机器人跑马拉松，累到“断腿”的是工程师——联想控股于浩等三位专家拆解“跑出来的能力测试”

　　文章内容来源：腾讯科技

　　机器人在跑马拉松，后面跟着一群工程师。

　　4月19日，在北京亦庄举办的首届人形机器人半程马拉松比赛中，20多台人形机器人“缓慢前进”，几十位工程师在后方一路陪跑，他们忙着调算法、换电池、抗干扰。

　　这场马拉松比赛，不仅是为了比速度，更是对人形机器人基础能力的验证——验证它们是否具备长时间、连续、自主的运动能力。

　　为什么要让机器人跑马拉松？因为实验室的完美条件无法模拟现实路况的复杂与不可控。唯有在连续20公里的真实环境中，关节结构、能耗效率、散热能力和运动算法才会被全面暴露，而这正是“人形机器人产业能否落地”的第一道门槛。

　　在此时点，联想控股副总裁于浩等三位长期关注并深度参与机器人产业实践的专家，共同参与了腾讯科技“具身之路”系列直播，一起拆解这场“跑出来的能力测试”背后真正的技术焦点与产业价值。

　　●于浩|联想控股副总裁

　　●谌威|钛虎机器人产品生态负责人

　　●Nixon|机器人领域资深产品经理、机器人赛事策划者，腾讯新闻创作者（腾讯新闻ID：南山区张震）

　　核心要点：

　　●为什么人形机器人需要一场马拉松？马拉松不是为了比速度，而是用真实环境做一场“基础运动能力”压测。在长距离、非理想场地中持续运行，是检验人形机器人能否走向现实应用的第一道门槛。

　　●它暴露了哪些核心技术挑战？一台机器人跑完半马，背后是关节精度、热管理、电源系统、控制算法、通信干扰等问题的全面暴露。这是一场系统工程的极限演练，不只是测“能不能跑”，而是“撑得住多久”。

　　●跑步能力能否迁移到真实场景？马拉松只是开始。当机器人能完成长时间稳定运动，意味着它初步具备进入安防、巡检、配送等高负载场景的潜力。但真正决定商业化落地的，是“小脑”能力标准化之后，“大脑”能否快速跟上。

　　01

　　人形机器人为什么需要一场马拉松？

　　Nixon：我们先聊个轻松的话题——当你们听说“人形机器人跑马拉松”这件事情时，第一反应是什么？是觉得大胆，还是觉得有点离谱？

　　于浩：我当时确实感到惊讶。此前有媒体找我聊过“机器人爬山”的想法，我就觉得难度太高，实施起来很难。没想到不久之后就听说要办“机器人马拉松”。

　　起初，我以为比赛要求机器人全程自主运行，了解后发现，主办方允许使用“遥控”甚至“跟跑”模式，整体门槛并没有想象中那么高。但这也未尝不是件好事。毕竟目前的人形机器人在技术和应用上都还不够成熟，与其把比赛当作竞技，不如看作一个展示平台。不同企业带来了各式各样的机器人，有高有矮、功能各异，不仅可以展示优势，也能暴露短板，是行业互相观摩、交流的好机会。

　　这就是我们常说的“PDCA”循环——Plan、Do、Check、Action（即计划、执行、检查、处理的闭环管理流程）。通过实践暴露问题，再进行优化，是一个很好的闭环过程。

　　谌威：这是一个行业对外展示阶段性成果的机会。就像赛车一样，不是只靠一台车，而是背后有完整的保障系统支撑。人形机器人要“跑起来”，背后也同样需要一个协调配合的团队。这次马拉松的意义，不在于比谁跑得快，而在于有没有勇气迈出这一步。

　　从参赛方式来看，目前“遥控”占了主流。因为“跟跑”模式对环境要求比较高，稳定性也不太好。一般需要一个领跑员与机器人保持三到五米的距离，身上贴有二维码或其他识别标识，机器人通过视觉追踪技术实现跟随。这种方式对识别精度和路径控制要求都很高，容错空间非常小。

