“盼望着，盼望着，风口来了，机器人的脚步近了。

如今但凡是标榜高科技的展会，总少不了人形机器人“来帮帮场子”。它们或是一记左勾拳右勾拳，或是一个漂亮的回旋踢，动作虽带着机械特有的笨拙感，但绝对是会场的顶流。作为暖场嘉宾，它们确实挺称职。可一旦真要它们干点实际活儿，这些机器人马上躺平给你看。

最近有新闻说，中国现在“牛马”够用，缺的是能扛事儿的“驴”。牛马有我们打工人，在未来，人形机器人能不能成为能扛事的“驴”？在成为合格“赛博驴”的路上，人形机器人最大的挑战究竟是什么？是大模型能力不足吗？不是。是机械结构不够精密吗？也不是。真正的关键，在于数据。

近日，数据猿与千寻智能副总裁、具身智能事业部总经理解浚源展开了一场对话，试图揭开人形机器人成长的秘籍以及成长的烦恼。

“人工智能的终究形态，

在于‘有身体’的智能”

近几年，大模型的飞速进步，让我们直观感受到了“智能涌现”的魅力。一直以来，“造人”始终是科学家门终极的追求，也是最浪漫的使命。

千寻智能也是其中的一员，他们十分笃定的认为——人工智能的最终形态，必然是具身智能。

这一判断基于两个重要原因：技术路径更短，成本优势更大。

具身智能，既可以说是为AI“装上身体”，也可以理解为给机器人“赋予大脑”。无论从哪个角度看，目标都是一致的——让机器人能像人一样“听说读写”、灵活行动，并具备规划与决策能力，自主完成复杂任务。

“相比于AI大模型，在现实世界的任务中，具身智能在技术上更容易实现落地。” 解浚源如是说。

这一观点，似乎有点挑战了大众的一般认知。毕竟在多数人想象中，造一个实体机器人肯定比开发“虚拟”的AI大模型更复杂——就像觉得钢铁侠的战衣比贾维斯的系统更难造。

解浚源解释道，过去几年，大模型在虚拟世界的进化能力让人叹为观止。吟诗作画、解题写程序，或者写一份工整漂亮的专业论文，它都信手拈来。但却难以回答“如何将玻璃杯平稳放置在倾斜桌面上”这类依赖物理直觉的问题。更不用说走入到物理世界，AI的表现就更“差劲”了，连“叠衣服”这么简单的动作，实现起来都很难。

而现实中大量任务——如整理房间、擦桌子等，虽然交互频繁，却并不依赖长链条的推理或记忆，更多是依靠实时感知与动作执行。这类任务重复性高、决策链短、实时性强，恰好是具身智能最能发挥价值的场景。

与纯AI大模型不同，具身智能拥有自己专属的AI大模型。它更轻，因为要在机器人端侧部署。它响应速度更快，因为机器人需要在真实世界中移动，一旦模型发生延迟，动作就会卡顿。它迭代速度更快，虽然技术栈同样基于Transformer架构，但具身智能大模迭代速度更快。以千寻智能为例，其自研的具身智能AI大模型几乎24小时就能完成一次迭代，比纯AI大模型的迭代速度提高了十几倍。

这些优势在物理世界的简单任务中被不断放大。具身智能或者说人形机器人最适合承接那些短程、重复的体力劳动，如洗衣、擦桌、洗碗等，将人从日常琐事中解放出来。

除了技术落地之外，成本优势是另一大关键。

解浚源进一步阐述说，社会上存在一个普遍的认识误区：具身智能或者人形机器人需要巨额的投入。其实则不然，跟大模型相比，具身智能的投入可以说“非常具有性价比了”。当前大模型企业的投入，大多砸在了算力上——很多头部企业买显卡一出手就是几百亿、上千亿。

“如果我们将同等规模的资源投入到机器人研发中，用于在物理世界采集数据，几十亿甚至几百亿的资金，足以获取海量的真实场景数据，从而快速推动实体智能的进步。而且机器人一旦落地，其价值也更加直观——它能实实在在地替代人类完成重复性体力劳动，比如搬运、清洁等。这种‘看得见、摸得着’的价值，比起大模型解题，更容易被大众理解和感知。” 解浚源说。

“数据飞轮是构建核心竞争力的关键”

在千寻智能展厅，我们有幸看到了公司的一款成熟产品——“墨子”机器人。

据解浚源介绍，“墨子”是真正意义上具备多任务连续泛化能力的具身智能机器人。从模型软件到底层硬件，千寻坚持全栈自研，甚至关节模组也是自主设计，AI与硬件的有机融合使“墨子”的性能参数达到行业一流水平。

