机器人“大脑”迎新变量：上岗容易，落地还差“最后几毫米”？

财联社11月8日讯（记者 张校毓）在第九届中国国际进口博览会（下称“进博会”）现场，财联社记者看到，机器人演示的工作流程越来越具体：接收订单、分拣药品送到柜台，抓取丝杠零件、产线上下料，部分方案已经进了门店和工厂。

那距离具身智能的“ChatGPT时刻”，行业到底又走了多远？

宇树科技创始人、董事长王兴兴去年进博会期间说过，具身智能大模型和端到端技术进步总体很快，但机器人大模型走得比他预想的慢。今年在虹桥国际经济论坛上，他把当前的难点收窄到模型与物理世界的对齐上：多模态模型本身理解能力已经不错，真正卡住的是输入输出对齐的误差，“最后几毫米”偏差还比较大。

机器人“大脑”最近的一些进展，也让这个问题更受关注。今年10月中旬，英伟达研究团队发布的研究显示，GPT-6 Astra本身就能执行通用的拾取放置任务。近日苹果研究团队又披露了机器人“大脑”的研究进展：人形机器人自主控制系统HALO。论文显示，团队在6个未预先扫描或建图的真实环境里做了360次单项任务测试，平均成功率91%。

通用模型开始插手过去主要由专用模型负责的动作控制环节，非具身企业也跑来做机器人“大脑”研究，具身企业自研基础模型的壁垒和价值怎么体现，成了近期业界讨论的焦点之一。

但从部分场景陆续“上岗”，到更多任务能稳定完成，具身智能还在同时找技术突破和规模化商业落地的路。具身智能“Chat GPT时刻”什么时候来？多位业内人士的判断落在2027年下半年左右。

从拣药到上下料，机器人“上岗”走到了哪一步？

进博会新闻中心入口，“咔嚓”一声，Sharpa机器人“上岗”了：拿起拍立得相机，调整握姿、按下快门，再把照片递到记者手里。这背后，面对真实工具和不断变化的现场环境，机器人既要认准目标、协调手眼动作，也得靠触觉反馈和精细力控，把不同接触状态下的操作衔接起来。

Sharpa机器人正在给记者拍照，图片来源：财联社记者/摄

窄通道两侧药品摆得密密麻麻。蚂蚁灵波科技与国大药房联合呈现的智慧零售药房场景，把线下门店的布局搬上了展台。用户下单后，机器人接单、分拣货品，再送到柜台。

蚂蚁灵波科技与国大药房联合呈现的智慧零售药房场景，图片来源：财联社记者/摄

当“酒店管家”的智元机器人、Hitch Open展台的HOPE进博会人机乒乓挑战赛，也引来不少观众停下脚步。

特斯拉展台的人形机器人，图片来源：财联社记者/摄

工业展台上的任务分得更细。浙江人形机器人创新中心有限公司展示了人形机器人NAVIAI拆垛、分拣、搬运及部件装配的全流程作业能力；上海沪工现场演示了HGR人形机器人免示教焊接，机器人采用正装+七轴行走形式，能完成宽度2m以内工件焊接；七轴行程可按需定制，适配不同长度工件。

九赴进博的西门子也把人形机器人全流程端到端解决方案摆到了现场：从机器人本体设计、工艺仿真、虚拟调试，到核心零部件加工、整机总装和工业现场应用，用软件演示加实物场景联动，展示数字孪生、柔性制造和智能调度在其中的关键作用。

西门子展台，图片来源：财联社记者/摄

上海眸深智能科技有限公司创始人兼CEO穆泽林接受财联社记者采访时表示，眼下机器人大规模“上岗”的情况还不多，大多处在“试岗”阶段，不过部分场景已经出现规模化部署。

不同场景里的这些进展，正在给具身智能提供新的商业验证。问题是，一个岗位能干之后，换一批货品、换一条产线，原来的能力还能复用多少，这仍是大规模落地绕不开的问题。

GPT-6参与生成动作，具身“大脑”的壁垒在哪里？

机器人陆续上岗的同时，具身大脑的进展近期也成了业界热议的话题。

通用模型如今把手伸进了原本由专用模型把持的动作控制环节，国内具身智能企业也在持续加码自研模型。两条路子越走越近，一个商业层面的问题随之浮出水面：具身企业得攒下哪些通用模型啃不动的能力？