　　Nixon：说到底，这其实是一项系统工程。即便两台机器人外形完全一致，它们的摩擦力、限速设定、调校精度等细节也可能不一样，结果跑出来的轨迹也可能完全不同。

　　谌威：没错。每台机器人都需要专人调试——哪怕只是两条腿的摩擦力不一致，都有可能影响行走路径和整体稳定性。

　　现在的机器人，远不是“即插即用”的设备，而是一个高度复杂的系统集成体。所以这也十分费人力，光是准备一台参赛机器人，就有二三十人参与，涉及算法开发、硬件调试、现场运维等多个环节。

　　于浩：所以大家担心机器人“抢饭碗”，其实为时尚早。就现在来看，一台机器人背后，可能还要靠几十个人共同推动它前进。

　　我之前也开玩笑说，跑一场机器人马拉松，至少得有人跟着背电池、做维修。这不仅没有取代人类的工作，反而还创造了一些新工作岗位。

　　谌威：不少机器人公司光现场执行的团队，就有三个人。一个负责操作控制，一个处理突发情况，另一个负责后勤保障，跟着保障车一起行动。车上会装有备用电池、电源、支架等设备，确保机器人在遇到问题时能快速应对。

　　于浩：就像足球比赛中有医疗团队随时待命，这边也是一样，算是“机器人马拉松的医疗车”。

　　谌威：是的。而且主办方也设置了七个补给站，每隔三公里提供电池更换和必要的物资，保障体系还是比较完备的。

　　Nixon：我也特别想强调这一点。这次是半程马拉松，不是全马。主办方鼓励企业用一台机器人跑完整程，但中途换机器人、换电池等操作都是被允许的，只要在时间限制内完成即可。

　　另外，这次的关门时间也比人类半马延长了半小时，就是考虑到机器人整体速度会更慢。因此，这场比赛考验的并不是谁跑得最快，而是谁能稳定、安全地坚持到终点。

　　谌威：对，这次比赛最特别的一点是所有参赛企业都在统一标准下诚实面对自己的技术状态，不再像过去那样通过剪辑展示“机器人陪我一天”的表演场景。对于公众来说，这次是非常难得的真实展示，也是一种科学普及。

　　02

　　一场长跑，

　　能否证明人形机器人核心竞争力？

　　Nixon：接下来我们深入聊一聊。从机电系统、控制算法等角度出发，机器人要完成一场马拉松，核心挑战究竟有哪些？

　　谌威：从系统层面看，最核心的挑战之一是关节设计，整个行业目前大致分为三种方案：谐波关节、行星关节和直线关节（行星滚柱丝杠）。

　　它们在减速器结构上存在差异，减速器的作用是将电机的高速、低扭矩转换为适合关节运动的低速、高扭矩。减速比的不同，会直接影响机器人输出的效率和响应能力。

　　打个比方，就像骑自行车换挡，不同挡位下，踩踏的感觉完全不同。比如一些可以跳舞、鲤鱼打挺的机器人，多采用高响应、高效率的行星关节，整机高度在1.3米左右，重心低，平衡性好。

　　于浩：关节结构、算法能力和身高体型这些要素，都会共同影响机器人的运动表现。

　　谌威：没错。除了结构，还有一个关键挑战是散热。运动强度大的机器人电流大，发热量高，甚至可能是普通方案的三到四倍。必须解决热管理问题，才能保证长时间稳定运行。谐波关节方案虽然功率不算太高，但可以持续运行一到两个小时，适合长时间任务。

　　Nixon：那如果热控没有问题，但速度不够，是不是就只能慢慢地“走”？

　　谌威：是的，热控稳固的机器人，可能牺牲了速度，表现更像是稳定的“行走”而非“奔跑”。

　　而且在软件算法层面，现实环境和实验室差距很大。像亦庄这次的赛道，地面并不平整，中间略高、两侧稍低，还可能出现减速带和碎石。这种复杂地形对算法的鲁棒性要求很高——机器人必须在受到干扰时依然能保持平衡，否则很容易偏移甚至摔倒。