“墨子”具备全身力控能力，能对外界力量做出实时响应。例如，当它在运动中意外撞到桌子时，不会硬性撞击导致损伤，而是会做出柔顺的缓冲反应。这一能力使其能够执行需要触觉反馈的任务，如擦黑板——对人来说轻而易举，但对机器人而言，若控制不够柔顺，一发力就可能失去平衡。

从项目启动之初，千寻智能就将“墨子”定位为具备市场价值的产品，因此选择了“轮式底盘+上身双臂”的技术路径。优先通过轮式结构解决移动与稳定性问题，再集中攻坚上肢的精细操作能力。解浚源指出：“人类的独特价值不在于奔跑速度或跳跃高度，而在于双手所能实现的灵巧操作。这正是我们聚焦‘大脑级’任务——上半身智能控制的原因。”

面向未来，解浚源分享了两大突破方向：

一是灵巧手技术仍需攻坚

尽管机器人的腰、腿、上身等整体结构已较为成熟，但实现人手级别的灵活操作仍是当前的主要难点。目前尚未出现真正实用、灵活且成本可控的灵巧手方案。要让机器人像人一样熟练抓取、旋转、按压不同物体，甚至完成穿针引线类精细动作，可能仍需数年时间持续打磨。

二是构建“数据飞轮”是关键竞争力

回顾过去十多年的互联网发展，真正能做大的企业，最终依靠的都是数据闭环——更多用户带来更多数据，更多数据训练出更好的模型和系统，更好的系统又吸引更多用户，这个飞轮一旦转起来，就会形成强大的壁垒。具身智能也不例外，必须建立“一边创造价值，一边产生数据”的飞轮效应。

与大语言模型不同，具身智能的数据具有私有性与闭环性。大模型的预训练数据多来自公开网络，难以形成壁垒；后期精标数据又依赖昂贵的人工标注，易被复制。而用户交互数据往往质量有限，难以直接用于模型提升。

然而在具身智能场景中，数据飞轮可以高效运转：机器人以基础能力部署后，在真实场景中执行任务，成功经验强化模型，失败案例经人工干预后转化为高质量数据。这一过程类似自动驾驶，但机器人可优先选择容错率更高的场景（如无人环境下的清洁任务），以更低风险积累有效数据。

“每一次失败，都是模型进化的一次机会。”解浚源总结道，“这种‘从实践中学习’的闭环，正是具身智能持续进化的核心动力。”

“最大的挑战来自数据”

如何解决数据问题，已成为整个具身智能领域共同的“拦路虎”。很多人可能会感到意外：制约机器人发展的，居然不是模型算法，也不是机械结构，而是看似“随处可见”的数据，具身智能的数据到底难在哪？

如果你看过机器人马拉松或运动会，一定会笑出声。那场面简直堪称“大型翻车现场”——有的走着走着突然跪地不起、跑着跑着零件脱落、甚至有的在做动作时直接把自己抡飞……

这些狼狈表现的背后，根源在于具身智能严重缺乏高质量的物理交互数据。没有足够的数据支撑，机器人是无法感知到这个世界的物理法则，在真实世界中“稳健行走”都成问题。

与大模型不同，具身智能需要的数据非常特殊：它依赖大量来自物理世界的交互信息，比如摩擦系数、材料应力反馈、力度控制等。这类数据不像文本或图片那样容易获取，它们无法从公开网络批量下载，而必须通过实打实的动作尝试、碰撞、调整才能积累。

更关键的是，纯文本模型缺乏“身体经验”，它的知识来自符号关联，而非对物理规律的深层理解。要让机器人真正理解世界，就必须像教婴儿学步一样，让它亲自去摸、去抓、去摔倒、再爬起来——而这个过程，比训练一个大模型要困难得多。

和人类相比，人形机器人大概还处在“婴儿学步”的阶段。这绝不是讽刺，反而说明它们走对了路。毕竟，每个婴儿我们都称呼他为“宝贝”。

要知道，即便是刚出生的婴儿，也并非一张白纸。他们自带一套经过千万年进化而来的“预训练系统”，天生就具备几种关键能力：

·物理直觉：几个月大的婴儿，就会对“违反物理规律”的事情表现出惊讶。比如物体悬空不落、突然消失又出现，他们会盯着看更久——说明他们天生就对重力、支撑、物体恒存有了基本预期。

