藍鯨新聞5月7日訊（編輯 李夢琪）從簡單的工業自動化發展到具身智能，智能化發展進程大步向前。人類對于智能技術的應用早已不滿足于單一技術的重復，在大規模數據積累和技術突破的當下，人形機器人的發展逐漸從科幻走向現實。
浙江大學求是特聘教授、浙江人形機器人創新中心首席科學家熊蓉在2025藍鯨“人形機器人“高端閉門研討會上分享了具身智能機器人發展挑戰以及落地進展，藍鯨新聞在現場獨家對話熊蓉。
浙江人形機器人創新中心成立于2023年，發展核心便是圍繞著打造一個能夠智能作業的具身智能人形機器人進行展開，熊蓉希望賦予人形機器人可泛化、高精準的移動作業能力和快速便捷的開發部署能力。
通過諸多行業應用調研，浙江人形機器人創新中心不斷推進打造人形機器人本體和大小腦相關軟件算法。尤其是在機器人的操作技能上，依托具身智能相關技術賦予機器人多場景下可泛化、高精度和高可靠的操作能力。據熊蓉介紹，早在去年8月份，旗下人形機器人已經實現在雙腳直立的情況下做大幅度擬人的動作、操作工具實現高精度操作任務（如打螺絲）以及開放雜亂場景下的端到端自主決策任務（如端茶倒水）。
浙江人形機器人創新中心于2024年發布首代產品領航者二號，它的手臂作業能力可以達到5公斤的負載和0.1毫米的精度
她表示這兩年產業界和科技界的兩大熱點詞匯是具身智能和人形機器人，但從最終發展視角來看，其實要打造的是能夠具身智能作業的機器人，人形機器人代表一種通用的形態，能夠更好地去適應人類生存的環境。藍鯨最前線欄目獨家整理熊蓉在會議上的分享內容，以下：
一、人形機器人是具身智能最大的挑戰者
當具身智能和人形機器人交融的時候，它能夠形成我們期望的多功能的機器人，去取代原來基于某個特定任務打造的專用機器人。
近兩年，國內外對于人形機器人的市場預測越來越樂觀，去年11月份，花旗銀行發布預測報告，預計人形機器人相關產業在2030年能夠達到百萬的市場，到2050年在整個機器人市場占有率排位第三。
人形機器人能不能落地，關鍵在于具身智能技術。早在上世紀50年代，圖靈就給出了具身智能的定義，核心在于通過行為表現而非內在機制來判定機器是否具備智能?。之前計算機、人工智能的發展，我們更多關注的是感知智能，它不需要跟物理世界發生接觸，通過語言、文本、圖像、視頻，我們就能夠對里面的物體進行認知。
現在技術正由專家建模求解轉為數據驅動學習訓練，由模塊解耦分離轉為感控一體端到端。為什么會發生這樣的改變？因為傳統專家的知識經驗只在限定框架內適用，一旦超出范圍就不適用。因此，我們在傳統機器人使用中經常看到，換一個場景、換一個作業任務，需要專家不斷地介入或進行參數調整。
面對現實中的各類復雜場景，我們可以通過積累數據形成現在通用的語言大模型、多模態大模型，希望通過行為數據的不斷積累，能夠讓它具備行為智能。
通過具身智能技術，我們可以去讓機器人適應更多的場景，減少對專家知識的依賴。同時還有一個重要意義，當我們做感控一體端到端方案的時候，能夠降低對感知準確性的影響。當前大模型的泛化性足夠，但存在準確性不夠的問題。如何提高感知準確性、讓行為保持正確是我們需要解決的問題。
作為通用形態，人形機器人將會面臨更多的作業對象和場景。又因為它本身的自由度特別高，全身的自由度通常大于30個，而且運動模式多，在這些情況下面，我們其實很難用傳統的專家建模、機理控制的方式去做，所以我們說人形機器人是具身智能最大的需求者。同時因為它特別復雜，從而也使得它成為具身智能最大的挑戰者。
二、人形機器人為什么這么火熱？
人形機器人的火熱來源于社會發展需求和技術發展支撐兩方面因素共同推動。
一是社會發展需求。人口老齡化問題正逐漸成為國內外面臨的一個重要問題，如生產制造、康養護理等領域均需要有機器人來補充空缺勞動力。
傳統工業機器人已經在工業自動化中發揮了極大作用，現在工業自動化還需要大量應用人的雙臂手，甚至有些場景需要調動全身協同能力完成，這要求機器人具備較強的在有限空間內進行靈巧作業的能力。當前已經投入應用的專用機器人并不非不能用，但需要將功能拆解為多臺機器人完成，占用的空間比較大。尤其是在柔性生產制造方面，還需要依賴專家編程，因此目前發動機、底盤、電氣、裝飾等裝配工序90%以上仍需要人完成，組裝需數小時到數十個小時不等。