　　Nixon：所以行业大致可以分为两类机器人：一类是“等人高”的大个子，虽然跑得慢，但稳定、持久，适合长距离任务；另一类是身高约一米的小型机器人，动作快、灵活，但续航较弱，适合表演型场景？

　　谌威：可以这么分。大体型机器人更强调是否能减少进补给站、稳定持续地运行；而小型机器人则更注重速度和动作表现。

　　Nixon：那于浩老师，从投资者的角度来看，如果我们把“马拉松”作为一个能力背书，它究竟能代表哪些技术水平？

　　于浩：我觉得这要看具体的比赛模式。

　　如果是遥控模式，考察的主要是硬件层面的能力，比如关节、电机、能耗、散热等；如果是全自主模式，那就需要机器人具备环境感知、路径规划、动作决策等能力，难度更高；跟跑模式则是另外一种，需要机器人能够准确跟随、快速响应前方目标。

　　所以三种模式的能力要求是有本质区别的。但无论是哪种模式，关节强度、热控能力、系统鲁棒性这些底层指标是共通的，特别是在马拉松这种长距离场景中，更容易暴露出系统级的问题。

　　就像足球队比赛前要踩场一样，机器人也需要提前适应实际场地。现实中可能遇到各种不可控因素，比如突发大风、其他机器人摔倒等，这些情况都需要算法层面做出快速判断与调整。

　　Nixon：确实。如果机器人遇上坡道或强风，要如何保持平衡？

　　于浩：这要看是否是自主控制。如果是遥控，那就靠人来判断环境并手动干预；如果是自主模式，那就需要依靠机器人大脑中的感知系统实时做决策。

　　谌威：机器人在行走、爬坡或步态恢复时，所有关节模组的数据和其他传感器数据，都会在控制芯片里建模，它会实时的调整参数，在一秒钟内对机器人身上电机发近千次指令，来维持整个机器人系统平衡。

　　Nixon：也就是说，即便是遥控模式，机器人仍然需要一定的“自我判断”能力，而遥控更多只是起到导航的作用？

　　谌威：可以这么理解。自动驾驶依赖高清地图导航，而机器人当前还做不到完全等效的路径规划。在保持平衡这件事上，最终靠的还是机器人自身的大脑去实时判断和决策。

　　不同厂商在模型训练和算法实现上存在很大差异。有的机器人专门训练过上下坡、台阶，有的只能应对平地。我们钛虎以硬件为主，也在积极引入各类算法和开源框架，与我们的产品融合，提升适应能力。

　　Nixon：明白。那除了运动控制和环境适应之外，在户外“开放式马拉松”中，还有哪些关键瓶颈需要突破？

　　谌威：挑战还挺多。比如结构稳定性——机器人在长时间高频运动中，会不断承受震动和冲击。结构件如果设计不合理，很容易出现松动甚至损坏，尤其是在金属材料反复受力的情况下，会产生“金属疲劳”，导致强度下降甚至断裂。这在长距离、高强度的马拉松中尤其需要重视。

　　另一个关键问题是换电。实验室里常用的是直连电源或标准电池包，但户外比赛要求快速换电，最好是热插拔结构。有些厂商已经做了这方面的设计，比如主控电源有备用供电模块，主要电池则像无人机一样，可以“一插即用”，整个更换过程甚至不需要一分钟。