第九届虹桥国际经济论坛期间，“人形机器人与具身智能产业创新发展合作”分论坛上，自变量机器人创始人、首席执行官王潜对此作出回应。他提到，GPT6面世后，不少人在讨论语言基础模型会不会一步步把具身大脑覆盖掉，数字世界模型与物理世界模型之间的界线是不是正在变淡。

在王潜看来，具身智能尤其是精细运动操作和手部控制，跟高等级的思考能力、语言能力在进化上其实同源。他表示：“具身智能我们希望它要能够有生产力，有用的这部分是高等级的智能，而不是直接意义上全身运动控制发展过来的延伸，所以从这个角度而言，我觉得今天看到的语言模型和物理模型某种意义上的融合，也是我们很早就在期待的一件事情。”

星海图人工智能科技股份有限公司创始人、首席执行官高继扬则判断，GPT-6对具身基础模型的冲击有限。他的理由是，两个盒子模型最终都得跑在端侧，否则工作节拍跟不上，推理延时也解决不了。

上海眸深智能科技有限公司首席科学家、复旦大学深度学习实验室主任陈涛向财联社记者透露，公司研发团队把GPT-6 Astra接入了不同厂商的机器人本体，做了多项实验，内部测试结果显示实际表现还有不小的改进余地。

速度上差距明显。陈涛介绍，有些任务用眸深智能原生大脑一两分钟就能做完，换成GPT-6要30多分钟，甚至一个小时。任务执行环节也有问题：团队测试中，GPT-6比较擅长顺着成功的操作路径往下走，可一旦中途出错，或者找不到指令指向的目标、预期的操作位置，它就可能卡住，任务难以继续。

智元合伙人、联席总裁、中央研发部总裁、交互业务体系总裁熊彦此前接受媒体采访时也公开谈到，GPT-6 Astra的长处主要在高阶任务规划，一是调用其他模型生成动作，二是直接生成机器人的动作。“但在这个过程中，一个简单动作的生成可能是分钟级的。同时，调用一次需要上百美元，对于部署态而言，调试成本很贵。”

模型怎样才能准确、及时地把机器人控制住？这个问题其实贯穿了王兴兴前后两年的发言。

去年他的判断是，具身智能大模型和端到端技术进步总体很快，可机器人大模型的进展比他预想的慢，还没到临界值。今年他进一步指出，多模态模型本身的理解能力已经不错，最大的毛病出在输入输出对齐的误差上，“最后几毫米”偏差比较大。

宇树科技创始人、董事长王兴兴正在进行主题演讲，图片来源：财联社记者/摄

锤子和钉子都备齐了，为什么还是没打穿？

国家地方共建人形机器人创新中心首席科学家江磊在进博会分论坛上打了个比方，说的就是技术供给和场景需求之间的这段距离——“锤子”与“钉子”。

江磊介绍，近期场景方和机器人厂商一起交流时，双方反映的情况是：锤子上的力打到钉子上，解决不了场景里的问题，没能“打穿”。在他看来，得靠标准和问题清单把具体指标、能力缺陷一条条列清楚；同时由相应平台提供一块“木头板”，让技术和需求在实景实训中把问题解决掉。

说到规模化落地，高通公司中国区董事长孟樸表示，机器人要的不只是更强的AI能力，还得在复杂、动态的环境里持续感知、实时决策、可靠行动，并且在有限的功耗和成本下稳定运行。

穆泽林谈落地难点时也提到，关键在场景验证和经济性两点。先得完成从“0到1”的验证，挑选跟当前技术能力对得上的场景，别一上来就切进还要一两年攻关才能实现的任务。再就是规模化落地得算清经济账，这对模型压缩、处理等能力要求不低。

摩尔线程联合创始人、执行总裁王东把话题引向具身智能“ChatGPT时刻”的“涌现点”。他认为，锤子和钉子之间凿不进去，说明涌现点还没出来。只堆参数未必够，可能要模型参数、算力与仿真训练平台一起往前推。

这个时点什么时候到？王潜判断，具身智能和物理世界的“GPT时刻”大概一年左右就会来；穆泽林预计“ChatGPT时刻”或在2027年下半年出现。“因为不一定要让机器人真的像人一样双足去工作，它可以是轮式双臂、轮式单臂，（这）在有些岗位就可以发挥比较好的作用和效果。”