社會發展亟需把人形機器人和具身智能技術結合，打造新型通用作業機器人。這其中，具身智能是重要技術基座，可降低專家編程依賴，提升自主適應能力。
對于未來康養護理、家庭服務機器人來講，最佳的形態也是人形機器人，但是它面臨著場景、任務多以及可復制性等等問題，這些都對具身智能提出了一個極大的需求。
二是技術發展支撐。隨著大模型、生成式AI、合成數據、大算力等技術創新，具身智能技術進入到了一個新的階段。這兩年具身智能技術的發布層出不窮，可以總結為兩大類：
一類是人形機器人擬人化魯棒運動能力大幅提升。用人機動作行為映射學習，加上仿真平臺里面的強化學習，讓人形機器人有擬人化靈活的運動。國際上對于如何進行全身跟蹤控制提出了多種方法，國內宇樹也在他們的小機器人上展示了靈活運動能力，同時也有研究機構在研究多地形的穩定行走。仿真強化學習較好地解決傳統專家對機器人建模的不準確、環境擾動、無法建模等問題，有效提升運動的魯棒性。
一類是語言-視覺-行為大模型VLAM初步形成。從早期的谷歌語言-視覺-行為串聯，到去年提出來用遙操作數據去學習長序列構建一體化的架構，到今年的分層式架構，上層用語言視覺進行行為決策，下層進行上身體高速運動控制，并進行兩層聯合訓練。在數據積累的情況下，人形機器人能夠去做一些抓放、拉拉鏈等一系列工作。
三、距離真正的落地應用還有多遠？
熱潮背后，我們還要看到現有技術距離真正的落地應用還是有著很大的挑戰。
根據去年Gartner發布的產業技術成熟度曲線顯示，人形機器人、空間智能、具身智能、行為大模型整體處于產業早期發展階段。我們現在正進入到一個技術快速發展、公眾對技術期望快速膨脹的階段，但是它離真正的落地應用還面臨著多個挑戰：
挑戰一是人形機器人運動學習偏復現/遙控，尚需提升作業臂（有精度和負載）下的上肢大幅運動、負載作業、智能移動作業、并滿足作業精度要求。
具體來講，我們雖然現在能夠做到靈活運動，其實每一個運動序列都需要反復訓練，而在里面它還是依賴專家知識經驗去進行網絡的調參，然后來實現功能，所以我們看到的相關演示都是片斷式的，或者是特斯拉那種遙操作方式。
挑戰二是VLAM行為偏簡單，動作類別少，缺少力觸信息融合、工具使用等。現有VLAM融合了視-抓-放-移，形成視覺-軌跡的端到端控制，主要為小范圍場景行為，缺少旋擰、插拔等力觸動作、多指協同、柔性物體操作、工具使用等。
比如人形機器人在桌子上學習得到的視覺和軌跡映射，一旦變更場景就需要重新采數據、進行訓練，所以它的泛化性比較差。這與我們只是簡單地做感知和行為映射有關系，它并沒有形成知識的學習，不具備人類知識學習和抽象泛化的能力。
挑戰三是交互行為學習訓練數據匱乏。很多的應用場景涉及到柔性物體的操作、以及工具的使用，其中很多要求都涉及到力觸等交互信息，而與互聯網文本、圖像、視頻數據相比，當前機器人跟環境交互的數據非常匱乏。合成數據和仿真訓練面臨Sim2Real問題，遙操作采集則涉及設備、人員、標注等，成本高且異構遷移難。
挑戰四是亟待突破可泛化、自適應與高精度、高可靠、高效率的兼顧。工業發展要求高精度、高可靠、高效率，而我們現在的柔性生產制造則希望它能夠實現可泛化、自適應。
挑戰五是亟需提升視-力-觸傳感器、端側智能計算控制器和操作執行器。在執行器件方面，不管是關鍵零部件如靈巧手、環境交互的傳感器以及端側計算設備，均需要進一步提升性能，包括體積重量減少，精度、可靠性、壽命的提升等。
浙江人形機器人創新中心也從不同方面推動人形機器人及具身智能發展。在具身智能方面，我們在大小腦和數據采集方面做了一系列的工作，特別是提升機器人的操作技能。通過底層高實時、高精準的控制，能夠實現大幅的運動和高保真，讓人形機器人在雙腳直立的情況下做大幅擬人的動作，以及操作工具實現高精度操作任務等，這是在去年8月份實現的。
目前的技術有多方面進展：運控方面，可以實現高實時高精準下的長序列新動作快速學習；操作方面，可以實現雙臂-手-頭協同的遙操作，軌跡更平滑、延遲較低，與此同時，還搭建了場景可泛化的Real2Sim2Real訓練通道；可泛化高精準視覺伺服技術，可適應無標定、擺放誤差、抓工具誤差等問題，可適應少紋理場景……
未來人形機器人的想象空間還有多大？從工廠流水線操作到零售場景到家庭服務等等，新的應用場景探索還在隨著技術進步不斷向前推進。