　　于浩：我们常说“热插拔”，其实就是在不中断机器运行的情况下更换电池。这个概念可能有些观众还不太熟悉，简单解释一下是很有必要的。

　　谌威：对，就是在不关机的状态下完成电池更换，效率更高，也更安全。

　　Nixon：明白了。刚才你们还提到一个“金属疲劳”问题，通过一些资料，我们确实看到不少相关的损伤案例。

　　于浩：金属疲劳是个重要因素，另外还有一个容易被忽略的问题是通信干扰。你想象一下，现场有那么多机器人同时运行，全靠无线信号连接，信号之间非常容易互相干扰。

　　谌威：尤其在赛道周边有地铁、人群密集、手机信号重叠的地方，干扰会更加明显。

　　于浩：机器人本身带着大量电机，电磁干扰强。现在又缺乏统一的赛事标准，不同厂商的通信模块可能都工作在相同频段，这就容易造成系统级别的干扰风险。

　　还有一点值得强调，现在很多人对人形机器人抱有很高的期望，但实际上它的难度甚至超过了自动驾驶。汽车只需要在二维平面上控制，而人形机器人采用双足运动，涉及平衡保持、重心变化、动态反馈等一系列复杂变量。因此，我们应当对这项技术保持足够的理解和耐心。

　　Nixon：确实。比如有机器人公司公开表示，他们在测试中出现过脚踝结构断裂的问题。有的团队尝试让机器人“穿鞋”，据说这样能显著提升续航和跑速。大家如果有机会到现场，可以留意一下“穿鞋”和“不穿鞋”之间的差异。

　　谌威：人形机器人如果金属脚直接着地，震动会非常强烈。穿鞋确实可以起到一定的减震作用。

　　于浩：但我有一个疑问：穿鞋是否会引入更多不确定性？比如鞋底摩擦系数、结构稳定性这些因素，会不会反而带来新的问题？

　　谌威：目前大多数机器人的“脚底”结构，确实还不具备像人类鞋子那样的摩擦力和人体工学属性。穿鞋其实是借助人类长期演化出来的成熟减震工具。有一些机器人公司也在尝试开发橡胶脚垫版本，希望在减震性能和结构稳定性之间取得平衡。

　　于浩：我理解了。从工程角度来看，结构越复杂，变量就越多。能否通过更简洁的设计实现同样的效果，也值得探索。

　　Nixon：那关节在长时间运动下，散热问题怎么解决？比如跑完整个21公里，一个关节可能要连续运动十几万次。

　　谌威：目前大多数机器人主要依赖金属外壳进行被动散热。从技术上，大家的核心思路是从电机本体出发解决发热问题，比如通过优化绕线方式、提升减速器效率、改进金属结构的导热性等手段来降低热量积聚。

　　最终目标是提高关节的“扭矩密度”——也就是在更轻的结构下，实现更高输出的同时降低发热与电流负载。此外，谐波减速器相较于传统的行星减速器，它在散热效率和整体性能上具备优势。

　　Nixon：现在很多研究报告也在强调，谐波减速器是人形机器人中的核心零部件。

　　于浩：没错。机器人运动和汽车不一样，我们常说“加速容易，减速难”。特别是在机器人跑步减速的过程中，控制算法尤为关键。这个阶段往往需要双脚同时发力，平衡和协调性都处于最不稳定的状态。

　　Nixon：是的，我刚才想表达的是，人形机器人在减速阶段，需要双脚同步发力，而在加速时主要依赖单脚发力。这种“双足协同”的控制逻辑，对系统的协调性和控制算法都提出了更高的要求，可能就像人类双手协同操作复杂任务一样。那么，下肢在减速阶段的这种配合，会不会在算法层面带来额外挑战？

　　于浩：确实如此。减速阶段最关键的是保持平衡，同时还要处理双脚间的协调配合，算法的难度会更高。

　　谌威：如果要从算法层面进行细化讲解，可能需要专门的算法团队来展开。目前行业主流的方法是使用“统一框架+自我学习”的策略来解决，比如通过强化学习，把加速、减速、不同地形等各种状态都通过训练覆盖进去。