而机器人要学完海量数据，才勉强明白“东西掉下去会落地”这种常识。

·多感官学习：婴儿通过看、抓、爬、扔、咬，实时构建对世界的理解。第一次爬下沙发，身体就在感知高度、风险与动作控制——这种“体感学习”是纯数据替代不了的。

而机器人没有重量感、没有肌肉记忆，知识始终是抽象的、飘着的。

·小样本举一反三：婴儿是高效学习机器，大脑天生就对模式、因果和结构异常敏感。可能只见过两三只狗，就能认出不同品种的狗；没系统学过语法，却能快速掌握语言规则。

而机器人识别一只狗，可能需要学习百万张标注图片。

所以说，别小看婴儿的跌跌撞撞——每一步都是在快速的学习，增加脑回路。机器人今天走得笨拙，也许正是因为它终于开始像婴儿一样，用身体去理解世界了。

而理解这个世界的关键，就是为具身智能创造一个属于它的数据生态，以此构建机器人的“成长系统”。

千寻智能打造了一套完整的具身智能数据收集与训练系统，彻底颠覆了传统的逻辑和方式。他们几乎穷尽了人类各种动作模式，用于训练机器人，从简单的抓取，到复杂的任务，将这些从零开始的技能进化过程，凝缩为可迭代、可复用的数据体系。

更重要的是，千寻智能将数据的维度，从一维的文本空间，扩展至三维的物理世界。在无数次的训练中，通过模拟物理交互，生成动态的认知图谱，最终使得机器真正“用身体感知到这个世界的物理规则”。

“十年时间覆盖全球10%的人口”

千寻智能提出了一个雄心勃勃的目标：未来十年，让全球10%的人拥有自己的机器人。这两个数字背后，是清晰的战略决心与市场判断。

解浚源解释这两个数字背后的深意：十年，是技术落地所需的合理周期；10%，则大致对应全球发达国家人口总数——正如汽车普及之初，率先享受便利的是少数富裕阶层，人形机器人也将沿着相似的路径，从高端走向大众。

这两个数字就像坐标一样，锚定了千寻智能的发展基点和目标节点。

解浚源进一步分析说，从技术发展阶段看，当前的具身智能大约相当于大模型领域的GPT-2到GPT-3阶段。Scaling Law的方向已经明确，规模扩大必然带来能力跃升，但规模化的数据闭环尚未完全跑通。尽管算力不是主要瓶颈，硬件迭代仍比纯软件慢一拍。我们预估，距离出现ChatGPT式的“爆发点”，大概还需要三年时间。

但千寻智能并不只停留在远景规划上，我们已经迈入落地推进的实战阶段。机器人正在进入工业场景实测与生产应用。今年有望实现小范围落地，明年逐步扩大部署——具身智能走进工厂，已进入倒计时。

展望未来三到五年，在商业与生活服务领域，机器人将超越当前扫地机、送餐机器人等单一功能，向更复杂的场景渗透。不过，要实现“三位一体”的综合任务——例如客房退房后全自动清洁整理，或仓储物流中完全替代人工分拣搬运——仍有距离。这些场景虽已有自动化尝试，但离真正的“无人化”还有很长的路要走。

解浚源为我们勾勒出千寻智能未来十年的发展轨迹，清晰而务实：先工业，再商业，后家庭。

·场景上：1-2年聚焦工业（L1-L2智能，单一工位响应作业）→ 3-5年进入商业服务（L2-L3智能，多任务协同）→ 十年迈向家庭（开放指令响应）。

·技术上：从固定场景的“可应变操作”，逐步演进到开放环境中的“泛化能力”。

当谈论机器人“走进家庭”时，许多人心里难免画上一个问号——它们连站稳都还略显笨拙，十年之内，真能成为我们的家庭伙伴吗？

然而，就在前几天，笔者在通过大兴机场高速的收费站，看到了一个令人眼前一亮的画面：原本需要人工伸手递卡、收卡的流程，已经全部交给了机械臂。它虽不是完整的人形机器人，却精准、流畅。那一刻，让笔者深刻体会到具身智能不再是概念或者电子玩具，而是真实世界有生产价值的存在。

这个小小的机械臂，是千寻智能所坚持的“轮式底盘+操作优先”技术路径的一次低调验证。它不急于模仿人类外形，而是先解决“手”和“移动”的问题——把动作做对，把任务完成。

也许，我们不必执着于让机器人一开始就“像人”，也不急于马上就进入家庭。它们可以从收费站、从车间、从仓库开始“练手”，在一次次精准执行中积累“经验值”。当它们带着这样的能力最终叩响家门时，或许会比我们想象中更可靠、更贴心。

来源：数据猿