f(shuō)數(shù)據(jù)決定了機(jī)器人能力的下限。
我的觀點(diǎn)是，現(xiàn)階段合成數(shù)據(jù)可用于解決從0到1的問(wèn)題，利用真實(shí)遙操采集的數(shù)據(jù)可解決從1到100的問(wèn)題，從100到10000的問(wèn)題則交由視頻數(shù)據(jù)處理，讓機(jī)器進(jìn)行學(xué)習(xí)。具身智能所依靠的數(shù)據(jù)，99%可借助高質(zhì)量的合成數(shù)據(jù)完成，只有在合成數(shù)據(jù)無(wú)法處理的情況下，才需要有針對(duì)性地采集使用1%的真實(shí)數(shù)據(jù)。
端到端具身大模型面臨的困難，與自動(dòng)駕駛所運(yùn)用的端到端大模型有所不同。自動(dòng)駕駛所依靠的數(shù)據(jù)來(lái)源廣泛、數(shù)量龐大，且采集成本為負(fù)。目前，頭部人形機(jī)器人廠商量產(chǎn)的機(jī)器人僅為千臺(tái)級(jí)別，難以達(dá)到萬(wàn)臺(tái)規(guī)模。在現(xiàn)實(shí)中，讓所有機(jī)器人都投入不同場(chǎng)景自主工作，以供真人采集上億條數(shù)據(jù)，并不具有現(xiàn)實(shí)可行性。
更為切實(shí)可行的解決方案是，先利用合成數(shù)據(jù)完善抓取、移動(dòng)、放置等功能，助力具身智能開(kāi)拓市場(chǎng)，先完成那99%。而生成高質(zhì)量合成數(shù)據(jù)也存在一定門檻，需具備出色的圖形學(xué)、物理仿真、物理渲染、自動(dòng)動(dòng)作合成管線等一系列完整的基礎(chǔ)設(shè)施，還需要長(zhǎng)期的核心技術(shù)積累。
記者：什么能稱為高質(zhì)量的數(shù)據(jù)？該如何評(píng)價(jià)采集或仿真獲得的數(shù)據(jù)夠不夠好、夠不夠用？
王鶴：數(shù)據(jù)的“質(zhì)”比“量”重要。如果數(shù)據(jù)千篇一律、同質(zhì)性太高，那么它的價(jià)值就非常有限。高質(zhì)量數(shù)據(jù)意味著它是多元的，能夠體現(xiàn)柔性物體的操作，具備場(chǎng)景的泛化性。從機(jī)器學(xué)習(xí)的角度講，訓(xùn)練數(shù)據(jù)能覆蓋盡可能多元的測(cè)試數(shù)據(jù)的分布，機(jī)器人的學(xué)習(xí)就越高效，學(xué)成之后，它就能在陌生環(huán)境抓取一個(gè)此前沒(méi)見(jiàn)過(guò)的東西。
記者：現(xiàn)有的模型架構(gòu)夠用嗎？
王鶴：不能說(shuō)完全成熟，但是夠用了。模型方面一直有進(jìn)展，但起決定性作用的是數(shù)據(jù)。數(shù)據(jù)足夠的情況下，好的模型能學(xué)得更好，但數(shù)據(jù)不夠時(shí)，好的模型也會(huì)變成“差生”。好比教一個(gè)3歲小孩學(xué)圍棋，一上來(lái)就教高端技巧并不現(xiàn)實(shí)，得先讓他知道什么是黑子白子。
記者：機(jī)器人商業(yè)落地，難在哪里？技術(shù)突破速度與場(chǎng)景適配深度之間的平衡，如何把握？
王鶴：可批量復(fù)制的場(chǎng)景落地，將是具身智能的“生死分水嶺”。在我看來(lái)，未來(lái)3年左右，能找到可以擊穿的場(chǎng)景就能留在牌桌，找不到的將會(huì)出局。未來(lái)1年，如果能實(shí)現(xiàn)千臺(tái)到萬(wàn)臺(tái)的機(jī)器人批量交付，行業(yè)價(jià)值才算得到驗(yàn)證，具身智能的泡沫也將被剝離。
事實(shí)上，如果能把抓取、移動(dòng)、放置這類“簡(jiǎn)單”操作的泛化性問(wèn)題徹底解決，已堪稱具身智能發(fā)展過(guò)程中的一個(gè)里程碑。這一技術(shù)的成熟足夠打開(kāi)數(shù)千億元的市場(chǎng)，使機(jī)器人在零售、前置倉(cāng)、車廠分揀等多個(gè)場(chǎng)景中幫助人類完成繁重勞動(dòng)。
記者：普林斯頓大學(xué)一門哲學(xué)課花了一整個(gè)學(xué)期討論一個(gè)問(wèn)題——先有語(yǔ)言，還是先有思維。這個(gè)討論是關(guān)于人的，但從這個(gè)視角看，機(jī)器人的語(yǔ)言形成、認(rèn)知形成，是否與人類相仿？大語(yǔ)言模型、推理模型的發(fā)展，如何影響機(jī)器人的進(jìn)化？
王鶴：不是所有的思維活動(dòng)都基于語(yǔ)言。拿猩猩舉例，猩猩學(xué)習(xí)某個(gè)技能，靠的是另一只猩猩在它面前演示一遍，也就是說(shuō)，技能是靠具身的學(xué)習(xí)來(lái)傳播的。即使語(yǔ)言交流不發(fā)達(dá)，猩猩也一樣具有視覺(jué)思維、空間思維、情感思維。
人類的思維是一個(gè)復(fù)雜的認(rèn)知過(guò)程，人類的語(yǔ)言和思維在互動(dòng)中塑造。語(yǔ)言能夠使思維在更大范圍內(nèi)傳播，思維涉及心智層面對(duì)信息的處理，包括概念形成、問(wèn)題解決、決策制定與反思等，可以影響語(yǔ)言的演化與延伸。所以說(shuō)人類智能里，思維能力、語(yǔ)言能力、操作能力都是使人類擁有地球上迄今為止最強(qiáng)智能的重要因素。
記者：ChatGPT橫空出世時(shí)，有人說(shuō)“語(yǔ)言即智能”；人形機(jī)器人熱潮來(lái)襲，又有人說(shuō)“身體即智能”。也許在今天，只以人的維度評(píng)價(jià)智能已經(jīng)不夠了。你如何定義“智能”？人的智能、機(jī)器人的智能是否有一個(gè)交匯點(diǎn)？
王鶴：智能就是解決問(wèn)題的能力。無(wú)論對(duì)于人類、其他動(dòng)物還是機(jī)器人，遇到問(wèn)題后能給出解決辦法的能力，就是智能。面對(duì)一瓶飲料，人類利用語(yǔ)言溝通請(qǐng)有工具的人打開(kāi)它，動(dòng)物徒手打開(kāi)它，機(jī)器人給出一個(gè)恰好的力來(lái)打開(kāi)它——調(diào)用能力的方式不同，但這都是智能。