1. 首頁 > 生活百科 > >

風口上的機器人，其實離“上班”還有點遠

機器人人工智能華為云

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

文章圖片

風口上的機器人，其實離“上班”還有點遠

【風口上的機器人，其實離“上班”還有點遠】
眾所周知 ， 人形機器人 ， 那可是今年爆火的科技 。 但我發現這玩意有多火 ， 爭議也就有多大 。
因為自打春晚機器人扭秧歌開始 ， 這行發展的是真的快 。 4月份機器人馬拉松才跑步呢 ， 8月份就能開運動會了 。
各種機器人展會今年也不少 ， 甚至WAIC這個往年搞大模型的展會 ， 今年也騰了好大一塊地放機器人 。

但你別看場面上熱熱鬧鬧 ， 喧囂之下也涌現出另一種聲音 。
今年年初金沙江創投的朱嘯虎直言：“人形機器人就是泡沫” 。
不少網友其實也有點這意思 ， 道理嘛也顯而易見 ， 視頻上這一個個機器人好像都能上天 ， 巴不得趕明兒就搞成終結者 ， 然而現實里 ， 這些鋼鐵boy們連個門都打不開 。。。

先說立場 ， 哥們我是覺著 ， 具身智能這玩意以后肯定大有作為 ， 包贏的 。 但是為了搞清楚 ， 為啥這里邊兒有這么多爭議 ， 我也去扒了行業現狀 。
結果沒想到 ， 我發現有些問題還真不完全是瞎說 。
因為在具身智能這個產業里 ， 確實還有一些難點 。 就別說網友了 ， 甚至不少業內人士對這些行業問題也沒達成共識 。

舉個例子 ， 這行現在連技術路線都還沒統一 。 未來到底是強化學習牛逼 ， 還是世界模型牛逼？我們應該更關注數據 ， 還是更關注模型？……這些問題都沒個定論 ， 大家只能各搞各的 ， 沒法形成合力 。
懂行的朋友看到這可能就要說了 ， 那不管咋說 ， 他們這些路線的目的 ， 起碼都是一個吧 。
有一說一 ， 確實 。 如果只看目的 ， 那整個機器人產業的終極價值 ， 就是參與勞動 ， 提高生產力 。 和咱人類一個樣 ， “勞動最光榮”嘛 。
但問題是 ， 就算咱拋開這些分歧不談 ， 還有一個更直接、更要命事兒擺在行業面前：沒數據 。。。

這可不是哥們瞎說 ， 現在整個行業都在面臨“等米下鍋”的問題 。
因為你要想讓一個大模型智能涌現 ， 那至少需要100億到1萬億個Token的數據 ， 差不多是模型參數的10倍以上 。 但現在呢？大部分研究的數據量都只有幾個億 ， 最大的公開數據集也就10億左右 。
俗話說重復是學習他爹 ， 你這訓練量不夠 ， 那肯定沒法漲技能啊 。
所以這就導致現在的機器人 ， 任務種類是少得可憐 ， 泛化性是差得離譜 。 說白了 ， 沒有足夠的數據去訓練 ， 尤其是真實場景的數據 ， 導致機器人都是實驗室里“圈養”的胖寶寶 ， 一到現實就抓瞎 。
數據瓶頸 ， 死死卡住了機器人從實驗室走進廠里、屋里的路 。 這個月的外灘大會上 ， 宇樹創始人王興興也是這個意思 ， 當前具身智能發展面臨的多重挑戰中 ， 其中一個就是數據方面的問題 。
拿VLA模型來說 ， 目前與真實世界交互的數據就不太夠用 。

不過 ， 要因為有難點就否定行業 ， 我覺得也有點著急了 ， 咱最好還是看看行業內有沒有什么對應的解法 。
我們找到了一個在華為云搞具身智能的朋友 ， 人家就說：“行業問題是沒錯 ， 但你也不能只看到這一層 。 ”
什么意思呢 ， 就是要解決這些新技術里的新問題 ， 那肯定也得有新的方法論和平臺 。
就比如上云 ， 用云端的方式 ， 來系統性地解決機器人產業的各種難題 。