　　所以并不是把每个动作用显式规则写死，而是通过大量数据训练，把这些状态“跑”出来，让机器人逐渐学会应对各种复杂情形。

　　Nixon：明白了。也就是说，像前进、减速、转弯这些状态切换，并不是靠具体规则一步步控制，而是作为整体被打包在强化学习模型中，让系统在运行中自己“学会”。

　　谌威：对。靠的就是大量训练和数据积累，去不断优化模型，让机器人在不同状态下都能做出合理反应。

　　Nixon：既然是比谁跑得快，为什么不用机器狗？四足机器人目前运动能力更强，有的甚至结合了轮腿结构，效率和速度都更优。那为什么这场马拉松一定要用“人形”机器人来跑？这背后的意义是什么？

　　于浩：我们最近其实也讨论过这个问题——为什么一定要“人形”？我认为这和人类对机器人的长期想象有关。

　　从小时候看《铁臂阿童木》开始，我们心中“机器人”的原型就是有手有脚、像人一样的存在。这个“人形”形态像是一种文化符号，也是一种心理投射。就像中国神话中女娲造人，是用黄土捏出人的样子。人形机器人在某种程度上承载了我们最早对工具的想象——它要像我们、替代我们、进入我们原本的位置。

　　从实用角度看，人形也确实更适合进入人类环境中。不管是爬楼梯、开门、扶电梯还是坐办公桌，人形结构都能直接适配现有的社会环境。而机器狗或其他异形结构则需要重新设计空间和工具，整体改造成本很高。

　　所以说，人形是一种“通用性更强的替代形态”，哪怕它在效率上不是最优的选择。

　　Nixon：谌总，你作为做关节的，从产品落地的角度来看，人形和机器狗的区别在哪？

　　谌威：首先，这次是马拉松比赛，而马拉松本就是人类的竞技项目，人形机器人参与在形式上是合情合理的。从功能上讲，我总结了几点：

　　第一，这个世界是为人类设计的，人形机器人在空间适应性方面天然具有优势。

　　第二，目前的工具和界面大多服务于人的身体结构，比如把手、按钮、工具的大小和高度都基于人设计，人形机器人可以无缝对接，无需额外改造。

　　第三，统一的形态有利于规模化生产。就像汽车的“四轮”已经成为工业标准，“双足+两臂”的人形也是一种可以标准化的工业形态，有助于复制和降本。

　　第四点很关键，是关于数据迁移。人类的行为数据可以直接用于训练人形机器人，而要把这些数据迁移到机器狗等异形结构上，训练成本更高，转化效率也更低。

　　而且，这次比赛不只是为了“跑”，它本质上是在测试人形机器人的“基础身体能力”。我记得去年在世界人工智能大会上，全国范围内真正能“走起来”的机器人其实并不多，大部分还需要吊装辅助。

　　但这次不同，大家的机器人都动起来、走起来了。说明在系统稳定性、关节性能、控制算法等方面，行业已经逐步迈过了“能动”的门槛。马拉松是一种非常适合做“压力测试”的场景，就像人类体检一样，你得先通过基础体能测试，才能进入更高阶任务。

　　之后我们可能会看到更多不同体型的机器人登场，不止是标准身高的一米七，也许两米高的大个子也能参与其中。这说明整个行业正在向前迈出一大步。

　　Nixon：刚才你提到数据训练，这一点确实很关键。我们很难让一只真实的狗去为机器狗做标准示范，但人类不同。人类在各类真实工作场景中的行为数据，可以被直接采集和结构化，用作人形机器人学习的输入。训练效果的关键，只在于数据的时间跨度和规模大小。

　　谌威：是的，人类的数据天然具有高度结构化的特点，非常适合迁移到人形机器人系统中。这也是人形形态更具“学习效率”的一个重要原因。

　　03

　　人形机器人参与马拉松

　　是否具备实际应用的迁移价值？

　　Nixon：我们进入今天的最后一个部分。现在我们看到，有的机器人在马拉松中展现出较强的耐力，有的则更突出动力性能。你们怎么看，这些能力是否可能迁移到实际应用场景？比如安防、配送等需要长时间运行、路况复杂的环境，是否可以借此建立起更强的工程能力？