拿我們前面說的 ， 這個首當其沖的數據問題來說 。
既然現實中數據采集和訓練都非常困難 ， 那能不能把這些東西搬到云上做呢？還真可以 。
實際上 ， 這也是個行業趨勢 ， 像英偉達最近搞的Cosmos基礎模型 ， 就是用云端生成合成數據來訓練物理AI 。
包括國內 ， 華為云也有一個CloudRobo具身智能平臺 。 它也是在云端能造出一個數字世界 ， 跟現實一模一樣 ， 然后在這個里面生成數據搞訓練 。
這就好比給機器人開了個《黑客帝國》里的訓練模式 ， 在虛擬空間里把十八般武藝都練熟了 ， 再回到現實世界里干活 。

那它們是具體怎么做到的呢？說來也不復雜 ， 主要分兩步 。
第一步 ， 是解決數據的問題 ， 也就是先得有米 。
像華為云CloudRobo ， 背后就是靠一個叫MetaEngine的自研引擎 ， 來搞數據重建 ， 把一個真實的物理場景 ， 在云端復刻出一個數字孿生體 ， 整個過程低人工 ， 自動完成 。
然后 ， 再在這個虛擬場景里搞數據增廣 。 其實就是在這個數字世界里 ， 模擬各種形態的機器人 ， 生成海量的第一視角數據 ， 什么RGB圖像、深度、時序數據 ， 要啥有啥 ， 還都帶著自動標注 。
據說以后在某些場景下的機器人訓練 ， 可以通過真實數據跟合成數據的比例調整 ， 提升訓練效率 ， 就基本上能夠解決“沒米下鍋”的問題 。
之前銀河通用創始人王鶴甚至說過 ， 合成數據會占訓練數據的絕大部分 ， 而且一般人還做不來 ， 需要廠商有長期的積累和核心技術know-how 。

然后第二步 ， 就是解決訓練和運行的問題 ， 也就是讓機器人學著干活兒 。
CloudRobo的訓練平臺 ， 就能讓機器人在這個虛擬世界里 ， 通過模仿學習 ， 進行無數次的“虛擬勞動” ， 也就是能大幅降低試錯成本 ， 加速技能學習 。
這倆搭配起來 ， 其實是個很前沿的想法 。
以前要想練一個機器人的模型 ， 那機器人怎么運動 ， 是要人來喂數據的 ， 甚至有的數據采集還得動補 ， 這就跟鐵甲鋼拳似的 ， 你一邊動它一邊記錄數據 ， 然后反復學習 。
但是要把這都搬到虛擬世界里 ， 那就非常便利了 ， 因為云端的訓練完全是算力和電量決定的 ， 就現在這些云廠商的保障 ， 你在外面哼哧哼哧搭一天環境 ， 人家可能已經擱里邊兒訓練了兩年半了 ， 每天都跟凌晨四點洛杉磯似的 。

而且人家在這里面學成之后 ， 它的運行平臺還能無縫連接實體機器人 ， 直接傳進機器大腦里 ， 開機就能唱能跳能干活 ， 所以這也就是為啥不少大廠都在琢磨這個方向 。
光說不練假把式 。 之前華為云就現場展示過一段從CloudRobo畢業的雙臂機器人 ， 在一個小小的分光盒里進行高精度操作 ， 成功率達到了90%以上 。 還能讓埃夫特的工業噴涂臂 ， 快速學會噴涂新零件；能讓樂聚的人形機器人 ， 在汽車產線上搬運上料啥的 。
所以我覺得 ， 在云上解決數據和訓練這事 ， 其實很有前景 。

除了在云平臺搞數據仿真訓練 ， 機器人這行業里還有不少復雜問題 ， 現在也有了靠云端來解決的解法 。
比如這行里現在還有個問題是 ， 行業標準亂 ， 各家機器人廠商像早期的手機廠商似的 ， 諾基亞、摩托羅拉、愛立信 ， 系統、充電口全都不一樣 。 那這情況肯定沒法像iOS安卓鴻蒙一樣大規模多機協同 。
所以就需要一個統一的協議 ， 讓他們互相能聽懂 。 華為云老哥說他們有個方案 ， 叫R2C（Robot to Cloud）協議 。 這個就類似機器人界的“Type-C”接口 。 主要就是給來聚合大家的生態 ， 推動行業標準化的 。
只要是預置了R2C接口的合作伙伴 ， 就能實現“即插即用” 。 這就好比你買個新鼠標 ， 不管Windows還是Mac ， 插上USB口就能用 ， 不用再到處找驅動盤了 。
像國家地方共建人形機器人創新中心、拓斯達、優艾智合等各個領域的頭部玩家 ， 都加入了R2C協議 。 有種振臂一呼 ， 各大門派紛紛響應的感覺 ， 大家都開始上船了 。

不過咱說句實話 ， 不怕得罪人 ， 就是上云這個事呢雖然好 ， 但是也肯定不是包治百病的 ， 啥時候都能用 。
你想想那些對實時性、安全性要求極高的場景 ， 人家可能還是想搞本地計算 ， 這咱得理解 。
實際上 ， 雖然咱經常跟大家說上云 ， 但是云計算的真正價值 ， 其實是在于那些更復雜的場景 。 像什么最耗算力的復雜場景識別、任務規劃、模型調用這些工作 ， 其實以后很可能都交給云端 ， 機器人本體就更專注于執行 ， 變得更輕、更便宜 。

換個角度 ， 你也不想你的機器人整體背個大電腦對吧 ， 這玩意不方便我說白了 。 所以這么一來 ， 就能為機器人從實驗室走進工廠 ， 走入家庭 ， 提供了一種可能的路徑 ， 這就是所謂的云本體化 。
之前王興興在WRC演講的最后 ， 也說到人形機器人本體上 ， 其實沒辦法直接部署很大規模的算力 ， 所以這玩意以后肯定要靠分布式的集群算力來解決 。 這其實就是用到了云端算力來解決問題 。
就在這幾天 ， 華為在AI算力方面也有了新的布局：其發布了最新超節點產品Atlas 950 SuperPoD和Atlas 960 SuperPoD超節點 ， 分別支持8192及15488張昇騰卡 ， 在卡規模、總算力、內存容量、互聯帶寬等關鍵指標上全面領先 ， 在未來多年都將是全球最強算力的超節點 。
基于超節點 ， 華為同時發布了全球最強超節點集群 ， 算力規模最大將達到百萬卡 ， 作為世界最強算力集群將為具身智能行業創新突破提供穩固且澎湃的算力支持 。
華為全聯接大會2025：華為副董事長、輪值董事長徐直軍發表主題演講

說到底 ， 上云也好本地也好 ， 這些技術手段都是來給咱解決問題的 ， 讓機器人早點去勞動 ， 參與社會實踐 ， 那就是好手段 。
總而言之 ， 那些說機器人是炒作的聲音 ， 其實也沒全錯 ， 他們確實指出了行業現存的困難 。
但只看到困難 ， 就跟只看到冰山一角一樣 ， 容易得出悲觀的結論 。
所有技術的喧囂都終將過去 ， 這些人類的造物 ， 最終要從學校走上社會 ， 在擰緊的螺絲、搬運的物料、焊接的縫隙中來驗證它們的價值 。
一句話 ， 具身智能這事兒 ， 太復雜了 ， 還是需要一個甚至幾個跑在前面的人站出來 ， 先不做機器人本體 ， 先把基建搞出來 。
其實務實一點也真沒錯 ， 與其在岸上爭論這道能不能走 ， 不如把路修起來 。
畢竟 ， 路修寬了 ， 大家才能跑得更快 ， 更遠 。

    推薦閱讀