　　谌威：我认为答案是肯定的。马拉松对机器人而言，其实是一种基础能力测试。而未来的真实应用场景，对它的要求只会更高。比如在工厂中，机器人可能需要连续运行八小时以上，目前主流人形机器人的续航能力通常只有一到两个小时。再如电网巡检、山区作业这类任务，地形复杂，对机器人保持动态平衡的要求更高。还有像核工业这种特殊场景，还涉及强电磁干扰等问题，对系统稳定性构成巨大挑战。

　　因此，未来的机器人形态一定是高度定制化的。我们提供的是一套人形平台方案，但真正落地时，需要根据不同行业的具体需求进行二次开发。这也是我们强调“从本体关节出发”构建可扩展系统的原因。

　　于浩：我非常认同。无论这次比赛中体现出的是技术优势，还是暴露的问题，最终都会反哺研发工作。比如关节疲劳、电源管理、散热策略等，都是下一阶段可以重点优化的方向。

　　从本质上看，马拉松是一个任务目标单一、交互行为较少的场景，但它为我们提供了一个高强度、长周期的“能力压测”窗口，对产品稳定性和算法鲁棒性来说，是一个非常有价值的检验平台。

　　未来的机器人形态不会只有人形一种，也不一定必须依靠电池供能。在工业场景中，完全可以使用外接电源解决续航问题；甚至有些应用场景并不需要下半身，只有上肢系统也可以独立完成任务。

　　谌威：我们确实也有客户只采购双臂系统，不需要完整的人形平台。

　　于浩：关键在于找到“最合适的机器人形态”来完成“最合适的任务”。扫地机器人就是一个非常成功的例子，轮式结构稳定、高效，反而更适合它的功能。如果把它做成人形，那就成了画蛇添足。

　　我以前在高校还见过一台刀削面机器人，只有两只机械臂，没有下半身，但它可以连续、稳定地完成任务。这就是典型的“形态合适”。

　　所以我们办这场马拉松，并不是为了验证“机器人能不能跑完”，而是借助这个过程探索：哪些能力具备迁移价值、哪些技术可以跨场景集成。

　　Nixon：我理解，现在大家对人形机器人的关注，很大一部分来自于它们的“运动能力”终于达到了某个门槛。虽然它们目前还不能胜任复杂的感知或服务类任务，但仅凭“能走、能跑、能保持稳定”，就已经能够登上春晚、出现在展会等舞台。

　　而马拉松，把这个“运动能力”进一步推向极限——要求它长时间运行、高速切换状态、结构耐久可靠。

　　我设想，未来是不是可以按照体型、驱动结构设立分组，比如设1米2和1米7两个身高等级。这样厂商就会围绕这些标准化目标进行专项优化，就像汽车拉力赛那样，推动行业建立分级标准、带动上下游配套。

　　比如在这次比赛中，最大挑战可能不是算法，而是底层机电系统。如果能提升能量转化效率，那意味着机器人可以跑得更远、工作更久。

　　谌威：我补充一点。人形机器人在短期内确实更像是一个技术探索方向，它推动的是整个行业的“能力上限”。但在这个过程中，很多关键模块会向下沉淀。

　　举个例子，过去在工业自动化场景中，人类仍需介入处理那些非结构化的复杂任务。但当我们把人形机器人路径中发展出的智能模块，比如视觉识别、多模态控制等，移植到传统机械臂系统中，它立刻就能胜任更多产品、更复杂的任务。

　　所以人形机器人的意义，并不仅仅是要“通用替代人类”，而在于它撬动了整条产业链对“复杂智能”的重新构建。

　　从单臂到双臂的演进，不只是提升了操作的自由度，也拓展了任务的复杂度。正如于总所说，人形并不一定是“双足+双臂”的完整形态，“双臂优先”的构型在很多实际场景中也非常有价值。

　　Nixon：未来我们是不是可以增加一些新测试项目，比如评估操作能力？让机器人在封闭空间里完成如洗碗、做饭等需要感知和精细动作配合的任务。

　　于浩：我看到这次已经设有“人气奖”这种软性评估指标。未来也许可以考虑引入“互动性”测试，比如拟人面板、交互逻辑等设计，让机器人通过更有表现力的形象与观众建立连接。这也体现了人机关系的一种演化趋势。

　　Nixon：那我们最后再讨论一个现实问题。今天参加比赛的企业中，有些表现很出色。在投资人眼中，这些“领先者”是否具有真正的成长性？它们的商业模式是否已经具备清晰路径？于总，你怎么看？

　　于浩：这是一个非常现实且重要的问题。我们把这次马拉松当作一次“技术嘉年华”，是希望让更多人直观地理解机器人行业的发展现状。但回到投资逻辑，最终决定一家企业能否走得长远的，仍然是商业模式是否成立——也就是技术是否能与实际场景对接，能否形成闭环。

　　哪怕技术再先进，如果没有合适的落地场景，也难以构建起可持续的商业循环。中国的优势就在于产业基础完善、应用场景丰富。只要能找到真实的需求侧，就有机会形成“技术—应用—成本”三位一体的正向生态。

　　从控制论的角度来看，这本质上是一个“正反馈回路”——成功的应用带动技术成熟，成熟的技术进一步提升应用效率。大模型的火爆，就是这种“涌现机制”的典型案例。

　　我认为在机器人这个赛道上，“应用落地”仍是主线。投资人、研发人员、商业团队三方必须紧密配合，找到合适的场景和成本结构，整个行业才能走向成熟。

　　Nixon：确实。商业模式从来不是一开始就明确的。人形机器人刚能跳舞的时候，没人想到它能登上春晚、成了舞台主角。这就是应用的自然演化。

　　比如在国外，还有人提出“养老机器人+保险服务”的组合模式。包括政策、法律、支付体系等各个环节，都需要随着产业进展逐步构建。

　　谌威：从我们产业内的理解出发，机器人系统可以被拆分为三层：

　　第一层是硬件本体，第二层是“小脑”——也就是控制算法，第三层是“大脑”——任务规划与决策系统。

　　这场马拉松主要测试的是前两者：本体和小脑能力。在未来一到两年内，小脑能力有望趋于标准化，核心的行走、跳跃、避障等功能将不再构成差异化竞争点。

　　到那时，真正拉开差距的，是硬件性能、制造成本和精度控制。而能否规模化落地，最终还是要看“大脑”这一层能否建立起来。

　　目前大脑系统正处于快速进化阶段。比如Figure公司利用大模型能力推动系统迭代，仅一年估值就上涨了15倍，达到300亿元人民币。英伟达也刚刚开源了类似的整套智能架构，这意味着行业的门槛正在快速被拉平，国内团队有机会在几乎同一起跑线上参与竞争。

　　我们判断，在未来1到2年里，机器人大脑将迎来一轮飞速提升期。即使是在过渡阶段，也可以采用“传统视觉+轻量规划+任务调度”的组合策略，先落地一些实际应用，如商超巡检、药房配送、安防巡逻等，很多国内团队已经开始部署。

　　同时，借助数据训练与模仿学习，也有望在重复性高的场景中实现局部智能能力的实际应用。

　　Nixon：谌威刚才这段关于“从小脑到大脑”的回应，也为我们的讨论做了一个很好的收束。

　　总结一下，我们的判断是：马拉松可以帮助行业建立起“基本运动能力”的标准，而当“小脑”趋同之后，下一阶段的比拼就将在“大脑”与场景适配之间展开。